A nyelvi modell alapjainak megismerése
A nyelvi modellek kiválóan használhatók a vonzó szövegek létrehozásában, és ideálisak a copilotok alapjául. A copilotok intuitív csevegőalkalmazást biztosítanak a felhasználóknak, hogy segítséget kapjanak a munkájukhoz. Ha egy adott használati esethez tervez egy copilotot, győződjön meg arról, hogy a nyelvi modell megalapozott, és olyan tényszerű információkat használ, amelyek relevánsak a felhasználó igényeihez.
Bár a nyelvi modellek nagy mennyiségű adatra vannak betanítve, előfordulhat, hogy nem férnek hozzá a felhasználók számára elérhetővé tenni kívánt ismeretekhez. Annak biztosítása érdekében, hogy a copilotok adott adatokra alapozottak legyenek, hogy pontos és tartományspecifikus válaszokat adjanak, használhatja a Retrieveal Augmented Generation (RAG) parancsot.
A RAG ismertetése
A RAG egy olyan technika, amellyel egy nyelvi modellt alapezhet. Más szóval ez a folyamat a felhasználó kezdeti kéréséhez kapcsolódó információk lekérésére szolgál. Általánosságban elmondható, hogy a RAG-minta a következő lépéseket foglalja magában:
- Az alapadatok lekérése a felhasználó által megadott kezdeti kérés alapján.
- Bővítse a kérést földelési adatokkal.
- A nyelvi modell használatával alapozott választ hozhat létre .
Ha egy adott adatforrásból beolvassa a kontextust, a nyelvi modell a betanítási adatok használata helyett a megfelelő információkat használja a válaszhoz.
A RAG használata egy hatékony és könnyen használható technika sok esetben, amikor szeretné megalapozni a nyelvi modellt, és javítani szeretné a copilot válaszainak tényszerű pontosságát.
Földelési adatok hozzáadása Azure AI-projekthez
Az Azure AI Studióval létrehozhat egy egyéni másodpilótát, amely a saját adatait használja a kérések lekéréséhez. Az Azure AI Studio számos adatkapcsolatot támogat, amelyekkel adatokat adhat hozzá egy projekthez, például:
- Azure Blob Storage
- Azure Data Lake Storage Gen2
- Microsoft OneLake
Fájlokat vagy mappákat is feltölthet az AI Studio-projekt által használt tárolóba.
