Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
Door Microsoft Copilot afstemmen te gebruiken, kunnen organisaties AI-modellen aanpassen om hun unieke terminologie, communicatiestijl en bedrijfsprocessen weer te geven. Wanneer je grote taalmodellen (LLM's) afstemt met je eigen gegevens, kun je de nauwkeurigheid, toon en relevantie van Copilot-antwoorden in je tenant verbeteren.
Copilot afstemmen gaat verder dan bewaren en ophalen om tenantspecifieke LLM's te trainen op de gegevens van je organisatie met behoud van robuuste bedrijfsbeveiligings-, nalevings-, governance- en beheercontroles. De LLM's zijn afgestemd op specifieke taken zoals documentsamenvatting, documenten schrijven, deskundig antwoord, stijlbewerking, documentvalidatie en optimalisatie.
In dit artikel wordt het proces beschreven voor het afstemmen van taakspecifieke agents in Microsoft Copilot voor uw organisatie.
Belangrijk
Microsoft Copilot afstemmen is momenteel beschikbaar voor een beperkt aantal klanten via programma's voor vroege toegang. Toegang via Frontier is gepland voor april 2026. Functies en vereisten kunnen worden gewijzigd.
Overzicht van het proces verfijnen
Als je AI-modellen voor je organisatie wilt verfijnen met behulp van Copilot afstemmen - Model afstemmen, volg je deze trainings- en afstemmingsstappen:
Taakspecifieke aanpassing: gegevens voorbereiden voor training. Elke taak heeft zijn eigen recept voor het voorbereiden van de juiste organisatiegegevens voor het afstemmen.
Fijnafstemmingstraining : elke taak heeft zijn eigen recept en afstemmingstechniek voor het beste resultaat door gebruik te maken van organisatiegegevens. Deze technieken omvatten, maar zijn niet beperkt tot, Supervised Fine Tuning (SFT), Reinforcement learning (RL) en Reasoning Fine Tuning (RFT). Deze recepten en technieken evolueren ook in de loop van de tijd.
Evaluatie: elke taak heeft zijn eigen recepten voor het evalueren van de uitvoer met behulp van rubrieken die door de organisatie zijn gedefinieerd.
Opmerking
De modellen die u afstemt zijn privé. Uw gegevens worden niet gebruikt om algemene modellen voor andere tenants te trainen. Alle verwerking van uw gegevens gebeurt in de tenant die alleen uw geautoriseerde gebruikers kunnen trainen en gebruiken. Specifieke personen, meestal beheerders, hebben controle over het trainingsproces.
Taakspecifieke aanpassing
Taakspecifieke aanpassing vindt plaats nadat u uw corpora hebt ingeslikt. Bij deze aanpassing wordt de inhoud van de organisatie verwerkt van de oorspronkelijke indeling naar tekst zonder opmaak met één instructie per regel.
Gecontroleerd finetunen
Gebruik gesuperviseerde fijnafstemming om een vooraf getraind model aan te passen aan specifieke taken of organisatorische vereisten door het model te trainen op gelabelde input-outputparen. Dit proces helpt het model om antwoorden te produceren die aansluiten bij de voorkeursformaten, toon en nalevingsbehoeften van uw organisatie. Gecontroleerde fijnafstemming:
- Leert structuur en toon - Modellen leren hoe ze moeten reageren op manieren die de stem van uw organisatie weerspiegelen.
- Verbetert de nauwkeurigheid van taken: door training op basis van voorbeelden van hoge kwaliteit, wordt het model betrouwbaarder voor zakelijke gebruiksscenario's.
- Ondersteunt naleving - U kunt modellen trainen om regelgeving en interne classificaties te herkennen en erop te reageren.
Reinforcement learning
Gebruik reinforcement learning als een post-trainingstechniek om LLM's aan te passen aan de unieke communicatiestijl, toon en voorkeuren voor het gebruik van tools van uw organisatie. In tegenstelling tot gesuperviseerde fijnafstemming, waarbij het model wordt geleerd om correcte resultaten te produceren uit gelabelde voorbeelden, optimaliseert reinforcement learning voor subjectieve kwaliteiten door te leren van feedbacksignalen.
Reinforcement learning is handig wanneer u wilt dat uw model:
- Geef een specifieke toon weer (empathisch, formeel, beknopt).
- Geef de voorkeur aan bepaalde hulpprogramma's (zoals Microsoft Graph API's boven ophalen via RAG).
- Vermijd het ophalen van inhoud uit gevoelige bronnen (zoals documenten met ACL-tags).
- Leer van gebruikersfeedback om continu te verbeteren.
Reinforcement learning verfijnt het model door output te scoren op basis van organisatorische voorkeuren, waarbij zowel menselijke als geautomatiseerde feedback wordt gebruikt om het leren te begeleiden. Als Copilot bijvoorbeeld positieve feedback ontvangt op een antwoord op een vraag over vakantiebeleid, versterkt het model dat antwoord en wordt het opnieuw gebruikt in vergelijkbare contexten. Omgekeerd, als een antwoord wordt gemarkeerd voor toon of inhoud, leert het model dat patroon te vermijden.
Geavanceerde aanpassing en onderhoud
Door verschillende verfijningstechnieken te combineren, kunt u modellen maken die de toon van uw organisatie, taakvoltooiingspatronen en Microsoft Purview Gegevensbeheer-vereisten weerspiegelen. Deze onderliggende modellen passen de unieke stem en operationele kennis van uw organisatie toe om:
- Behoud een consistente toon en opmaak voor alle taken.
- Integreer domeinspecifieke kennis voor taken zoals het schrijven van documenten, samenvatten en het geven van deskundige antwoorden op vragen.
- Respecteer toegangscontroles en beleid voor gegevensclassificatie tijdens training en deductie.
- Genereer nauwkeurige antwoorden die zijn afgestemd op uw interne normen en gebruikersverwachtingen.
Alle evaluaties zijn vertrouwelijk en vallen onder de verantwoordelijke AI-principes van Microsoft.
Je kunt je agent blijven ontwikkelen naarmate er nieuwe gegevens beschikbaar komen en het model afstemmen door:
- Nieuwe gegevens uploaden.
- Je doelen en evaluatiestatistieken bijwerken om je aan te passen aan nieuwe taaktypen of wijzigingen in regelgeving.