Nota
O acesso a esta página requer autorização. Podes tentar iniciar sessão ou mudar de diretório.
O acesso a esta página requer autorização. Podes tentar mudar de diretório.
A Mosaic AI suporta aplicações GenAI simples e complexas, desde chatbots de Geração Aumentada de Recuperação (RAG) até agentes de chamada de ferramentas. Este guia de utilizador explica conceitos fundamentais por detrás das aplicações GenAI e dos sistemas de agentes em Databricks e fornece orientações para construir, avaliar e escalar aplicações GenAI.
| Página | Description |
|---|---|
| Comece: GenAI sem código | Experimenta o AI Playground para testes e prototipagem baseados em interface. |
| Introdução: MLflow 3 para GenAI | Experimenta o MLflow para rastreamento, avaliação e feedback humano do GenAI. |
| Conceitos: GenAI em Databricks | Saiba mais sobre modelos, agentes, ferramentas e aplicações GenAI. |
| Plataforma: Principais funcionalidades GenAI | Encontre detalhes sobre as principais funcionalidades do GenAI no Azure Databricks. |
Comece a construir aplicações GenAI
Experimenta GenAI baseado em UI e código no Azure Databricks.
| Tutorial | Description |
|---|---|
| Comece: Consulta LLMs e protótipo de agentes de IA sem código | Familiarize-se com o AI Playground para testes e prototipagem baseados em interface. |
| Introdução: MLflow 3 para GenAI | Experimenta o MLflow para rastreamento, avaliação e feedback humano do GenAI . |
| Comece a fazer consultas a LLMs no Databricks | Use APIs de Modelos Fundamentais para consultar modelos GenAI usando código. |
Aprende os conceitos do GenAI
Familiarize-se com conceitos fundamentais de GenAI, como modelos, agentes, ferramentas e aplicações.
| Guia | Description |
|---|---|
| Conceitos: IA Generativa no Azure Databricks | Saiba mais sobre modelos, agentes, ferramentas e aplicações GenAI. |
| Principais desafios na construção de aplicações GenAI | Saiba quais são os principais desafios da GenAI e como o Databricks os aborda. |
| Padrões de projeto do sistema de agentes | Aprenda sobre opções e compromissos nos designs de agentes, desde cadeias simples até sistemas complexos multi-agente. |
Use funcionalidades do Azure Databricks para construir aplicações GenAI
Para abordagens no-code ou low-code, comece por se familiarizar com:
| Característica | Description |
|---|---|
| Agente Bricks | Construir e otimizar sistemas de agentes de IA de alta qualidade e específicos de domínio para casos de uso comuns. |
| Parque Infantil AI | Consulta modelos e agentes GenAI, faz engenharia de prompts e protótipo de agentes de chamada de ferramentas numa interface. |
| Funções de IA | Chama funções SQL integradas para tarefas de IA. |
Para abordagens baseadas no código, comece por se familiarizar com:
| Característica | Description |
|---|---|
| MLflow para GenAI | Use o MLflow para rastreamento e observabilidade, avaliação e monitorização. |
| Modelos-base no Serviço de Modelos | Use os endpoints de modelos GenAI, incluindo API de Foundation Models alojadas no Databricks e os modelos externos. |
| Pesquisa vetorial | Criar e consultar índices de vetores para sistemas RAG e outros agentes. |
| Estrutura do Mosaic AI Agent | Construir e implementar agentes de IA usando código. |
| Gateway de IA | Controlar e monitorizar o acesso aos modelos e pontos finais de inteligência artificial generativa. |
Para uma lista mais detalhada, veja as capacidades do Mosaic AI para a GenAI.
Inteligência geral vs. inteligência de dados
- Inteligência geral refere-se ao que o LLM sabe inerentemente através de um pré-treino amplo em textos diversos. Isto é útil para a fluência linguística e raciocínio geral.
- Inteligência de dados refere-se aos dados e APIs específicos do domínio da sua organização. Isso pode incluir registros de clientes, informações sobre produtos, bases de dados de conhecimento ou documentos que reflitam seu ambiente de negócios exclusivo.
Os sistemas de agentes combinam estas duas fontes de conhecimento: começam com o conhecimento amplo e genérico de um LLM e depois trazem dados em tempo real ou específicos do domínio para responder a perguntas detalhadas ou realizar ações especializadas. Com o Azure Databricks, pode incorporar inteligência de dados nas suas aplicações GenAI em todos os níveis:
- Fontes de dados como índices vetoriais e Genie
- Agentes, incluindo tanto projetos personalizados de agentes como projetos automatizados da Agent Bricks
- Dados e métricas de avaliação
- Otimização de prompts baseada em dados de avaliação
- Ajuste fino de modelo, incluindo tanto ajuste fino personalizado como ajuste fino automático por Agent Bricks
GenAI vs. ML vs. deep learning
As fronteiras entre inteligência artificial generativa (GenAI), aprendizagem automática (ML) e aprendizagem profunda (DL) podem ser difusas. Este guia foca-se na GenAI, mas as seguintes funcionalidades da plataforma Databricks suportam ML, deep learning e GenAI:
- O Model Serving suporta modelos de ML, deep learning e GenAI. Podes usá-lo para inferência em lote GenAI e para implementar agentes ou modelos finamente ajustados usando serviço personalizado de modelos.
- Computação GPU serverless e Databricks Runtime para Aprendizagem Automática com GPU podem ser usados para treinar e afinar modelos de ML, aprendizagem profunda e GenAI.
- O rastreamento de experimentos MLflow pode ser usado para acompanhar tanto os experimentos e execuções clássicos de ML como os de GenAI.
- Databricks Feature Store pode ser utilizado para gerir e servir dados estruturados tanto para ML clássico como para GenAI.