Vanlige spørsmål om dyp resonnering

Disse ofte stilte spørsmålene (FAQ) beskriver AI-påvirkningen av funksjonen for dybdetankegang i Copilot Studio.

Hva er dyp resonnering?

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

Hvordan kan du bruke modeller for dyp resonnering i Copilot Studio?

Dyp resonneringsmodeller i Copilot Studio tilbyr kraftige muligheter for å lage sofistikerte agenter. Modeller som Azure OpenAI o3 bruker dyp resonnering for å styrke agentens beslutningsprosesser og gi mer presise svar.

Når du utvikler agenter, kan du legge til instruksjoner som spesifiserer agentens oppgaver og hvordan den utfører dem. 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 modeller for dyp resonnering for oppgaver som krever vitenskapelig forskning, komplekse spørsmål og dyptgående 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. Eksempel: Bruk resonner til å fastsette neste element i en matematisk serie, for eksempel 2, 5, 10, 17. Dette utløser resonneringsmodellen i kjøretiden for agenten for dette bestemte trinnet. Copilot Studio bruker for øyeblikket Azure OpenAI o3-modellen for sine avanserte resonnementsmuligheter.

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?

Dyp resonneringsmodeller brukt i Copilot Studio evalueres for jordnærhet, ansvarlig AI 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, instruksinjeksjonsangrep 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 utviklere minimere virkningen av disse begrensningene?

• Bruk av dyp resonnering-modeller: En agent kan bare bruke dyp resonnering-modeller hvis funksjonen for dyp resonnering-modeller 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.

Slik kan du minimere virkningen av disse begrensningene:

• Sørg for at egenskapene for dyp resonneringsmodeller bare er aktivert for de agentene som trenger dem.

• Bruk nøkkelordet reason i agentinstruksjoner kun for trinn som drar nytte av dyp resonnering-modeller.

• Bruk modeller for dyp resonnering for oppgaver som gir lengre responstid. Om nødvendig, gi brukerne beskjed om at noen svar fra agenten kan ta lenger 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 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 å avgjøre om resonnementsmodellen leverer den tiltenkte funksjonaliteten.

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