OpenShift AI - 部署并使用 LLM 模型

《OpenShift / RHEL / DevSecOps 汇总目录》
说明：本文已经在 OpenShift 4.15 + RHODS 2.7.0 的环境中验证

安装 OpenShift AI 环境

先根据《OpenShift AI - 部署 OpenShift AI 环境，运行 AI/ML 应用（视频）》一文完成 OpenShift AI 环境的安装。
注意：本应用无需 GPU 即可运行。

安装 Minio 对象存储软件

根据《OpenShift 4 - 管理和使用 OpenShift AI 运行环境》一文安装 MinIO。

配置 Single Model Serving 运行环境

1. 使用默认选项安装 Red Hat OpenShift Service Mesh Operator 和 Red Hat OpenShift Serverless Opeartor。
2. 查看 OpenShift AI Operator 的 DSC Initialization 对象，确认包含以下内容：

spec:
 applicationsNamespace: redhat-ods-applications
 monitoring:
   managementState: Managed
   namespace: redhat-ods-monitoring
 serviceMesh:
   controlPlane:
     metricsCollection: Istio
     name: data-science-smcp
     namespace: istio-system
   managementState: Managed
1
2
3
4
5
6
7
8
9
10
11

3. 查看 OpenShift AI Operator 的 Data Science Cluster 对象，确认包含以下内容：

   kserve:
     managementState: Managed
     serving:
       ingressGateway:
         certificate:
           secretName: knative-serving-cert
           type: SelfSigned
       managementState: Managed
       name: knative-serving
1
2
3
4
5
6
7
8
9

4. 确认在 OpenShift AI Operator 中的 “所有实例” 中出现以下 FeatureTracker。
   
5. 执行以下命令查看创建的 ServiceMesh 和 Serverless 对象。

$ oc get deploy -n istio-system
NAME                       READY   UP-TO-DATE   AVAILABLE   AGE
istio-egressgateway        1/1     1            1           11m
istio-ingressgateway       1/1     1            1           11m
istiod-data-science-smcp   1/1     1            1           11m 
 
$ oc get deploy -n knative-serving
NAME                    READY   UP-TO-DATE   AVAILABLE   AGE
activator               2/2     2            2           7m21s
autoscaler              2/2     2            2           7m21s
autoscaler-hpa          2/2     2            2           7m19s
controller              2/2     2            2           7m20s
domain-mapping          2/2     2            2           7m20s
domainmapping-webhook   2/2     2            2           7m20s
net-istio-controller    2/2     2            2           7m18s
net-istio-webhook       2/2     2            2           7m18s
webhook                 2/2     2            2           7m19s
 
$ oc get deployment kserve-controller-manager -n redhat-ods-applications
NAME                        READY   UP-TO-DATE   AVAILABLE   AGE
kserve-controller-manager   1/1     1            1           6m55s
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

6. 在 OpenShift AI 控制台中的 Cluster setting 中确认 Single mode serving platform 被选中。
   

创建项目和 Workbench

1. 在 OpenShift AI 控制台中创建一个名为 llm 的 Data Science Project。

2. 在 llm 项目中使用以下配置创建名为 llm 的 Workbench。

   Name：llm
   Image selection：TensorFlow
   Version selection：2023.2
   Container：Small
   Create new data connection
   	Name ： My Storage
   	Access key ： minio
   	Secret key ： minio123
   	Endpoint ： http://minio-service.minio.svc.cluster.local:9000
   	Region ： no 
   	Bucket ： my-storage
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11

准备模型和配置 Model Server

1. 进入 Workbench 对应的 Jupyter Notebook，然后克隆 https://github.com/rh-aiservices-bu/test-drive.git。
2. 运行 /test-drive/llm/1_download_save.ipynb，完成后会自动将模型相关文件传到 Minio 中 my-storage/models/flan-t5-small 里。
   
3. 在 Workbench 的 Models and model servers 中进入 Single-model serving platform 的 Deploy model。
   
4. 在 Deploy model 弹出窗口按下图的配置部署模型。
   
5. 完成配置后 Workbench 将显示以下内容。将 flan-t5-small 对应的 Inference endpoint 地址复制下来。
   

访问 LLM 模型

1. 在 Jupyter 中打开 2_grpc_request.ipynb 文件，并将上一步复制的地址赋给 infer_endpoint 变量。

infer_endpoint = "https://flan-t5-small-llm.apps.cluster-4cc45.dynamic.redhatworkshops.io"
1

2. 可以修改请求问题，然后运行2_grpc_request.ipynb 文件，即可获得由 flan-t5-small 生成的返回结果。

client.make_request("what is your name?", model_id=model_id)
1

3. 查看 llm 项目的 “拓扑” 视图，确认已经运行起 knative Service 来响应请求。
   

参考

https://access.redhat.com/documentation/en-us/red_hat_openshift_ai_self-managed/2.5/html/working_on_data_science_projects/serving-large-language-models_serving-large-language-models#about-the-single-model-serving-platform_serving-large-language-models
https://github.com/opendatahub-io/caikit-tgis-serving#installation
https://rh-aiservices-bu.github.io/rhoai-rh1-testdrive/modules/llm/download-save-llm.html
https://github.com/openshift-ai-examples/openshift-ai-examples/blob
https://rh-aiservices-bu.github.io/insurance-claim-processing/modules/03-01-notebook-based-llm.html