Nota:
El acceso a esta página requiere autorización. Puede intentar iniciar sesión o cambiar directorios.
El acceso a esta página requiere autorización. Puede intentar cambiar los directorios.
Mosaic AI admite tanto aplicaciones de inteligencia artificial generativa sencillas como complejas, desde bots de chat de generación aumentada mediante recuperación (RAG), hasta agentes que llaman a herramientas. En esta guía de usuario se explican los conceptos clave de las aplicaciones genAI y los sistemas de agente en Databricks y se proporcionan instrucciones para compilar, evaluar y escalar aplicaciones de GenAI.
| Página | Description |
|---|---|
| Introducción: GenAI sin código | Pruebe AI Playground para pruebas de IU y creación de prototipos. |
| Introducción: MLflow 3 para GenAI | Pruebe MLflow para el seguimiento, la evaluación y los comentarios humanos de GenAI. |
| Conceptos: GenAI en Databricks | Obtenga información sobre los modelos, agentes, herramientas y aplicaciones de GenAI. |
| Plataforma: características clave de GenAI | Busque detalles sobre las características clave de GenAI en Azure Databricks. |
Comienza a crear aplicaciones de IA Generativa
Pruebe GenAI basado en la interfaz de usuario y basado en código en Azure Databricks.
| Tutorial | Description |
|---|---|
| Comienza: Consulta con modelos de lenguaje y agentes de IA prototipo sin código | Familiarícese con AI Playground para pruebas y creación de prototipos basados en UI. |
| Introducción: MLflow 3 para GenAI | Pruebe MLflow para el seguimiento, la evaluación y los comentarios humanos de GenAI. |
| Introducción a la consulta de LLM en Databricks | Use las API de Foundation Model para consultar modelos de GenAI mediante código. |
Información sobre los conceptos de GenAI
Familiarícese con los conceptos fundamentales de GenAI, como modelos, agentes, herramientas y aplicaciones.
| Guía | Description |
|---|---|
| Conceptos: IA generativa en Azure Databricks | Obtenga información sobre los modelos, agentes, herramientas y aplicaciones de GenAI. |
| Desafíos clave en la creación de aplicaciones de GenAI | Obtenga información sobre los desafíos clave de GenAI y cómo Databricks los aborda. |
| Patrones de diseño del sistema del agente | Obtenga información sobre las opciones y desventajas para los diseños de agentes, desde cadenas simples hasta sistemas complejos multiagente. |
Uso de características de Azure Databricks para compilar aplicaciones de GenAI
Para los enfoques sin código o poco código, empiece por familiarizarse con:
| Característica | Description |
|---|---|
| Agente Bricks | Compile y optimice sistemas de agentes de IA específicos de un dominio y de alta calidad para casos de uso comunes. |
| AI Playground | Consultar los modelos y agentes de GenAI, realizar ingeniería rápida y crear prototipos de agentes de llamada a herramientas en una interfaz de usuario. |
| Funciones de IA | Llame a funciones SQL integradas para tareas de IA. |
Para los enfoques de code-first, empiece por familiarizarse con:
| Característica | Description |
|---|---|
| MLflow para GenAI | Use MLflow para realizar seguimientos y observabilidad, evaluación y supervisión. |
| Modelos fundamentales en Model Serving | Utilice puntos de conexión de modelo de GenAI, incluidas las API de Modelos Foundation hospedados por Databricks y los modelos externos. |
| Vector de búsqueda | Cree y consulte índices vectoriales para RAG y otros sistemas de agente. |
| Mosaic AI Agent Framework | Compile e implemente agentes de IA mediante código. |
| Puerta de enlace de IA | Controlar y supervisar el acceso a los modelos y puntos de conexión de GenAI. |
Para obtener una lista más detallada, consulte capacidades de Mosaic AI para GenAI.
Inteligencia general frente a inteligencia de datos
- La inteligencia general hace referencia a lo que el LLM conoce inherentemente de un amplio entrenamiento previo en texto diverso. Esto es útil para la fluidez del lenguaje y el razonamiento general.
- La inteligencia de datos hace referencia a los datos y API específicos del dominio de la organización. Esto puede incluir registros de clientes, información de productos, bases de conocimiento o documentos que reflejen su entorno empresarial único.
Los sistemas de agente combinan estas dos fuentes de conocimiento: comienzan con el conocimiento amplio y genérico de un LLM y, a continuación, aportan datos específicos en tiempo real o específicos del dominio para responder preguntas detalladas o realizar acciones especializadas. Con Azure Databricks, puede insertar inteligencia de datos en las aplicaciones de GenAI en todos los niveles:
- Orígenes de datos como índices vectoriales y Genie
- Agentes, incluidos los diseños personalizados de agentes y los diseños automatizados de Agent Bricks
- Métricas y datos de evaluación
- Optimización de la solicitud basada en los datos de evaluación
- Ajuste fino del modelo, incluyendo ajuste personalizado y ajuste automatizado por Agent Bricks
GenAI frente al aprendizaje automático frente al aprendizaje profundo
Los límites entre la inteligencia artificial generativa (GenAI), el aprendizaje automático (ML) y el aprendizaje profundo (DL) pueden ser aproximadas. Esta guía se centra en GenAI, pero las siguientes características de la plataforma de Databricks admiten aprendizaje automático, aprendizaje profundo y GenAI:
- Model Serving admite modelos de Aprendizaje automático, aprendizaje profundo y GenAI. Puede usarlo para la inferencia por lotes de GenAI e implementar agentes o modelos optimizados mediante el servicio de modelos personalizados.
- Computación GPU sin servidor y Databricks Runtime habilitado para GPU para Machine Learning se pueden usar para entrenar y ajustar modelos de aprendizaje automático, aprendizaje profundo y GenAI.
- El seguimiento de experimentos de MLflow se puede usar para realizar un seguimiento de los experimentos y ejecuciones clásicos de ML y GenAI.
- Databricks Feature Store se puede usar para administrar y servir datos estructurados para ML clásico y GenAI.