Výběr Azure řešení PaaS pro AI

Tento článek vysvětluje, jak vybrat prostředky pro řešení paaS (platforma jako služba) Azure AI.

Výběr prostředků pro generování úloh umělé inteligence

Generování umělé inteligence používá více prostředků ke zpracování vstupních dat a vytváření smysluplných výstupů. Pokud chcete vytvářet efektivní aplikace, například ty, které používají generování s rozšířením načítání (RAG), vyberte prostředky, které zakotvují modely AI a poskytují přesné výsledky.

Tady je obecný pracovní postup generativní umělé inteligence:

1. Přijměte žádost uživatele. Aplikace nebo agent AI obdrží dotaz nebo výzvu uživatele.
2. Koordinujte požadavek. Vrstva orchestrace koordinuje načítání a vyvolání modelu pro aplikaci nebo agenta AI.
3. Načtěte relevantní obsah. Pokud je vyžadováno ukotvení, vrstva orchestrace používá mechanismus vyhledávání a načítání k načtení relevantního obsahu z indexu nebo vektorové databáze.
4. Použijte podkladová data. Index nebo vektorová databáze obsahuje nebo indexuje podkladová data ze zdrojů, jako jsou Azure Storage, Azure SQL Database nebo Azure Cosmos DB.
5. Vygenerujte a vraťte odpověď. Vrstva orchestrace kombinuje požadavek uživatele s veškerým načteným obsahem a odešle požadavek do koncového bodu generativní AI. Model vygeneruje odpověď, která se vrátí zpět do aplikace AI nebo agenta AI.

Výběr zdrojů generativní AI

Použijte Microsoft Foundry k vytváření a správě aplikací a agentů pro generativní AI. Foundry poskytuje modely, agenty, nástroje, hodnocení, observabilitu a možnosti správy.

1. Vyberte model a způsob nasazení. Zvolte model, který splňuje vaše požadavky na funkčnost, kvalitu, soulad s předpisy a náklady. Vizte Možnost nasazení a Typ nasazení.

2. Vyberte orchestrátor. Určete, jak vaše aplikace nebo agent koordinuje požadavky modelu, načítání, nástroje, stav a logiku aplikace. Službu Foundry Agent Service použijte, když potřebujete funkce hostování a životního cyklu spravovaného agenta. Pokud vaše aplikace vlastní agenta nebo logiku pracovního postupu, použijte Microsoft Agent Framework.

3. Vyberte mechanismus vyhledávání a načítání znalostí. Použijte Azure AI Vyhledávač, pokud potřebujete spravovaný vyhledávací index napříč jedním nebo více zdroji obsahu. Zvažte databázi s vektorovými funkcemi, když embeddingy musí zůstat s provozními daty. Pomocí pokynů pro rozhodování o vektorovém vyhledávání Azure můžete porovnat podporované služby podle latence, škálování, frekvence aktualizací a požadavků na integraci.

4. Vyberte zdroj dat pro základní data. Ukládejte podkladová data do Azure Blob Storage pro obrázky, zvuk, video nebo velké datové sady. Můžete také použít databáze podporované službou Azure AI Vyhledávač nebo vektorové databáze.

5. Vyberte hosting aplikace. Pomocí Azure rozhodovacího stromu výpočetních prostředků vyberte výpočetní službu pro vaši aplikaci a podpůrné komponenty.

Výběr prostředků pro negenerativní úlohy AI

Negenerativní úlohy AI používají platformy, výpočetní prostředky, zdroje dat a nástroje pro zpracování dat k podpoře úloh strojového učení. Vyberte prostředky, které vám pomůžou sestavovat úlohy AI s předem připravenými nebo vlastními řešeními.

Negenerativní pracovní postup AI

Následující pracovní postup odpovídá výše uvedenému diagramu:

1. Aplikace AI ingestuje příchozí data.
2. Volitelný mechanismus zpracování dat extrahuje nebo transformuje data.
3. Koncový bod modelu AI analyzuje data.
4. Data můžete použít pro trénování nebo vyladění modelů AI.

Ne-generační výběr prostředků AI

Při vytváření negenerativních úloh AI postupujte takto:

1. Vyberte negenerativní platformu AI. Použijte nástroje Foundry nebo Machine Learning na základě vašich potřeb. Foundry Tools nabízejí předem připravené modely, které zjednodušují nasazení a snižují potřebu pokročilých dovedností v oblasti datových věd. Machine Learning umožňuje vyvíjet vlastní modely s vašimi daty a integrovat je do úloh.

2. Vyberte výpočetní prostředky pro trénování a inferenci. Azure Machine Learning používá výpočetní prostředky ke spouštění trénovacích úloh a nasazování modelů. Vyberte výpočetní kapacitu na základě výkonu úloh, škálování a požadavků na náklady. Většina předem připravených nástrojů Foundry zpřístupňuje spravovaná rozhraní API, takže pro službu nemusíte zřizovat výpočetní prostředky pro hostování modelu.

3. Vyberte zdroj dat. Pro Azure Machine Learning vyberte podporovaný zdroj dat pro trénovací a ověřovací data. V případě přizpůsobitelných nástrojů Foundry si prohlédněte data, úložiště a požadavky na rezidenci vybraného nástroje.

4. Vyberte hostování aplikace. Pomocí Azure rozhodovacího stromu výpočetních prostředků vyberte výpočetní službu pro vaši aplikaci a podpůrné komponenty.

5. Vyberte přístup ke zpracování dat (volitelné). Před vyvoláním modelu AI určete, jestli úloha vyžaduje transformaci dat, zpracování řízené událostmi nebo jiné předběžné zpracování. Vyberte službu pro zpracování dat Azure, která splňuje požadavky na zpracování úloh.

Další kroky

Uučte se o možnostech sítě Azure