Introduzione
I modelli linguistici sono strumenti potenti per la creazione di applicazioni di intelligenza artificiale generative, ma un modello di base autonomo potrebbe non soddisfare tutti i requisiti. La qualità, l'accuratezza e la coerenza delle risposte generate da un modello dipendono dalla modalità di configurazione e aumento.
Si immagini di lavorare come sviluppatore per un’azienda di viaggi. Si sta creando un'applicazione di chat per aiutare i clienti a rispondere alle domande relative ai viaggi. Il modello di base offre risposte decenti, ma il team ha esigenze specifiche: le risposte devono seguire il tono della voce dell'azienda, includere informazioni accurate sul catalogo hotel e mantenere un formato coerente tra le interazioni. Come si fa funzionare il modello a questo livello?
Esistono diverse strategie complementari che è possibile usare per ottimizzare le prestazioni di un modello di intelligenza artificiale generativa. Queste strategie vanno da rettifiche rapide e a basso costo a tecniche più coinvolte che richiedono tempo e risorse aggiuntive.
In questo modulo vengono esaminate ognuna di queste strategie e si apprenderà quando e come applicarle singolarmente o in combinazione.
In questo modulo, imparerai a:
- Applicare tecniche di progettazione dei prompt, inclusi i messaggi di sistema, l'apprendimento con pochi scatti e i parametri del modello per ottimizzare l'output del modello.
- Comprendere quando e come preparare un modello linguistico usando la generazione aumentata di recupero (RAG).
- Identificare quando l'ottimizzazione di un modello migliora la coerenza comportamentale.
- Confrontare le strategie di ottimizzazione e determinare quando combinarle.
Prerequisiti
- Familiarità con i concetti e i servizi di intelligenza artificiale fondamentali in Azure.
- Conoscenza di base dei modelli di intelligenza artificiale generativi e del modo in cui generano risposte.