Omówienie możliwości platformy Foundry
Platforma Microsoft Foundry udostępnia interfejs użytkownika oparty na centrach i projektach. Ogólnie rzecz biorąc, tworzenie centrum zapewnia bardziej kompleksowy dostęp do usług Azure AI i Azure Machine Learning. W centrum można tworzyć projekty. Projekty zapewniają bardziej szczegółowy dostęp do modeli i tworzenia agentów. Możesz zarządzać projektami na stronie przeglądu firmy Microsoft Foundry.
Podczas tworzenia usługi Azure AI Hub kilka innych zasobów jest tworzonych razem, w tym zasób narzędzi Foundry. W rozwiązaniu Microsoft Foundry możesz przetestować wszystkie rodzaje narzędzi foundry, w tym usług Azure Speech, Azure Language, Azure Vision i Microsoft Foundry Content Safety.
Oprócz pokazów firma Microsoft Foundry udostępnia plac zabaw do testowania narzędzi Foundry Tools i innych modeli z katalogu modeli.
Dostosowywanie modeli
Istnieje wiele sposobów dostosowywania modeli w aplikacjach generacyjnych sztucznej inteligencji. Celem dostosowywania modelu jest zwiększenie aspektów jego wydajności, w tym jakości i bezpieczeństwa odpowiedzi. Przyjrzyjmy się czterem głównym sposobom dostosowywania modeli w usłudze Microsoft Foundry.
| Metoda | Opis |
|---|---|
| Korzystanie z danych uziemienia | Uziemienie odnosi się do procesu zapewnienia, że dane wyjściowe systemu są dostosowane do rzeczywistych, kontekstowych lub wiarygodnych źródeł danych. Podłączanie można wykonać na różne sposoby, takie jak połączenie modelu z bazą danych, używanie wyszukiwarek do pobierania informacji w czasie rzeczywistym lub integrowanie baz wiedzy specjalistycznych dla danej dziedziny. Celem jest zakotwiczenie odpowiedzi modelu na te źródła danych, zwiększenie wiarygodności i stosowania wygenerowanej zawartości. |
| Wdrażanie procesu generowania Retrieval-Augmented (RAG) | Rag rozszerza model językowy, łącząc go z zastrzeżoną bazą danych organizacji. Ta technika polega na pobieraniu odpowiednich informacji z wyselekcjonowanych zestawów danych i używaniu ich do generowania kontekstowych dokładnych odpowiedzi. Funkcja RAG zwiększa wydajność modelu, dostarczając mu up-to- data i informacje specyficzne dla domeny, co pomaga w generowaniu bardziej dokładnych i odpowiednich odpowiedzi. Funkcja RAG jest przydatna w przypadku aplikacji, w których dostęp w czasie rzeczywistym do danych dynamicznych ma kluczowe znaczenie, takie jak obsługa klienta lub systemy zarządzania wiedzą. |
| Dostrajanie | Obejmuje pobranie wstępnie wytrenowanego modelu i dalsze szkolenie go na mniejszym, specyficznym dla zadania zestawie danych, aby był bardziej odpowiedni dla określonej aplikacji. Ten proces pozwala modelowi specjalizować się i lepiej wykonywać określone zadania, które wymagają wiedzy specyficznej dla domeny. Dostrajanie jest przydatne w przypadku dostosowywania modeli do wymagań specyficznych dla domeny, poprawy dokładności i zmniejszenia prawdopodobieństwa wygenerowania nieistotnych lub niedokładnych odpowiedzi. |
| Zarządzanie kontrolami zabezpieczeń i zarządzania | Do zarządzania dostępem, uwierzytelnianiem i użyciem danych potrzebne są kontrole bezpieczeństwa i zarządzania. Te kontrolki pomagają zapobiec publikacji nieprawidłowych lub nieautoryzowanych informacji. |
Następnie dowiemy się, w jaki sposób firma Microsoft Foundry udostępnia narzędzia do generowania oceny wydajności aplikacji sztucznej inteligencji.