FAQ dla głębokiego rozumowania

Te często zadawane pytania opisują wpływ sztucznej inteligencji na funkcję głębokiego rozumowania w aplikacji Copilot Studio.

Czym jest głębokie rozumowanie?

Modele głębokiego rozumowania to zaawansowane, duże modele językowe przeznaczone do rozwiązywania złożonych problemów. Dokładnie rozważają każde pytanie, generując szczegółowy wewnętrzny łańcuch myślowy przed udzieleniem odpowiedzi użytkownikowi.

W jaki sposób można wykorzystać modele głębokiego rozumowania w Copilot Studio?

Modele głębokiego rozumowania w Copilot Studio oferują potężne możliwości tworzenia zaawansowanych agentów. Modele, takie jak Azure OpenAI o3, używają głębokiego rozumowania, aby ulepszyć podejmowanie decyzji agenta i zwracać dokładniejsze odpowiedzi.

Podczas tworzenia agentów można dodać instrukcje definiujące zadania agenta i sposób ich realizacji. Zadania te mogą być zarówno proste, jak i bardzo złożone, wymagające dokładnej analizy.

Twórcy mogą stosować modele rozumowania do określonych kroków w instrukcjach agenta, zwiększając zdolność agenta do przeprowadzania zaawansowanego rozumowania i dostarczania dokładniejszych i bardziej wnikliwych wyników. Możesz dodać głębokie modele rozumowania dla zadań wymagających badań naukowych, złożonych pytań i dogłębnej analizy danych bez struktury. Modele te zapewniają szczegółowe informacje wykraczające poza możliwości prostszych modeli.

Aby użyć modeli rozumowania, dodaj słowo kluczowe rozumowanie do określonych kroków instrukcji agenta. Na przykład: Użyj rozumu, aby określić następny element w serii matematycznej, na przykład 2, 5, 10, 17. Spowoduje to wywołanie modelu rozumowania podczas działania agenta w tym konkretnym kroku. Narzędzie Copilot Studio używa obecnie modelu usługi Azure OpenAI o3 ze względu na zaawansowane możliwości rozumowania.

Jakie są zamierzone zastosowania modeli głębokiego rozumowania?

 Modele głębokiego rozumowania są przeznaczone do obsługi złożonych zadań, które wymagają logicznego rozumowania, rozwiązywania problemów i analizy krok po kroku. Na przykład, można użyć modeli głębokiego rozumowania do:

• Oceniać trendy rynkowe i polecać najlepsze okazje inwestycyjne. Modele głębokiego rozumowania mogą rozbijać dane rynkowe na mniejsze, łatwe do opanowania kroki; analizują trendów; i rekomendować najlepsze okazje inwestycyjne. Mogą brać pod uwagę różne czynniki, takie jak dane historyczne, bieżące warunki rynkowe i przyszłe prognozy, aby zapewnić świadome rekomendacje inwestycyjne.

• Analizowanie zwiększonego popytu i zalecanie strategii zarządzania zapasami. Modele mogą analizować wzorce popytu i podaży, przewidywać przyszłe potrzeby w zakresie zapasów i zalecać strategie efektywnego zarządzania zapasami. Biorąc pod uwagę takie czynniki, jak trendy sezonowe, wahania rynkowe i dynamika łańcucha dostaw, modele głębokiego rozumowania mogą pomóc firmom zoptymalizować zarządzanie zapasami.

• Rozwiązuj równania różniczkowe i udzielaj wyjaśnień krok po kroku. Modele mogą rozwiązywać złożone problemy matematyczne, takie jak równania różniczkowe, i wyjaśniać krok po kroku rozwiązanie. Dzieląc problem na mniejsze kroki i stosując logiczne rozumowanie, modele głębokiego rozumowania mogą oferować jasne i szczegółowe rozwiązania problemów matematycznych.

Jak oceniano modele głębokiego wnioskowania i jakie metryki są używane do mierzenia wydajności?

Głębokie modele rozumowania używane w Copilot Studio są oceniane pod kątem podstaw, odpowiedzialnego wykorzystania AI i dokładności. Ugruntowanie to zapewnienie, że model zwraca tylko zawartość, która jest ugruntowana w określonym kontekście świata rzeczywistego. Odpowiedzialna sztuczna inteligencja sprawdza ochronę przed szkodami, takimi jak ataki jailbreak, ataki polegające na wstrzyknięciu monitów między domenami i szkodliwa zawartość.

Aby zmierzyć te wymiary, modele są testowane pod kątem różnych scenariuszy i oceniane według każdego z tych wymiarów. Wszystkie modele głębokiego rozumowania są oceniane przed ich wydaniem.

Jakie są ograniczenia modeli głębokiego rozumowania? Jak twórcy mogą zminimalizować wpływ tych ograniczeń?

• Korzystanie z modeli rozumowania: agent może używać tylko głębokich modeli rozumowania, jeśli w ustawieniach agenta są włączone funkcje modelu głębokiego rozumowania.

• Czas odpowiedzi: Ze względu na czas wymagany do analizy, odpowiedzi z modeli rozumowania są zwykle wolniejsze w porównaniu z innymi modelami językowymi niegłębokiego rozumowania.

Aby zminimalizować wpływ tych ograniczeń, możesz:

• Upewnij się, że funkcje modeli głębokiego rozumowania są włączone tylko dla agentów, którzy ich potrzebują.

• Użyj słowa kluczowego powód w instrukcjach agenta wyłącznie dla etapów, które korzystają z głębokich modeli rozumowania.

• Używaj modeli głębokiego rozumowania dla zadań, które pozwalają na dłuższy czas reakcji. Jeśli to konieczne, poinformuj użytkowników, że niektóre odpowiedzi agenta mogą trwać dłużej.

Jakie czynniki operacyjne i ustawienia pozwalają na skuteczne i odpowiedzialne korzystanie z modeli głębokiego rozumowania?

Modele głębokiego rozumowania obejmują różne zabezpieczenia, aby zapewnić administratorom, twórcom i użytkownikom bezpieczne i zgodne środowisko:

• Zezwalaj tylko na modele głębokiego rozumowania dla agentów, które wymagają złożonych kroków rozumowania. Gwarantuje to, że modele są stosowane, gdzie mogą zapewnić największą wartość.

• Uwzględnij kluczowe słowo powód w instrukcjach, aby wyzwolić model w czasie wykonywania dla określonych zadań, a nie wszystkich zadań, które mogą nie wymagać złożonego rozumowania.

• Dokładnie przetestuj agenta, aby zapewnić dokładność i wiarygodność danych wyjściowych dostarczanych przez model głębokiego rozumowania. Testowanie pomaga również zidentyfikować wszelkie potencjalne problemy i zapewnia, że model działa zgodnie z oczekiwaniami.

• Użyj mapy aktywności aby sprawdzić, gdzie agent używa modeli głębokiego rozumowania w sesji. Rozwiń węzeł głębokiego wnioskowania na mapie, aby przejrzeć kroki wykonane przez model i dane wyjściowe modelu. Pomaga to określić, czy model rozumowania dostarcza zamierzone funkcje.

• Porównaj dane wyjściowe z użyciem modelu głębokiego rozumowania i bez jego użycia, aktualizując instrukcje podczas testowania.