Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Mosaic AI dá suporte a aplicativos GenAI simples e complexos, desde chatbots de Geração Aumentada por Recuperação (RAG) até agentes que chamam ferramentas. Este guia do usuário explica os principais conceitos por trás de aplicativos GenAI e sistemas de agentes no Databricks e fornece diretrizes para a criação, avaliação e dimensionamento de aplicativos GenAI.
| Página | Description |
|---|---|
| Inicie: GenAI sem código | Experimente o Playground de IA para testes e protótipos baseados em interface do usuário. |
| Comece agora: MLflow 3 para GenAI | Experimente o MLflow para rastreamento, avaliação e feedback humano do GenAI. |
| Conceitos: GenAI no Databricks | Saiba mais sobre modelos, agentes, ferramentas e aplicativos do GenAI. |
| Plataforma: Principais recursos do GenAI | Encontre detalhes sobre os principais recursos do GenAI no Azure Databricks. |
Introdução à criação de aplicativos GenAI
Experimente o GenAI baseado em interface do usuário e baseado em código no Azure Databricks.
| Tutorial | Description |
|---|---|
| Comece: Consulte LLMs e prototipe agentes de IA sem código | Conheça o Playground de IA para testes e prototipagem baseada em interface do usuário. |
| Comece agora: MLflow 3 para GenAI | Experimente o MLflow para GenAI no rastreamento, avaliação e feedback humano. |
| Comece a consultar LLMs no Databricks | Use APIs de Modelos Fundamentais para consultar modelos GenAI com código. |
Aprender conceitos do GenAI
Familiarize-se com conceitos fundamentais do GenAI, como modelos, agentes, ferramentas e aplicativos.
| Guide | Description |
|---|---|
| Conceitos: IA generativa no Azure Databricks | Saiba mais sobre modelos, agentes, ferramentas e aplicativos do GenAI. |
| Principais desafios na criação de aplicativos GenAI | Saiba mais sobre os principais desafios do GenAI e como o Databricks os aborda. |
| Padrões de projeto de sistemas de agentes | Saiba mais sobre opções e compensações para designs de agente, desde cadeias simples até sistemas multiagentes complexos. |
Usar recursos do Azure Databricks para criar aplicativos GenAI
Para abordagens sem código ou de baixo código, comece a se familiarizar com:
| Característica | Description |
|---|---|
| Tijolos do Agente | Crie e otimize sistemas de agente de IA específicos do domínio e de alta qualidade para casos de uso comuns. |
| Parquinho de IA | Consultar modelos e agentes do GenAI, fazer engenharia de solicitações e prototipagem de agentes que acionam ferramentas em uma interface do usuário. |
| Funções de IA | Chame funções SQL internas para tarefas de IA. |
Para abordagens orientadas por código, comece a se familiarizar com:
| Característica | Description |
|---|---|
| MLflow para GenAI | Use o MLflow para rastreamento e observabilidade, avaliação e monitoramento. |
| Modelos de base no Model Serving | Use pontos de extremidade de modelo genai, incluindo APIs de Modelos de Fundação hospedados pelo Databricks e modelos externos. |
| Busca em vetores | Criar e consultar índices vetoriais para RAG e outros sistemas de agente. |
| Estrutura de Agentes do Mosaic AI | Crie e implante agentes de IA usando código. |
| Gateway de IA | Governe e monitore o acesso a modelos e endpoints do GenAI. |
Para obter uma lista mais detalhada, consulte os recursos de IA do Mosaico para GenAI.
Inteligência geral versus inteligência de dados
- A inteligência geral refere-se ao que o LLM inerentemente sabe de uma ampla pré-preparação em textos diversos. Isso é útil para fluência de linguagem e raciocínio geral.
- A inteligência de dados refere-se aos dados e APIs específicos do domínio da sua organização. Isso pode incluir registros de clientes, informações do produto, bases de dados de conhecimento ou documentos que refletem seu ambiente de negócios exclusivo.
Os sistemas de agente combinam essas duas fontes de conhecimento: eles começam com o conhecimento amplo e genérico de uma LLM e, em seguida, trazem dados específicos de domínio ou em tempo real para responder a perguntas detalhadas ou executar ações especializadas. Com o Azure Databricks, você pode inserir a inteligência de dados em seus aplicativos GenAI em todos os níveis:
- Fontes de dados como índices de vetor e Genie
- Agentes, incluindo tanto projetos de agentes personalizados quanto designs automatizados do Agent Bricks
- Dados e métricas de avaliação
- Otimização de prompt com base em dados de avaliação
- Ajuste fino do modelo, incluindo ajuste fino personalizado e ajuste automatizado pelo Agent Bricks
GenAI vs. ML vs. aprendizado profundo
Os limites entre genai (inteligência artificial generativa), ML (machine learning) e DL (aprendizado profundo) podem ser difusos. Este guia se concentra no GenAI, mas os seguintes recursos da plataforma Databricks dão suporte a ML, aprendizado profundo e GenAI:
- O Model Serving dá suporte a modelos de ML, aprendizado profundo e GenAI. Você pode usá-lo para inferência em lote do GenAI e para implantar agentes ou modelos ajustados usando o serviço de modelo personalizado.
- A computação de GPU sem servidor e o Databricks Runtime habilitado para GPU para Machine Learning podem ser usados para treinar e ajustar modelos de ML, aprendizado profundo e GenAI.
- O acompanhamento de experimentos do MLflow pode ser usado para acompanhar experimentos e execuções clássicos de ML e GenAI.
- O Repositório de Recursos do Databricks pode ser usado para gerenciar e fornecer dados estruturados para ML clássico e GenAI.