Grundlegendes zu Foundry-Funktionen
Microsoft Foundry bietet eine Benutzeroberfläche basierend auf Hubs und Projekten. Im Allgemeinen bietet das Erstellen eines Hubs umfassenderen Zugriff auf Azure AI und Azure Machine Learning. Innerhalb eines Hubs können Sie Projekte erstellen. Projekte bieten spezifischeren Zugriff auf Modelle und Agent-Entwicklung. Sie können Ihre Projekte über die Übersichtsseite von Microsoft Foundry verwalten.
Wenn Sie einen Azure AI Hub erstellen, werden mehrere weitere Ressourcen zusammen erstellt, einschließlich einer Foundry Tools-Ressource . In Microsoft Foundry können Sie alle Arten von Foundry Tools testen, einschließlich Azure Speech, Azure Language, Azure Vision und Microsoft Foundry Content Safety.
Zusätzlich zu Demos bietet Microsoft Foundry Spielplätze zum Testen von Foundry Tools und anderen Modellen aus dem Modellkatalog.
Anpassen von Modellen
Es gibt viele Möglichkeiten, die Modelle in generativen KI-Anwendungen anzupassen. Der Zweck der Anpassung Ihres Modells besteht darin, Aspekte der Leistung zu verbessern, einschließlich Qualität und Sicherheit der Antworten. Sehen wir uns vier der wichtigsten Möglichkeiten zum Anpassen von Modellen in Microsoft Foundry an.
| Methode | Beschreibung |
|---|---|
| Verwenden von Erdungsdaten | Grounding bezieht sich auf den Prozess, sicherzustellen, dass die Ausgaben eines Systems auf faktenbezogene, kontextbezogene oder zuverlässige Datenquellen ausgerichtet werden. Die Erdung kann auf verschiedene Weise erfolgen, z. B. das Verknüpfen des Modells mit einer Datenbank, die Nutzung von Suchmaschinen zum Abrufen von Echtzeitinformationen oder das Einbinden domänenspezifischer Wissensbasen. Ziel ist es, die Antworten des Modells auf diese Datenquellen zu verankern und die Vertrauenswürdigkeit und Anwendbarkeit der generierten Inhalte zu verbessern. |
| Implementierung von Retrieval Augmented Generation (RAG) | RAG erweitert ein Sprachmodell, indem es mit der proprietären Datenbank einer Organisation verbunden wird. Bei dieser Technik werden relevante Informationen aus einem kuratierten Dataset abgerufen und verwendet, um kontextbezogene genaue Antworten zu generieren. RAG verbessert die Leistung des Modells durch die Bereitstellung aktueller und domänenspezifischer Informationen, die bei der Generierung genauerer und relevanter Antworten helfen. RAG ist für Anwendungen nützlich, bei denen der Echtzeitzugriff auf dynamische Daten von entscheidender Bedeutung ist, z. B. Kundensupport oder Wissensmanagementsysteme. |
| Optimierung | Umfasst die Übernahme eines vortrainierten Modells und eine Weiterbildung auf einem kleineren, aufgabenspezifischen Dataset, um es für eine bestimmte Anwendung besser geeignet zu machen. Dieser Prozess ermöglicht es dem Modell, sich auf bestimmte Aufgaben zu spezialisieren und durchzuführen, die domänenspezifische Kenntnisse erfordern. Feinabstimmungen sind nützlich, um Modelle an domänenspezifische Anforderungen anzupassen, die Genauigkeit zu verbessern und die Wahrscheinlichkeit zu verringern, irrelevante oder ungenaue Antworten zu generieren. |
| Verwalten von Sicherheits- und Governance-Kontrollen | Sicherheits- und Governancekontrollen sind erforderlich, um die Zugriffs-, Authentifizierungs- und Datennutzung zu verwalten. Diese Steuerelemente verhindern die Veröffentlichung falscher oder nicht autorisierter Informationen. |
Als Nächstes wollen wir verstehen, wie Microsoft Foundry Werkzeuge für die Bewertung der Leistung generativer KI-Anwendungen bereitstellt.