Caricare dati e creare un indice

  • 12 minuti

Se da un lato è interessante utilizzare le funzionalità del modello per generare risposte a query generali non legate ai prodotti del Contoso Camping Store, dall'altro è consigliabile assicurarsi che il modello possa basare le sue richieste specifiche sui prodotti utilizzando il catalogo dei prodotti del Contoso Camping Store. Questo processo richiede la creazione di un chatbot RAG (Retrieval Augmented Generation) e di un indice.

RAG è un modello usato nell'intelligenza artificiale che sfrutta un modello LLM (modello linguistico di grandi dimensioni) per generare risposte con i propri dati. Quando un utente pone una domanda, viene eseguita una ricerca nell'archivio dati in base all'input dell'utente. La domanda dell'utente viene quindi combinata con i risultati corrispondenti e inviata a LLM usando un prompt (istruzioni esplicite per un modello di intelligenza artificiale o Machine Learning) per generare la risposta desiderata.

Screenshot del flusso del modello RAG. Il modello inizia con una domanda e quindi passa all'archivio dati, ai risultati corrispondenti, al prompt, all'LLM e infine alla risposta.

Per garantire il corretto funzionamento di RAG, è necessario trovare un modo per cercare e inviare i dati in modo semplice e conveniente agli LLM. Questo processo viene ottenuto usando un indice. Un indice è un archivio dati che consente di cercare questi ultimi in modo efficiente. Un indice può essere ottimizzato per i file LLM creando vettori (dati di testo convertiti in sequenze numeriche usando un modello di incorporamento). Un buon indice offre in genere funzionalità di ricerca efficienti, ad esempio ricerche di parole chiave, ricerche semantiche, ricerche vettoriali o una combinazione di questi esempi. Questo modello RAG ottimizzato può essere illustrato come segue.

Screenshot del flusso del modello RAG con un indice. Il modello inizia con una domanda e quindi passa all'indice, ai risultati corrispondenti, al prompt, all'LLM e infine alla risposta.

Azure per intelligenza artificiale fornisce un asset di indici da usare con il modello RAG. L'asset di indice contiene informazioni importanti, ad esempio:

  • Dove è archiviato l'indice?
  • Come accedere all'indice?
  • Quali sono le modalità di ricerca dell'indice?
  • L'indice dispone di vettori?
  • Qual è il modello di incorporamento usato per il vettore? E così via.

L'indice di Azure per intelligenza artificiale utilizza Azure AI Search come archivio di indici primario e consigliato. Azure AI Search è una risorsa di Azure che supporta il recupero delle informazioni sui dati vettoriali e testuali archiviati negli indici di ricerca.

Adesso si caricano i dati e quindi si crea un indice.

Caricare dati

I dati possono essere originati da una connessione di Archiviazione BLOB di Azure esistente, da un URL di archiviazione o essere stati caricati tramite l'interfaccia Aggiungi dati. Inoltre, i dati possono essere organizzati in un singolo file di riferimento o in una cartella.

Screenshot della finestra di aggiunta dati in Fonderia Azure AI.

Aggiungere i dati dei prodotti Contoso Camping Store tramite il caricamento della cartella prodotti.

  1. In Fonderia Azure AI, nel riquadro di spostamento a sinistra in Asset personali, selezionare Dati e indici.
  2. Selezionare + Nuovi dati.
  3. Per l'elenco a discesa Origine dati, selezionare Carica file/cartelle.
  4. Selezionare Carica file o cartelle>Carica cartella.
  5. Passare alla posizione in cui è stata salvata la cartella Prodotti e selezionarla per il caricamento.
  6. Selezionare Avanti.
  7. Per il campo Nome dati, immettere: Prodotti.
  8. Seleziona Crea.

Creare un indice

Ora che i dati sono caricati, creare un indice.

Screenshot di un indice denominato products-index creato in Fonderia Azure AI.

  1. Nel riquadro di spostamento a sinistra nella sezione Asset personali, selezionare Dati e indici.
  2. Selezionare la scheda Indici.
  3. Selezionare + Nuovo indice.
  4. Nella pagina Percorso origine per il campo Origine dati selezionare Dati in Fonderia Azure AI.
  5. Seleziona i prodotti.
  6. Selezionare Avanti.
  7. Nella pagina Impostazioni indice, selezionare il servizio AzureAISearch per Selezionare il servizio Azure AI Search.
  8. Per il campo Nome indice, immettere: products-index.
  9. Per il campo Macchina virtuale, selezionare Selezione automatica.
  10. Selezionare Avanti.
  11. Nella pagina Configura impostazioni di ricerca, selezionare la casella Aggiungere ricerca vettoriale a questa risorsa di ricerca.
  12. Selezionare Avanti.
  13. Nella pagina Rivedi e completa, selezionare Crea indice vettoriale.

Nota

La creazione dell'indice richiede circa 8 minuti. Al termine della creazione dell'indice, tutti e 3 i passaggi riporteranno Completato all'interno della sezione Stato.

Testare il modello con l'indice

È ora possibile tornare al Playground chat per testare il modello e verificare se è in grado di fondare le sue risposte sui prodotti Contoso Camping Store sull base dei dati dei prodotti forniti.

Screenshot della sezione di aggiunta dati all'interno del playground chat di Fonderia Azure AI. I campi per la sezione sono evidenziati.

  1. Passare a Playground chat.
  2. Nella pagina Playground chat, espandere la sezione Aggiungi dati nella sezione Configurazione.
  3. Selezionare l'elenco a discesa Selezionare l'indice di progetto disponibile e scegliere products-index.

Suggerimento

Attendere 2-3 minuti prima di procedere al passaggio successivo. Ciò dovrebbe consentire un tempo sufficiente per rendere effettivi gli aggiornamenti.

Nella finestra di chat, testare singolarmente i seguenti prompt per verificare se il modello fa riferimento ai dati del prodotto:

Richiesta Risposta di esempio
Quanto costa la tenda Contoso TrailMaster X4? La tenda Contoso TrailMaster X4 ha un prezzo di 250$.
Come si lavano i pantaloni da trekking Contoso TrailBlaze? Per lavare i pantaloni da trekking TrailBlaze, segui queste linee guida per la cura e la manutenzione:

1. Lavaggio in lavatrice: Usa acqua fredda e un detergente delicato.
2. Evita la candeggina e gli ammorbidenti: Non usare candeggina o ammorbidenti durante il lavaggio perché possono danneggiare il tessuto.
3. Lavaggio separato: Per ottenere risultati ottimali, lava i pantaloni separatamente o con colori simili, per evitare che il colore si sbiadisca o che il tessuto si danneggi.
4. Asciugatura: Appendi i pantaloni e lasciali asciugare naturalmente. Evita di usare l'asciugatrice perché il calore elevato può danneggiare il tessuto e compromettere le prestazioni dei pantaloni.
5. Stiratura: Se necessario, stira i pantaloni a un'impostazione bassa, assicurandoti che siano completamente asciutti prima di stirarli. Evita di applicare un calore eccessivo.

Seguendo queste istruzioni, potrai mantenere la qualità e le prestazioni dei tuoi pantaloni da trekking TrailBlaze.
Quali tipi di combustibile devo usare con il fornello da campeggio Contoso CompactCook? Il fornello da campeggio Contoso CompactCook è compatibile con i seguenti tipi di combustibile:

- Butano
- Propano
- Isobutano.

Questi tipi di combustibile offrono versatilità per le tue esigenze di cottura all'aperto.

Il modello dovrebbe ora fornire risposte sui prodotti Contoso Camping Store in base ai dati del prodotto forniti.