Ofte stillede spørgsmål om dybt ræsonnement

Disse ofte stillede spørgsmål beskriver AI-effekten af den dybe argumenteringsfunktion i Copilot Studio.

Hvad er dyb ræsonnement?

Modeller til dybt ræsonnement er avancerede store sprogmodeller designet til at løse komplekse problemer. De overvejer omhyggeligt hvert spørgsmål og genererer en detaljeret intern tankekæde, før de giver et svar tilbage til brugeren.

Hvordan kan du bruge modeller til dybt ræsonnement i Copilot Studio?

I Copilot Studio tilbyder modeller til dybt ræsonnement effektive muligheder for at oprette sofistikerede agenter. Modeller som Azure OpenAI o3 bruger dyb ræsonnering til at forbedre agentens beslutningstagning og returnere mere nøjagtige svar.

Når du bygger agenter, kan du tilføje instruktioner, der definerer agentens opgaver, og hvordan de udføres. Disse opgaver kan variere fra enkle til meget komplekse og kræver grundig analyse.

Udviklere kan anvende ræsonnementsmodeller på bestemte trin i helpdesk-medarbejderens instruktioner, hvilket forbedrer helpdesk-medarbejderens evne til at udføre avanceret ræsonnement og levere mere nøjagtige og indsigtsfulde resultater. Du kan tilføje detaljerede ræsonneringsmodeller til opgaver, der kræver videnskabelig forskning, komplekse spørgsmål og dybdegående analyse af ustrukturerede data. Disse modeller giver indsigt ud over mulighederne i enklere modeller.

Hvis du vil bruge modeller til ræsonnement, skal du føje nøgleordet ræsonnement til bestemte trin i agentens instruktioner. Eksempel: Brug årsag til at bestemme det næste element i en matematisk serie, f.eks. 2, 5, 10, 17. Dette udløser ræsonneringsmodellen under agentens kørsel for det pågældende trin. Copilot Studio bruger i øjeblikket Azure OpenAI o3-modellen til sine avancerede ræsonneevner.

Hvad er de tilsigtede anvendelser af modeller til dyb ræsonnement?

 Modeller til dyb ræsonnement er designet til at håndtere komplekse opgaver, der kræver logisk ræsonnement, problemløsning og trinvis analyse. Du kan f.eks. bruge modeller til dyb ræsonnement til at:

• Evaluer markedstendenser og anbefal de bedste investeringsmuligheder. Modeller med dyb ræsonnement kan opdele markedsdata i mindre, håndterbare trin; analysere tendenser; og anbefale de bedste investeringsmuligheder. De kan overveje forskellige faktorer såsom historiske data, aktuelle markedsforhold og fremtidige fremskrivninger for at give velinformerede investeringsanbefalinger.

• Analysér øget efterspørgsel, og anbefal strategier til styring af lagerbeholdning. Modeller kan analysere mønstre i efterspørgsel og forsyning, forudsige fremtidige lagerbehov og anbefale strategier til effektiv lagerstyring. Ved at overveje faktorer som sæsonbestemte tendenser, markedsudsving og forsyningskædedynamik kan dybe ræsonnementsmodeller hjælpe virksomheder med at optimere deres lagerstyring.

• Løs differentialligninger og giv trin for trin forklaringer. Modeller kan løse komplekse matematiske problemer, såsom differentialligninger, og give trinvise forklaringer på løsningen. Ved at opdele problemet i mindre trin og anvende logisk ræsonnement kan dybe ræsonnementsmodeller tilbyde klare og detaljerede løsninger på matematiske udfordringer.

Hvordan blev modeller til dyb ræsonnement evalueret, og hvilke målinger bruges til at måle ydeevne?

Modeller til dybt ræsonnement, der bruges i Copilot Studio, evalueres for begrundelse, ansvarlig AI og nøjagtighed. Groundedness sikrer, at modellen kun returnerer indhold, der er baseret på en bestemt kontekst fra den virkelige verden. Ansvarlig kunstig intelligens kontrollerer, om der er beskyttelse mod skader som f.eks. jailbreak-angreb, angreb med hurtig indsprøjtning på tværs af domæner og skadeligt indhold.

For at måle i forhold til disse dimensioner testes modellerne i forhold til forskellige scenarier, og der gives point for hver af disse dimensioner. Alle modeller med dyb ræsonnement evalueres, før de frigives.

Hvad er begrænsningerne ved modeller til dyb ræsonnement? Hvordan kan skabere minimere virkningen af disse begrænsninger?

• Brug af ræsonneringsmodeller: En agent kan kun bruge detaljerede ræsonneringsmodeller, hvis detaljerede ræsonneringsmodelfunktioner er slået til i agentens indstillinger.

• Svartid: På grund af den tid, der kræves til analyse, har svar fra ræsonnementsmodeller tendens til at være langsommere sammenlignet med andre ikke-dybe ræsonnementssprogmodeller.

Hvis du vil minimere virkningen af disse begrænsninger, kan du:

• Sørg for, at egenskaber for omfattende ræsonneringsmodeller kun er slået til for agenter, der har brug for dem.

• Brug kun nøgleordsårsagen i agentvejledningen til trin, der drager fordel af detaljerede ræsonneringsmodeller.

• Brug modeller til dyb ræsonnement til opgaver, der giver mulighed for længere svartider. Giv om nødvendigt brugerne besked om, at nogle agentsvar kan tage længere tid.

Hvilke driftsmæssige faktorer og indstillinger gør det muligt at bruge modeller til dybt ræsonnement på en effektiv og ansvarlig måde?

Modeller til dybt ræsonnement omfatter forskellige beskyttelsesforanstaltninger, der sikrer, at administratorer, udviklere og brugere får en sikker oplevelse, der overholder angivne standarder:

• Tillad kun modeller til dyb ræsonnement for helpdesk-medarbejdere, der kræver komplekse ræsonnementstrin. Dette sikrer, at modellerne anvendes, hvor de kan give mest værdi.

• Medtag nøgleordet ræsonnement i instruktionerne for at udløse modellen under kørsel for bestemte opgaver, ikke alle opgaver, der muligvis ikke kræver kompleks ræsonnement.

• Test agenten grundigt for at sikre nøjagtigheden og pålideligheden af outputtet fra den dybe ræsonnementsmodel. Test hjælper også med at identificere eventuelle problemer og sikrer, at modellen fungerer som forventet.

• Brug aktivitetsoversigten til at se, hvor din agent bruger modeller til dybt ræsonnement i en session. Udvid noden for dybt ræsonnement i tilknytningen for at gennemgå de trin, modellen har udført, og modellens output. Dette hjælper dig med at afgøre, om ræsonneringsmodellen leverer den tilsigtede funktionalitet.

• Sammenlign output med og uden brug af en model med dyb ræsonnement ved at opdatere dine instruktioner under testen.