Poznámka:
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
Pomocí JavaScriptu můžete vytvářet generující funkce AI do webových, mobilních a desktopových aplikací. Tento přehled popisuje základní koncepty, nástroje a výukové materiály, které vám pomůžou začít.
Proč používat JavaScript pro AI?
Python je běžnou volbou pro trénování modelů AI, ale většina vývojářů aplikací používá modely prostřednictvím webových rozhraní API. Vzhledem k tomu, že JavaScript běží napříč prohlížeči a servery a zpracovává volání HTTP dobře, je to praktická volba pro vytváření aplikací AI.
Podívejte se na doprovodný kurz
Využijte doprovodný kurz a naučte se prostřednictvím videí, praktických projektů a kompletního end-to-end příkladu.
Pokud jste student nebo nový vývojář, tento kurz vám poskytne praktický způsob, jak se naučit AI. Pokud už vytváříte aplikace profesionálně, pomůže vám to prohlubovat dovednosti umělé inteligence.
V tomto kurzu:
- Seznamte se s AI a přineste si historické postavy do života pomocí generující umělé inteligence.
- Použití přístupnosti pomocí integrovaných rozhraní API prohlížeče
- Použití generování textu a obrázků k integraci umělé inteligence do prostředí aplikace
- Seznamte se se vzory architektury pro aplikace umělé inteligence.
Použijte průvodní aplikaci ke komunikaci s historickými charaktery
Co vědět o LLMs
Velké jazykové modely (LLM) jsou neurální sítě natrénované na velkých datových sadách, aby porozuměly a vygenerovaly text. Trénování obvykle začíná širokým základním modelem a pak přidává jemné ladění pro konkrétní úlohy. LLMs můžou pomoct se scénáři, jako je dokončování kódu a chat, ale mají také omezení, včetně kontextových oken a možných předsudků v trénovacích datech. Proto jsou zodpovědné postupy umělé inteligence, jako je nestrannost, spolehlivost, ochrana osobních údajů a odpovědnost.
Další informace najdete v relaci LLM kurzu.
Použití technik návrhu promptů
Navrhování promptů je praxe psaní promptů, které vedou model k lepším výsledkům. Pokud nepotřebujete příklady, použijte výzvy s nulovým snímkem nebo výzvy s několika snímky, když vám příklady pomůžou. Jasné pokyny, relevantní kontext a explicitní formáty výstupu často zlepšují odpovědi a připraví vás na pokročilejší vzory, jako je RAG.
Další informace o navrhování promptů naleznete na sezení v kurzu.
Zlepšení přesnosti a spolehlivosti AI s využitím RAG
Použijte generování s augmentovaným načítáním (RAG) k tomu, abyste zakotvili odpovědi modelu v aktuálních důvěryhodných datech. RAG kombinuje načítač, který najde relevantní obsah, s generátorem, který tento obsah používá k zodpovězení otázek. Tento přístup může zlepšit přesnost, usnadnit ověřování odpovědí a řídit náklady. Aplikace podpory nemovitostí může například použít firemní dokumenty k zodpovězení podrobných dotazů zákazníků.
Další informace najdete v relaci RAG kurzu:
Zrychlení vývoje umělé inteligence pomocí LangChain.js
Urychlíte své projekty AI pomocí LangChain.js. Tato javascriptová knihovna vám pomůže vytvářet šablony výzvy, propojit modely a úložiště vektorů a vytvářet složité pracovní postupy. Funguje dobře pro rychlé vytváření prototypů, jako je rozhraní API, které odpovídá na otázky z přepisů z YouTube. Až budete připraveni na produkční prostředí, můžete nahradit místní modely a vektorová úložiště službami Azure, aniž byste museli aplikaci přepisovat.
Další informace najdete v LangChain.js lekci kurzu.
Spouštění modelů AI na místním počítači pomocí Ollama
Pomocí Ollama můžete na svém počítači spouštět místní modely AI, včetně Phi-3. Místní modely snižují závislosti cloudu, podporují offline vývoj a zkracují vnitřní smyčku při testování nápadů. Vzhledem k tomu, že Ollama zveřejňuje rozhraní API kompatibilní s OpenAI, můžete ho integrovat do stávajících pracovních postupů JavaScriptu s minimálními změnami.
Další informace najdete v relaci kurzuOllama:
Začínáme s AI zdarma
AI můžete zdarma spustit pomocí Foundry Local, což vám umožní stáhnout modely AI a pracovat s nimi místně. K dispozici je také nástroj AI Toolkit pro Visual Studio Code, rozšíření, které podporuje stahování modelů, doladění a další funkce. Ollama je další oblíbenou volbou pro provozování místních modelů.
Modely můžete vyzkoušet také bez místního nastavení vytvořením GitHub Codespace a použitím poznámkového bloku Jupyter k testování návrhu výzev, few-shot learning a RAG.
Další informace najdete v sekci Phi-3 v rámci kurzu:
Úvod do Microsoft Foundry
Pomocí Microsoft Foundry můžete začít vytvářet generování aplikací AI pomocí JavaScriptu. Uspořádejte prostředky pomocí center a projektů, procházejte modely a nasaďte model pro testování v dětském hřišti. Bez ohledu na to, jestli používáte spravovaná výpočetní nebo bezserverová rozhraní API, pracovní postup zůstane stejný: zvolte model, nasaďte ho a integrujte ho do vaší aplikace.
Další informace najdete v sekci Foundry kurzu:
Vytváření aplikací generující AI pomocí služby Azure Cosmos DB
Další informace najdete v relaci služby Azure Cosmos DB kurzu:
Nástroje a služby Azure pro hostování a ukládání aplikací AI
Zjistěte, které nástroje a služby Azure odpovídají běžným architekturám aplikací AI, včetně chatovacích aplikací, aplikací RAG a autonomních agentů. Tato relace také ukazuje, jak pomocí Azure Developer CLI (AZD) nasadit aplikace a porovnat možnosti hostování bez serveru a kontejneru.
Další informace najdete v rámci kurzu v sekci nástroje a služby Azure.
Přenášet výstup generativní AI pomocí protokolu AI chatu
Protokol chatu AI slouží k podpoře komunikace mezi službou AI a klientskými aplikacemi v reálném čase. Odpovědi můžete streamovat z prohlížeče nebo ze serveru pro odvozování AI v závislosti na vaší architektuře. Při implementaci streamování naplánujte ochranu klíčů rozhraní API, bezpečnost dat a volbu protokolu. Klient protokolu podporuje metody jako getCompletion a getStreamedCompletion, jak je znázorněno v bezserverovém RAG s LangChain.js příkladu.
Další informace najdete v relaci streamování kurzu.