다음을 통해 공유

코드 없이 Azure Machine Learning 파이프라인을 사용하여 RAG 파이프라인 구문(미리 보기)

  • 아티클

이 문서에서는 RAG 파이프라인을 만드는 방법에 대한 예시를 제공합니다. 고급 시나리오의 경우 RAG 워크플로를 세부적으로 제어할 수 있는 코드(일반적으로 Notebooks)에서 고유한 사용자 지정 Azure Machine Learning 파이프라인을 빌드할 수 있습니다. Azure Machine Learning은 데이터 청크, 포함 만들기, 테스트 데이터 만들기, 자동 프롬프트 만들기, 프롬프트 평가를 위한 여러 포함 파이프라인 구성 요소를 제공합니다. 이러한 구성 요소는 Notebooks를 사용하여 필요에 따라 사용할 수 있습니다. LangChain의 Azure Machine Learning에서 만들어진 벡터 인덱스를 사용할 수도 있습니다.

Important

이 기능은 현재 공개 미리 보기로 제공됩니다. 이 미리 보기 버전은 서비스 수준 계약 없이 제공되며, 프로덕션 워크로드에는 권장되지 않습니다. 특정 기능이 지원되지 않거나 기능이 제한될 수 있습니다.

자세한 내용은 Microsoft Azure Preview에 대한 추가 사용 약관을 참조하세요.

필수 구성 요소

  • Azure 구독 Azure 구독이 아직 없는 경우 무료 계정을 만듭니다.

  • Azure OpenAI에 액세스.

  • Azure Machine Learning 작업 영역에서 프롬프트 흐름을 사용하도록 설정합니다.

Azure Machine Learning 작업 영역의 미리 보기 기능 관리 패널에서 프롬프트 흐름을 사용하여 AI 솔루션 빌드을 켜서 프롬프트 흐름을 사용하도록 설정할 수 있습니다.

프롬프트 흐름 파이프라인 Notebook 샘플 리포지토리

Azure Machine Learning은 프롬프트 흐름 파이프라인이 포함된 여러 사용 사례에 대한 Notebook 자습서를 제공합니다.

QA 데이터 생성

QA 데이터 생성을 사용하면 RAG에 대한 최상의 프롬프트를 가져오고 RAG에 대한 메트릭을 평가할 수 있습니다. 이 Notebook은 데이터(Git repo)에서 QA 데이터 세트를 만드는 방법을 보여 줍니다.

테스트 데이터 생성 및 자동 프롬프트

벡터 인덱스를 사용하여 검색 증강 생성 모델을 빌드하고 테스트 데이터 세트의 프롬프트 흐름을 평가합니다.

FAISS 기반 벡터 인덱스 만들기

Azure Machine Learning 파이프라인을 설정하여 Git Repo를 가져오고, 데이터를 청크로 처리하고, 청크를 삽입하고, langchain 호환 FAISS 벡터 인덱스를 만듭니다.

다음 단계

Azure Machine Learning 프롬프트 흐름에서 벡터 인덱스를 만드는 방법(미리 보기)

Azure Machine Learning과 함께 벡터 저장소 사용(미리 보기)