Vysvětlení toho, jak zamyšlet jazykový model
Jazykové modely excelují při generování poutavého textu a jsou ideální jako základ pro kopírky. Copiloty poskytují uživatelům intuitivní chatovací aplikaci, která jim poskytne pomoc při práci. Při navrhování kopírovacíholotu pro konkrétní případ použití chcete zajistit, aby byl jazykový model uzemněný a používal faktické informace, které jsou relevantní pro to, co uživatel potřebuje.
I když jsou jazykové modely natrénované na obrovském množství dat, nemusí mít přístup ke znalostem, které chcete zpřístupnit uživatelům. Pokud chcete zajistit, aby byl kopírovací graf založený na konkrétních datech, abyste mohli poskytovat přesné odpovědi specifické pro doménu, můžete použít rag (Retrieval Augmented Generation).
Principy RAG
RAG je technika, kterou můžete použít k uzemnění jazykového modelu. Jinými slovy, jedná se o proces načítání informací, které jsou relevantní pro počáteční výzvu uživatele. Obecně platí, že vzor RAG zahrnuje následující kroky:
- Načítá základní data na základě počáteční výzvy zadané uživatelem.
- Rozšiřte výzvu o zemnění dat.
- K vygenerování základní odpovědi použijte jazykový model.
Načtením kontextu ze zadaného zdroje dat zajistíte, aby jazykový model při odpovídání používal relevantní informace, a nespoléhat se na trénovací data.
Použití RAG je výkonná a snadno použitelná technika pro mnoho případů, ve kterých chcete uzemnit jazykový model a zlepšit přesnost odpovědí zkopírovaného počítače.
Přidání podkladových dat do projektu Azure AI
Azure AI Studio můžete použít k vytvoření vlastního copilotu, který používá vlastní data k uzemnění výzev. Azure AI Studio podporuje řadu datových připojení, která můžete použít k přidání dat do projektu, včetně:
- Azure Blob Storage
- Azure Data Lake Storage Gen2
- Microsoft OneLake
Soubory nebo složky můžete také nahrát do úložiště používaného projektem AI Studio.
