Vanlige spørsmål om dyp resonnering

Disse vanlige spørsmålene beskriver AI-virkningen av den dype resonnementsfunksjonen i Copilot Studio.

Hva er dyp resonnering?

Modeller for dyp resonnering er avanserte storspråkmodeller utviklet for å løse komplekse problemer. De vurderer nøye hvert spørsmål, genererer en detaljert intern tankekjede før de gir et svar tilbake til brukeren.

Hvordan brukes modeller for dyp resonnering i Copilot Studio?

Modeller for dyp resonnering i Copilot Studio har kraftige funksjoner for oppretting av sofistikerte agenter. Modeller som Azure OpenAI o3 bruker dype resonnementer for å forbedre beslutningsprosesser for agenter og returnere mer nøyaktige svar.

Når du bygger agenter, kan du legge til instruksjoner som definerer agentens oppgaver og hvordan de utføres. Disse oppgavene kan variere fra enkle til svært komplekse, og krever grundig analyse.

Opprettere kan bruke resonneringsmodeller på bestemte trinn i agentens instruksjoner, noe som forbedrer agentens evne til å utføre avansert resonnement og levere mer nøyaktige og innsiktsfulle resultater. Du kan legge til dype resonneringsmodeller for oppgaver som krever vitenskapelig forskning, komplekse spørsmål og grundig analyse av ustrukturerte data. Disse modellene gir innsikt utover mulighetene til enklere modeller.

Du kan bruke resonneringsmodeller ved å legge til nøkkelordet resonner i bestemte trinn i agentinstruksjoner. For eksempel: Bruk grunn til å bestemme neste element i en matematisk serie, for eksempel 2, 5, 10, 17. Dette utløser årsaksmodellen under agentens kjøretid for det bestemte trinnet. Copilot Studio bruker for øyeblikket Azure OpenAI o3-modellen for sine avanserte resonneringsfunksjoner.

Hva er den tiltenkte bruken av modeller for dyp resonnering?

 Modeller for dyp resonnering er utformet for å håndtere komplekse oppgaver som krever logisk resonnement, problemløsing og trinnvis analyse. Du kan for eksempel bruke modeller for dyp resonnering til følgende:

• Evaluer markedstrender og anbefale de beste investeringsmulighetene. Modeller for dyp resonnering kan bryte ned markedsdata i mindre, håndterbare trinn; analysere trender; og anbefale de beste investeringsmulighetene. De kan vurdere ulike faktorer som historiske data, nåværende markedsforhold og fremtidige prognoser for å gi velinformerte investeringsanbefalinger.

• Analyser økt etterspørsel, og anbefal strategier for å administrere lager. Modeller kan analysere mønstre i etterspørsel og forsyning, forutsi fremtidige lagerbehov og anbefale strategier for å administrere lagerbeholdning effektivt. Ved å vurdere faktorer som sesongmessige trender, markedssvingninger og forsyningskjededynamikk, kan modeller for dyp resonnering hjelpe bedrifter med å optimalisere lagerstyringen.

• Løs differensialligninger og gi trinnvise forklaringer. Modeller kan løse komplekse matematiske problemer, for eksempel differensialligninger, og gi trinnvise forklaringer av løsningen. Ved å bryte ned problemet i mindre trinn og bruke logisk resonnement, kan modeller for dyp resonnering tilby klare og detaljerte løsninger på matematiske utfordringer.

Hvordan ble modeller for dyp resonnering evaluert, og hvilke måledata brukes til å måle ytelse?

Modeller for dyp resonnering som brukes i Copilot Studio, evalueres for forankring, ansvarlig KI og nøyaktighet. Groundedness sørger for at modellen bare returnerer innhold som er forankret i en bestemt, virkelig kontekst. Ansvarlig KI ser etter beskyttelse mot trusler som jailbreak-angrep, spørringsinjeksjonsangrep på tvers av domener og skadelig innhold.

For å måle mot disse dimensjonene testes modellene mot et mangfoldig sett med scenarier og scores langs hver av disse dimensjonene. Alle modeller for dyp resonnering evalueres før de slippes.

Hva er begrensningene til modeller for dyp resonnering? Hvordan kan beslutningstakere minimere virkningen av disse begrensningene?

• Bruk av resonneringsmodeller: En agent kan bare bruke dype resonneringsmodeller hvis dype resonnementmodellfunksjoner er aktivert i agentens innstillinger.

• Responstid: På grunn av tiden analysen tar, tar det vanligvis lengre tid før resonneringsmodeller svarer, i forhold til andre språkmodeller som ikke bruker dyp resonnering.

Hvis du vil minimere virkningen av disse begrensningene, kan du:

• Sørg for at dype funksjonaliteter for resonneringsmodeller bare er aktivert for agenter som trenger dem.

• Bruk nøkkelordårsaken i agentinstruksjoner bare for trinn som drar nytte av dype resonneringsmodeller.

• Bruk modeller for dyp resonnering for oppgaver som gir lengre responstid. Hvis det er nødvendig, kan du la brukerne få vite at noen agentsvar kan ta lengre tid.

Hvilke driftsfaktorer og innstillinger gjør at modeller for dyp resonnering kan brukes effektivt og ansvarlig?

Modeller for dyp resonnering inkluderer ulike beskyttelser for å sikre at administratorer, utviklere og brukere får en trygg og kompatibel opplevelse:

• Tillat bare modeller for dyp resonnering for agenter som krever komplekse resonneringstrinn. Dette sikrer at modellene brukes der de kan gi mest mulig verdi.

• Ta med nøkkelordet resonner i instruksjonene for å utløse modellen ved kjøretid for bestemte oppgaver, ikke alle oppgavene, siden kanskje ikke alle oppgavene krever kompleks resonnering.

• Test agenten grundig for å sikre nøyaktigheten og påliteligheten til utdataene fra den dype resonneringsmodellen. Testing bidrar også til å identifisere potensielle problemer og sikrer at modellen fungerer som forventet.

• Bruk aktivitetskartet til å se gjennom hvor agenten bruker modeller for dyp resonnering i en økt. Utvid noden for dyp resonnering i kartet for å se gjennom trinnene modellen utførte og utdataene fra modellen. Dette hjelper deg med å finne ut om årsaksmodellen leverer den tiltenkte funksjonaliteten.

• Sammenlign utdataene med og uten å bruke en modell for dyp resonnering ved å oppdatere instruksjonene dine under testingen.