Comprendre comment ancrer votre modèle de langage

Les modèles de langage excellent dans la génération de texte attrayant et sont idéaux pour servir de base pour les agents. Les agents fournissent aux utilisateurs une application intuitive basée sur la conversation pour recevoir de l’aide dans le cadre de leur travail. Lors de la conception d’un agent pour un cas d’usage spécifique, vous voulez être sûr que votre modèle de langage s’appuie sur le réel et utilise des informations factuelles pertinentes pour ce dont l’utilisateur a besoin.

Bien que les modèles de langage soient entraînés sur une grande quantité de données, ils n’ont peut-être pas accès aux connaissances que vous souhaitez mettre à la disposition de vos utilisateurs. Pour garantir qu’une application s’appuie sur des données spécifiques pour fournir des réponses précises et spécifiques au domaine, vous pouvez utiliser la génération augmentée de récupération (RAG).

Présentation de RAG

RAG est une technique que vous pouvez adopter pour ancrer un modèle de langage. En d'autres termes, il s'agit d'un processus de récupération d'informations pertinentes pour le message initial de l'utilisateur. En général, le modèle RAG intègre les étapes suivantes :

1. Récupérer les données de base en fonction du prompt initiale entré par l’utilisateur.
2. Augmenter le prompt avec des données de base.
3. Utilisez un modèle de langage pour générer une réponse fondée.

En récupérant le contexte à partir d’une source de données spécifiée, vous garantissez que le modèle de langage utilise des informations pertinentes lors de sa réponse, au lieu de se reposer sur ses données d’entraînement.

L’utilisation de la RAG est une technique puissante et facile à utiliser pour de nombreux cas où vous voulez que votre modèle de langage s’appuie sur le réel et améliorer l’exactitude factuelle des réponses de votre application d’IA générative.

Ajout de données de base à un projet Azure AI

Vous pouvez utiliser Microsoft Foundry pour créer un agent personnalisé qui utilise vos propres données pour ancrer les invites. Microsoft Foundry prend en charge une plage de connexions de données que vous pouvez utiliser pour ajouter des données à un projet, notamment :

• Stockage Blob Azure
• Azure Data Lake Storage Gen2
• Microsoft OneLake

Vous pouvez aussi charger des fichiers ou des dossiers dans le stockage utilisé par votre projet AI Foundry.