Generowanie sztucznej inteligencji dla deweloperów języka JavaScript

Użyj języka JavaScript, aby tworzyć funkcje generowania sztucznej inteligencji w aplikacjach internetowych, mobilnych i klasycznych. To omówienie wyróżnia podstawowe pojęcia, narzędzia i zasoby szkoleniowe ułatwiające rozpoczęcie pracy.

Dlaczego warto używać języka JavaScript dla sztucznej inteligencji?

Język Python jest typowym wyborem do trenowania modeli sztucznej inteligencji, ale większość deweloperów aplikacji korzysta z modeli za pośrednictwem internetowych interfejsów API. Ponieważ język JavaScript działa w przeglądarkach i serwerach i obsługuje dobrze wywołania HTTP, jest to praktyczny wybór do tworzenia aplikacji sztucznej inteligencji.

Weź udział w kursie towarzyszącym

Skorzystaj z kursu towarzyszącego, aby uczyć się za pomocą projektów z kodem, kompletnego od początku do końca przykładu i filmów wideo.

• Kurs
• seria wideo

Jeśli jesteś studentem lub nowym deweloperem, ten kurs zapewnia praktyczny sposób nauki sztucznej inteligencji. Jeśli już zawodowo tworzysz aplikacje, pomaga to pogłębić swoje umiejętności w dziedzinie sztucznej inteligencji.

W tym kursie wykonasz następujące elementy:

• Poznaj sztuczną inteligencję, ożywiając postacie historyczne dzięki generatywnej sztucznej inteligencji.
• Stosowanie ułatwień dostępu przy użyciu wbudowanych interfejsów API przeglądarki.
• Użyj generowania tekstu i obrazu, aby zintegrować sztuczną inteligencję ze środowiskiem aplikacji.
• Poznaj wzorce architektury dla aplikacji sztucznej inteligencji.

Użyj aplikacji towarzyszącej do rozmowy z postaciami historycznymi

Co należy wiedzieć o maszynach LLM

Duże modele językowe (LLM) to sieci neuronowe trenowane na dużych zestawach danych w celu zrozumienia i wygenerowania tekstu. Proces trenowania zwykle rozpoczyna się od ogólnego modelu bazowego, a następnie stosuje się dostrajanie pod kątem określonych zadań. LLM-y mogą pomóc w scenariuszach, takich jak uzupełnianie kodu i czat, ale mają również limity, w tym okna kontekstowe i możliwą stronniczość w danych treningowych. Dlatego praktyki odpowiedzialnego używania sztucznej inteligencji, takie jak sprawiedliwość, niezawodność, prywatność i odpowiedzialność mają znaczenie.

Dowiedz się więcej w sesji LLM w ramach kursu

Korzystanie z technik inżynierii podpowiedzi

Inżynieria monitów to praktyka pisania monitów, które kierują model w kierunku lepszych wyników. Użyj monitu zero-shot, gdy nie potrzebujesz przykładów, lub monitu few-shot, gdy przykłady są pomocne. Jasne instrukcje, odpowiedni kontekst oraz wyraźne formaty danych wyjściowych często ulepszają odpowiedzi i przygotowują Państwa do bardziej zaawansowanych schematów, takich jak RAG.

Dowiedz się więcej w sesji kursu dotyczącej prompt engineering

Zwiększanie dokładności i niezawodności sztucznej inteligencji dzięki funkcji RAG

Użyj generowania z rozszerzonym wyszukiwaniem (RAG), aby oprzeć odpowiedzi modelu na aktualnych, zaufanych danych. RAG łączy program retriever, który znajduje odpowiednią zawartość z generatorem, który używa tej zawartości do odpowiadania na pytania. Takie podejście może poprawić dokładność, ułatwić weryfikowanie odpowiedzi i kontrolowanie kosztów. Na przykład aplikacja pomocy technicznej dla nieruchomości może używać dokumentów firmy, aby odpowiedzieć na szczegółowe pytania klientów.

Dowiedz się więcej w sesji kursu dotyczącej RAG

Przyspieszanie opracowywania sztucznej inteligencji przy użyciu LangChain.js

Przyspiesz projekty sztucznej inteligencji za pomocą LangChain.js. Ta biblioteka języka JavaScript ułatwia tworzenie szablonów monitów, łączenie modeli i magazynów wektorów oraz tworzenie złożonych przepływów pracy. Dobrze sprawdza się w przypadku szybkiego tworzenia prototypów, takiego jak interfejs API, który odpowiada na pytania z transkrypcji w serwisie YouTube. Gdy wszystko będzie gotowe do użycia w środowisku produkcyjnym, możesz zamienić lokalne modele i magazyny wektorowe dla usług platformy Azure bez ponownego zapisywania aplikacji.

Dowiedz się więcej w sesji kursu dotyczącej LangChain.js

Uruchamianie modeli sztucznej inteligencji na komputerze lokalnym przy użyciu rozwiązania Ollama

Użyj narzędzia Ollama, aby uruchamiać lokalne modele sztucznej inteligencji, w tym Phi-3, na maszynie. Modele lokalne zmniejszają zależności w chmurze, obsługują programowanie w trybie offline i skracają pętlę wewnętrzną podczas testowania pomysłów. Ponieważ Ollama uwidacznia interfejs API zgodny z interfejsem OpenAI, możesz zintegrować go z istniejącymi przepływami pracy języka JavaScript z minimalnymi zmianami.

Dowiedz się więcej w sesji kursu dotyczącej Ollama

Rozpocznij pracę ze sztuczną inteligencją bezpłatnie

Możesz bezpłatnie uruchamiać sztuczną inteligencję przy użyciu narzędzia Foundry Local, co umożliwia pobieranie modeli sztucznej inteligencji i interakcję z nimi lokalnie. Istnieje również AI Toolkit for Visual Studio Code, rozszerzenie, które obsługuje pobieranie modeli, dostrajanie i nie tylko. Ollama to kolejny popularny wybór do uruchamiania modeli lokalnych.

Możesz również wypróbować modele bez żadnej konfiguracji lokalnej, tworząc środowisko GitHub Codespace i używając notatnika Jupyter do testowania prompt engineering, uczenia z mniejszą ilością danych i RAG.

Dowiedz się więcej w sesji Phi-3 kursu

Wprowadzenie do rozwiązania Microsoft Foundry

Użyj rozwiązania Microsoft Foundry, aby rozpocząć tworzenie generowanych aplikacji sztucznej inteligencji za pomocą języka JavaScript. Organizowanie zasobów za pomocą centrów i projektów, przeglądanie modeli i wdrażanie modelu do testowania na placu zabaw. Niezależnie od tego, czy używasz zarządzanych interfejsów API obliczeniowych, czy bezserwerowych, przepływ pracy pozostaje taki sam: wybierz model, wdróż go i zintegruj go z aplikacją.

Dowiedz się więcej w sesji kursu Foundry

Tworzenie aplikacji generacyjnych sztucznej inteligencji za pomocą usługi Azure Cosmos DB

Dowiedz się więcej w sesji kursu Azure Cosmos DB

Narzędzia i usługi platformy Azure do hostowania i przechowywania aplikacji sztucznej inteligencji

Dowiedz się, które narzędzia i usługi platformy Azure pasują do typowych architektur aplikacji sztucznej inteligencji, w tym aplikacji czatu, aplikacji RAG i agentów autonomicznych. W tej sesji pokazano również, jak za pomocą interfejsu wiersza polecenia dewelopera platformy Azure (AZD) wdrażać aplikacje i porównywać opcje hostingu bezserwerowego i opartego na kontenerach.

Dowiedz się więcej podczas sesji narzędzi i usług platformy Azure w ramach kursu.

• wideo