Wprowadzenie do generowania aplikacji sztucznej inteligencji w usłudze Azure Databricks

Mozaika AI obsługuje zarówno proste, jak i złożone aplikacje GenAI, od czatbotów generacji rozszerzonej (RAG) do agentów wywołujących narzędzia. W tym przewodniku użytkownika opisano kluczowe pojęcia dotyczące aplikacji GenAI i systemów agentów w usłudze Databricks oraz przedstawiono wskazówki dotyczące tworzenia, oceniania i skalowania aplikacji GenAI.

Strona	Description
Wprowadzenie: GenAI bez kodu	Wypróbuj środowisko zabaw dla sztucznej inteligencji na potrzeby testowania i tworzenia prototypów opartych na interfejsie użytkownika.
Rozpocznij: MLflow 3 dla GenAI	Wypróbuj MLflow do śledzenia, oceny i uzyskiwania opinii człowieka dotyczących GenAI.
Pojęcia: GenAI na platformie Databricks	Dowiedz się więcej o modelach, agentach, narzędziach i aplikacjach GenAI.
Platforma: kluczowe funkcje GenAI	Szczegółowe informacje na temat kluczowych funkcji usługi GenAI w usłudze Azure Databricks.

Wprowadzenie do tworzenia aplikacji GenAI

Wypróbuj GenAI oparte na interfejsie użytkownika oraz oparte na kodzie w usłudze Azure Databricks.

Tutorial	Description
Rozpocznij: Zadawaj zapytania modelom językowym i prototypuj agentów AI bez kodu	Zapoznaj się z platformą AI Playground na potrzeby testowania i tworzenia prototypów opartych na interfejsie użytkownika.
Rozpocznij: MLflow 3 dla GenAI	Wypróbuj rozwiązanie MLflow na potrzeby śledzenia, oceny i opinii człowieka genAI.
Rozpocznij wykonywanie zapytań dotyczących LLMs na platformie Databricks	Użyj interfejsów API Modelu Foundation do wysyłania zapytań do modeli GenAI przy użyciu kodu.

Poznaj pojęcia dotyczące interfejsu GenAI

Zapoznaj się z podstawowymi pojęciami genAI, takimi jak modele, agenci, narzędzia i aplikacje.

Guide	Description
Pojęcia: Generowanie sztucznej inteligencji w usłudze Azure Databricks	Dowiedz się więcej o modelach, agentach, narzędziach i aplikacjach GenAI.
Kluczowe wyzwania związane z tworzeniem aplikacji GenAI	Dowiedz się więcej o kluczowych wyzwaniach związanych z usługą GenAI i sposobach ich rozwiązywania przez usługę Databricks.
wzorce projektowe systemu agentów	Dowiedz się więcej o opcjach i kompromisach w projektowaniu agentów, od prostych łańcuchów po złożone systemy wieloagentowe.

Tworzenie aplikacji GenAI za pomocą funkcji usługi Azure Databricks

W przypadku metod braku kodu lub niskiego poziomu kodu zacznij od zapoznania się z:

Funkcja	Description
Agent Bricks	Tworzenie i optymalizowanie systemów agentów sztucznej inteligencji specyficznych dla domeny pod kątem typowych przypadków użycia.
Plac zabaw dla sztucznej inteligencji	Wykonywanie zapytań dotyczących modeli i agentów GenAI, opracowywanie inżynierii podpowiedzi oraz tworzenie prototypów agentów wywołujących narzędzia za pomocą interfejsu użytkownika.
Funkcje sztucznej inteligencji	Wywoływanie wbudowanych funkcji SQL dla zadań sztucznej inteligencji.

W przypadku podejścia opartego na kodzie zacznij od zapoznania się z:

Funkcja	Description
MLflow for GenAI	Użyj biblioteki MLflow do śledzenia i obserwowania, oceny i monitorowania.
Modele podstawowe w obsłudze modeli	Użyj punktów końcowych modelu GenAI, w tym interfejsów API modeli podstawowych hostowanych w usłudze Databricks i modeli zewnętrznych.
Wyszukiwanie wektorów	Tworzenie i przeszukiwanie indeksów wektorowych dla systemów typu RAG i innych systemów agentowych.
Framework agentów Mosaic AI	Kompilowanie i wdrażanie agentów sztucznej inteligencji przy użyciu kodu.
Brama sztucznej inteligencji	Nadzorowanie i monitorowanie dostępu do modeli i punktów końcowych GenAI.

Aby uzyskać bardziej szczegółową listę, zobacz Możliwości sztucznej inteligencji Mosaic AI dla GenAI.

Ogólna inteligencja a analiza danych

• Ogólna inteligencja odnosi się do tego, co LLM z natury zna z szeroko zakrojonego wstępnego szkolenia na zróżnicowanym tekście. Jest to przydatne w przypadku biegłości językowej i ogólnego rozumowania.
• Analiza danych odnosi się do danych i interfejsów API specyficznych dla domeny organizacji. Może to obejmować rekordy klientów, informacje o produkcie, bazy wiedzy lub dokumenty odzwierciedlające unikatowe środowisko biznesowe.

Systemy agentów łączą te dwa źródła wiedzy: zaczynają się od szerokiej, ogólnej wiedzy LLM, a następnie przynoszą dane specyficzne dla domeny lub w czasie rzeczywistym, aby odpowiedzieć na szczegółowe pytania lub wykonywać wyspecjalizowane akcje. Usługa Azure Databricks umożliwia osadzanie analizy danych w aplikacjach GenAI na każdym poziomie:

• Źródła danych, takie jak indeksy wektorów i Genie

• Agenci, w tym projekty agentów niestandardowych i projekty zautomatyzowane z Agent Bricks

• Dane i metryki oceny
• Monituj optymalizację na podstawie danych oceny

• Dostrajanie modelu, w tym niestandardowe dostrajanie i automatyczne dostrajanie przez Agent Bricks

GenAI a uczenie maszynowe a uczenie głębokie

Granice między generowaniem sztucznej inteligencji (GenAI), uczeniem maszynowym (ML) i uczeniem głębokim (DL) mogą być rozmyte. Ten przewodnik koncentruje się na usłudze GenAI, ale następujące funkcje platformy databricks obsługują uczenie maszynowe, uczenie głębokie i genAI:

• Obsługa modeli obsługuje modele uczenia maszynowego, uczenia głębokiego i genAI. Można go używać do wnioskowania wsadowego GenAI i wdrażania agentów lub dostrajanych modeli przy użyciu niestandardowej obsługi modelu.

• Bezserwerowe obliczenia procesora GPU i środowisko Databricks Runtime z obsługą procesora GPU na potrzeby uczenia maszynowego mogą służyć do trenowania i dostosowywania modeli uczenia maszynowego, uczenia głębokiego i genAI.

• Śledzenie eksperymentów MLflow można wykorzystać do śledzenia zarówno klasycznych eksperymentów ML, jak i eksperymentów GenAI.
• Databricks Feature Store może być używany do zarządzania i obsługi danych ustrukturyzowanych zarówno dla klasycznego ML, jak i GenAI.