Perguntas frequentes sobre raciocínio profundo

Essas perguntas frequentes descrevem o impacto da IA do recurso de raciocínio profundo no Copilot Studio.

O que é raciocínio profundo?

Modelos de raciocínio profundo são modelos avançados de linguagem grande projetados para resolver problemas complexos. Eles consideram cuidadosamente cada pergunta, gerando uma cadeia interna detalhada de pensamento antes de fornecer uma resposta de volta ao usuário.

Como você pode usar modelos de raciocínio profundo no Copilot Studio?

Modelos de raciocínio profundo no Copilot Studio oferecem recursos avançados para a criação de agentes sofisticados. Modelos como o Azure OpenAI o3 usam um raciocínio profundo para aprimorar a tomada de decisões do agente e retornar respostas mais precisas.

Ao criar agentes, você pode adicionar instruções que definem as tarefas do agente e como ela as realiza. Essas tarefas podem variar de simples a altamente complexas, exigindo uma análise minuciosa.

Os criadores podem aplicar modelos de raciocínio a etapas específicas nas instruções do agente, aprimorando a capacidade do agente de realizar raciocínio avançado e entregar resultados mais precisos e perspicazes. Você pode adicionar modelos de raciocínio profundos para tarefas que exigem pesquisa científica, perguntas complexas e análise detalhada de dados não estruturados. Esses modelos fornecem insights além dos recursos de modelos mais simples.

Para usar modelos de raciocínio, adicione a palavra-chave raciocínio a etapas específicas das instruções do agente. Por exemplo: use o motivo para determinar o próximo item em uma série matemática, como 2, 5, 10, 17. Isso dispara o modelo de raciocínio durante o runtime do agente para essa etapa específica. Atualmente, o Copilot Studio usa o modelo Azure OpenAI o3 para seus recursos avançados de raciocínio.

Quais são os usos pretendidos dos modelos de raciocínio profundo?

 Os modelos de raciocínio profundo são projetados para lidar com tarefas complexas que exigem raciocínio lógico, resolução de problemas e análise passo a passo. Por exemplo, você pode usar modelos de raciocínio profundo para:

• Avaliar tendências de mercado e recomendar as melhores oportunidades de investimento. Modelos de raciocínio profundo podem dividir os dados do mercado em etapas menores e gerenciáveis; analisar tendências; e recomendar as melhores oportunidades de investimento. Eles podem considerar vários fatores, como dados históricos, condições atuais do mercado e projeções futuras para fornecer recomendações de investimento bem informadas.

• Analisar o aumento da demanda e recomendar estratégias para gerenciar estoque. Os modelos podem analisar padrões de demanda e oferta, prever necessidades futuras de estoque e recomendar estratégias para gerenciar o estoque de forma eficaz. Ao considerar fatores como tendências sazonais, flutuações de mercado e dinâmica da cadeia de suprimentos, modelos de raciocínio profundo podem ajudar as empresas a otimizar sua gestão de estoque.

• Resolva equações diferenciais e forneça explicações passo a passo. Os modelos podem resolver problemas matemáticos complexos, como equações diferenciais, e fornecer explicações passo a passo da solução. Ao dividir o problema em etapas menores e aplicar o raciocínio lógico, modelos de raciocínio profundo podem oferecer soluções claras e detalhadas para desafios matemáticos.

Como os modelos de raciocínio profundo foram avaliados e quais métricas são usadas para medir o desempenho?

Os modelos de raciocínio profundo usados no Copilot Studio são avaliados quanto à fundamentação, IA responsável e precisão. Fundamentação é garantir que o modelo retorne apenas conteúdo fundamentado em um contexto específico do mundo real. A IA responsável verifica a proteção contra danos, como ataques de jailbreak, ataques de injeção de prompts entre domínios e conteúdo prejudicial.

Para medir essas dimensões, os modelos são testados em relação a um conjunto diversificado de cenários e pontuados ao longo de cada uma dessas dimensões. Todos os modelos de raciocínio profundo são avaliados antes de serem lançados.

Quais são as limitações dos modelos de raciocínio profundo? Como os criadores podem minimizar o impacto dessas limitações?

• Uso de modelos de raciocínio: um agente só poderá usar modelos de raciocínio profundo se recursos de modelo de raciocínio profundo estiverem ativados nas configurações do agente.

• Tempo de resposta: Devido ao tempo necessário para análise, as respostas dos modelos de raciocínio tendem a ser mais lentas em comparação com outros modelos de linguagem de raciocínio não profundo.

Para minimizar o impacto dessas limitações, você pode:

• Verifique se os recursos de modelos de raciocínio profundo estão ativados apenas para agentes que precisam deles.

• Use a palavra-chave motivo nas instruções para o agente apenas para etapas que se beneficiam de modelos de raciocínio profundo.

• Use modelos de raciocínio profundo para tarefas que permitem tempos de resposta mais longos. Se necessário, informe aos usuários que algumas respostas de agente podem levar mais tempo.

Quais fatores e configurações operacionais permitem o uso eficaz e responsável dos modelos de raciocínio profundo?

Os modelos de raciocínio profundo incluem várias proteções para garantir que administradores, criadores e usuários desfrutem de uma experiência segura e compatível:

• Só permita modelos de raciocínio profundo para agentes que exijam etapas complexas de raciocínio. Isso garante que os modelos sejam aplicados onde podem fornecer mais valor.

• Inclua a palavra-chave raciocínio nas instruções para disparar o modelo no runtime para tarefas específicas, não para todas as tarefas que podem não exigir raciocínio complexo.

• Teste minuciosamente o agente para garantir a precisão e confiabilidade da saída fornecida pelo modelo de raciocínio profundo. O teste também ajuda a identificar possíveis problemas e garante que o modelo tenha o desempenho esperado.

• Use o mapa de atividades para revisar onde seu agente usa modelos de raciocínio profundo em uma sessão. Expanda o nó de raciocínio profundo no mapa para revisar as etapas executadas pelo modelo e a saída do modelo. Isso ajuda você a determinar se o modelo de raciocínio está fornecendo a funcionalidade pretendida.

• Compare as saídas com e sem o uso de um modelo de raciocínio profundo atualizando suas instruções durante os testes.