FAQ para raciocínio profundo

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

O que é o raciocínio profundo?

Os 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?

Os modelos de raciocínio profundo no Copilot Studio oferecem recursos poderosos para a criação de agentes sofisticados. Modelos como o Azure OpenAI o3 usam 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 ele as realiza. Essas tarefas podem variar de simples a altamente complexas, exigindo uma análise minuciosa.

Os fabricantes podem aplicar modelos de raciocínio a etapas específicas nas instruções do agente, aumentando a capacidade do agente de executar raciocínios avançados e fornecer resultados mais precisos e perspicazes. Você pode adicionar modelos de raciocínio profundos para tarefas que exigem pesquisa científica, perguntas complexas e análise aprofundada de dados não estruturados. Esses modelos fornecem informações além dos recursos de modelos mais simples.

Para usar modelos de raciocínio, adicione a palavra-chave reason a etapas específicas das instruções do agente. Por exemplo: Use a razão para determinar o próximo item de uma série matemática, como 2, 5, 10, 17. Isso aciona o modelo de raciocínio durante o tempo de execução do agente para essa etapa específica. Atualmente, o Copilot Studio usa o modelo o3 do Azure OpenAI 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:

• Avalie as tendências do mercado e recomende as melhores oportunidades de investimento. Modelos de raciocínio profundo podem dividir os dados de mercado em etapas menores e gerenciáveis; analisar tendências; e recomendar as melhores oportunidades de investimento. Podem considerar vários fatores, tais como dados históricos, condições de mercado atuais e projeções futuras, a fim de fornecer recomendações de investimento bem fundamentadas.

• Analise o aumento da demanda e recomende estratégias para gerenciar o 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 seu gerenciamento 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, os modelos de raciocínio profundo podem oferecer soluções claras e detalhadas para desafios matemáticos.

Como foram avaliados os modelos de raciocínio profundo 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 só retorne conteúdo fundamentado em um contexto específico do mundo real. A IA responsável verifica a proteção contra danos como ataques de jailbreak, ataques de injeção rápida entre domínios e conteúdo nocivo.

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 fabricantes podem minimizar o impacto dessas limitações?

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

• Tempo de resposta: Devido ao tempo necessário para a 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:

• Certifique-se de que os recursos dos modelos de raciocínio profundo estejam ativados apenas para os agentes que precisam deles.

• Use a palavra-chave reason nas instruções do 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 do agente podem levar mais tempo.

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

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

• Permita apenas modelos de raciocínio profundo para agentes que exijam etapas de raciocínio complexas. Isso garante que os modelos sejam aplicados onde podem fornecer o maior valor.

• Inclua a palavra-chave reason nas instruções para acionar o modelo em tempo de execução para tarefas específicas, não todas as tarefas que podem não exigir raciocínio complexo.

• Teste exaustivamente o agente para garantir a precisão e a confiabilidade da saída fornecida pelo modelo de raciocínio profundo. Os testes também ajudam a identificar possíveis problemas e garantem que o modelo tenha o desempenho esperado.

• Use o mapa de atividades para analisar onde seu agente usa modelos de raciocínio profundo em uma sessão. Expanda o nó de raciocínio profundo no mapa para rever os passos que o modelo executou e o resultado do modelo. Isso ajuda a determinar se o modelo de raciocínio está oferecendo a funcionalidade pretendida.

• Compare as saídas com e sem usar um modelo de raciocínio profundo atualizando suas instruções durante o teste.