Comprendre les fonctionnalités de Foundry
Microsoft Foundry fournit une interface utilisateur basée sur les hubs et les projets. En général, la création d’un hub offre un accès plus complet à Azure AI et Azure Machine Learning. Dans un hub, vous pouvez créer des projets. Les projets fournissent un accès plus spécifique aux modèles et au développement d’agents. Vous pouvez gérer vos projets à partir de la page de présentation de Microsoft Foundry.
Lorsque vous créez un hub Azure AI, plusieurs autres ressources sont créées en tandem, notamment une ressource Foundry Tools . Dans Microsoft Foundry, vous pouvez tester toutes sortes d’outils Foundry, notamment Azure Speech, Azure Language, Azure Vision et Microsoft Foundry Content Safety.
En plus des démonstrations, Microsoft Foundry fournit des terrains de jeu pour tester Foundry Tools et d’autres modèles à partir du catalogue de modèles.
Personnalisation des modèles
Il existe de nombreuses façons de personnaliser les modèles dans les applications IA génératives. L’objectif de la personnalisation de votre modèle est d’améliorer les aspects de ses performances, notamment la qualité et la sécurité des réponses. Examinons quatre des principales façons de personnaliser les modèles dans Microsoft Foundry.
| Méthode | Description |
|---|---|
| Utilisation des données de base | L'ancrage fait référence au processus visant à garantir que les résultats d'un système sont alignés sur des sources de données réelles, contextuelles ou fiables. La mise à l’échelle peut être effectuée de différentes manières, telles que la liaison du modèle à une base de données, l’utilisation de moteurs de recherche pour récupérer des informations en temps réel ou l’incorporation de bases de connaissances spécifiques à un domaine. L’objectif est d’ancrer les réponses du modèle à ces sources de données, en améliorant la fiabilité et l’applicabilité du contenu généré. |
| Implémentation de la Génération augmentée de récupération (RAG) | RAG augmente un modèle de langage en le connectant à la base de données propriétaire d’une organisation. Cette technique consiste à extraire des informations pertinentes d’un ensemble de données sélectionnées et à les utiliser pour générer des réponses contextuellement précises. RAG améliore les performances du modèle en lui fournissant des informations à jour et spécifiques au domaine, ce qui permet de générer des réponses plus précises et pertinentes. RAG est utile pour les applications où l’accès en temps réel aux données dynamiques est crucial, comme le support client ou les systèmes de gestion des connaissances. |
| Ajustement | Implique de prendre un modèle préentraîné et de l’entraîner davantage sur un jeu de données plus petit et spécifique à une tâche pour le rendre plus adapté à une application particulière. Ce processus permet au modèle de se spécialiser et de mieux effectuer des tâches spécifiques qui nécessitent des connaissances spécifiques au domaine. Le réglage précis est utile pour adapter les modèles aux exigences spécifiques au domaine, améliorer la précision et réduire la probabilité de générer des réponses non pertinentes ou inexactes. |
| Gestion des contrôles de sécurité et de gouvernance | Les contrôles de sécurité et de gouvernance sont nécessaires pour gérer l’accès, l’authentification et l’utilisation des données. Ces contrôles empêchent la publication d’informations incorrectes ou non autorisées. |
Ensuite, nous allons comprendre comment Microsoft Foundry fournit des outils pour l’évaluation des performances des applications IA génératives.