Поделиться через

Azure OpenAI в данных

  • Статья

Используйте эту статью, чтобы узнать о Azure OpenAI On Your Data, что упрощает подключение, прием и создание корпоративных данных для быстрого создания персонализированных копилотов (предварительная версия). Он улучшает понимание пользователей, ускоряет выполнение задач, повышает эффективность работы и помогает принимать решения.

Что такое Azure OpenAI в данных

Azure OpenAI On Your Data позволяет выполнять расширенные модели ИИ, такие как GPT-35-Turbo и GPT-4 на собственных корпоративных данных, не требуя обучения или точной настройки моделей. Вы можете общаться поверх и анализировать данные с большей точностью. Вы можете указать источники для поддержки ответов на основе последних сведений, доступных в указанных источниках данных. Доступ к Azure OpenAI On Your Data можно получить с помощью REST API с помощью пакета SDK или веб-интерфейса в Azure OpenAI Studio. Вы также можете создать веб-приложение, которое подключается к данным, чтобы включить расширенное решение чата или развернуть его непосредственно в качестве копилота в Copilot Studio (предварительная версия).

Разработка с помощью Azure OpenAI в данных

Схема, показывающая пример рабочего процесса.

Как правило, процесс разработки, используемый с Azure OpenAI On Your Data, — это:

  1. Прием. Отправка файлов с помощью Azure OpenAI Studio или API приема. Это позволяет взломать, фрагментировать и внедрить данные в экземпляр поиска ИИ Azure, который можно использовать моделями Open AI Azure. Если у вас есть существующий поддерживаемый источник данных, вы также можете подключить его напрямую.

  2. Разработка. После использования Azure OpenAI On Your Data начните разработку приложения с помощью доступных REST API и пакетов SDK, доступных на нескольких языках. Он создаст запросы и намерения поиска для передачи в службу Azure OpenAI.

  3. Вывод. После развертывания приложения в предпочитаемой среде он отправит запросы в Azure OpenAI, которые будут выполнять несколько шагов перед возвратом ответа:

    1. Создание намерений: служба определит намерение запроса пользователя определить правильный ответ.

    2. Извлечение. Служба извлекает соответствующие блоки доступных данных из подключенного источника данных, запрашивая его. Например, с помощью семантического или векторного поиска. Для влияния на извлечение используются такие параметры , как строгость и количество документов для получения.

    3. Фильтрация и повторная обработка. Результаты поиска на шаге извлечения улучшаются путем ранжирования и фильтрации данных для уточнения релевантности.

    4. Создание ответов: полученные данные отправляются вместе с другими сведениями, такими как системное сообщение в большую языковую модель (LLM) и ответ отправляется в приложение.

Чтобы приступить к работе, подключите источник данных с помощью Azure OpenAI Studio и начните задавать вопросы и чаты в ваших данных.

Управление доступом на основе ролей Azure (Azure RBAC) для добавления источников данных

Чтобы использовать Azure OpenAI в данных полностью, необходимо задать одну или несколько ролей Azure RBAC. Дополнительные сведения см. в статье "Использование Azure OpenAI в данных ".

Форматы данных и типы файлов

Azure OpenAI On Your Data поддерживает следующие типы файлов:

  • .txt
  • .md
  • .html
  • .docx
  • .pptx
  • .pdf

Существует ограничение отправки, и есть некоторые предостережения о структуре документов и о том, как это может повлиять на качество ответов из модели:

  • Если вы преобразуете данные из неподдерживаемого формата в поддерживаемый формат, оптимизируйте качество ответа модели, гарантируя преобразование:

    • Не приводит к значительной потере данных.
    • Не добавляет неожиданный шум к данным.

  • Если в файлах имеется особое форматирование, например таблицы и столбцы или пункты маркированных списков, подготовьте данные с помощью скрипта подготовки данных, доступного на веб-сайте GitHub.

  • Для документов и наборов данных с длинными текстовыми строками следует использовать имеющийся скрипт подготовки данных. Этот скрипт разбивает данные на отдельные блоки, за счет чего ответы модели становятся более точными. Этот скрипт также поддерживает сканированные PDF-файлы и изображения.

Поддерживаемые источники данных

Для отправки данных необходимо подключиться к источнику данных. Если вы хотите использовать данные для чата с моделью Azure OpenAI, данные блокируются в индексе поиска, чтобы соответствующие данные можно было найти на основе запросов пользователей.

Встроенная векторная база данных в виртуальном ядере Azure Cosmos DB для MongoDB изначально поддерживает интеграцию с Azure OpenAI On Your Data.

Для некоторых источников данных, таких как отправка файлов с локального компьютера (предварительная версия) или данных, содержащихся в учетной записи хранения BLOB-объектов (предварительная версия), используется поиск ИИ Azure. При выборе следующих источников данных данные будут приема в индекс поиска ИИ Azure.

Прием данных с помощью поиска ИИ Azure Description
Поиск по искусственному интеллекту Azure Используйте существующий индекс поиска ИИ Azure с помощью Azure OpenAI On your Data.
Отправка файлов (предварительная версия) Отправьте файлы с локального компьютера, чтобы храниться в базе данных Хранилище BLOB-объектов Azure и входить в поиск по искусственному интеллекту Azure.
URL-адрес или веб-адрес (предварительная версия) Веб-содержимое из URL-адресов хранится в Хранилище BLOB-объектов Azure.
Хранилище BLOB-объектов Azure (предварительная версия) Отправьте файлы из Хранилище BLOB-объектов Azure для приема в индекс поиска ИИ Azure.

Схема служб индексирования векторов.

Развертывание в copilot (предварительная версия), приложение Teams (предварительная версия) или веб-приложение

После подключения Azure OpenAI к данным его можно развернуть с помощью кнопки "Развернуть" в Azure OpenAI Studio.

Снимок экрана: кнопка развертывания модели в Azure OpenAI Studio.

Это дает несколько вариантов развертывания решения.

Вы можете развернуть в copilot в Copilot Studio (предварительная версия) непосредственно из Azure OpenAI Studio, что позволяет перенести взаимодействие в различные каналы, такие как Microsoft Teams, веб-сайты, Dynamics 365 и другие каналы Azure Служба Bot. Клиент, используемый в службе Azure OpenAI и Copilot Studio (предварительная версия), должен совпадать. Дополнительные сведения см. в статье "Использование подключения к Azure OpenAI On Your Data".

Примечание.

Развертывание в copilot в Copilot Studio (предварительная версия) доступно только в регионах США.

Безопасное использование Azure OpenAI в данных

Azure OpenAI On Your Data можно безопасно использовать, защищая данные и ресурсы с помощью управления доступом на основе ролей, виртуальных сетей и частных конечных точек на основе ролей Microsoft Entra. Вы также можете ограничить документы, которые можно использовать в ответах для разных пользователей с фильтрами безопасности поиска ВИ Azure. См. сведения о безопасном использовании Azure OpenAI в данных.

Рекомендации

Используйте следующие разделы, чтобы узнать, как улучшить качество ответов, заданных моделью.

Параметр приема

При приеме данных в службу "Поиск ИИ Azure" можно изменить следующие дополнительные параметры в API приема или студии.

Размер блока (предварительная версия)

Azure OpenAI On Your Data обрабатывает документы, разделяя их на блоки перед их приемом. Размер блока — это максимальный размер с точки зрения количества маркеров любого блока в индексе поиска. Размер блока и количество извлеченных документов вместе управляют объемом сведений (токенов) в запросе, отправляемого в модель. Как правило, размер блока, умноженный на количество извлеченных документов, — это общее количество маркеров, отправляемых в модель.

Настройка размера блока для вашего варианта использования

Размер блока по умолчанию — 1024 токенов. Однако, учитывая уникальность данных, вы можете найти другой размер блока (например, 256, 512 или 1536 токенов).

Настройка размера блока может повысить производительность чат-бота. При поиске оптимального размера блока требуется некоторые пробные и ошибки, сначала учитывая характер набора данных. Меньший размер блока обычно лучше подходит для наборов данных с прямыми фактами и меньшим контекстом, в то время как более крупный размер блока может оказаться полезным для более контекстной информации, хотя это может повлиять на производительность извлечения.

Небольшой размер блока, как 256, создает более детализированные блоки. Этот размер также означает, что модель будет использовать меньше маркеров для создания выходных данных (если количество извлеченных документов очень высоко), потенциально затратив меньше. Меньшие блоки также означают, что модели не нужно обрабатывать и интерпретировать длинные разделы текста, уменьшая шум и отвлекающий фактор. Эта детализация и фокус, однако, представляют собой потенциальную проблему. Важные сведения могут быть не одними из наиболее извлеченных фрагментов, особенно если количество извлеченных документов имеет низкое значение, например 3.

Совет

Имейте в виду, что изменение размера блока требует повторного приема документов, поэтому рекомендуется сначала настроить параметры среды выполнения, такие как строгость и количество извлеченных документов. Попробуйте изменить размер блока, если вы по-прежнему не получаете нужные результаты:

  • Если вы сталкиваетесь с большим количеством ответов, таких как "Я не знаю" для вопросов с ответами, которые должны находиться в ваших документах, рассмотрите возможность уменьшения размера блока до 256 или 512, чтобы повысить степень детализации.
  • Если чат-бот предоставляет некоторые правильные сведения, но отсутствуют другие, что становится очевидным в цитатах, увеличение размера блока до 1536 может помочь получить более контекстную информацию.

Параметры среды выполнения

Вы можете изменить следующие дополнительные параметры в разделе параметров данных в Azure OpenAI Studio и API. При обновлении этих параметров вам не нужно повторно отправлять данные.

Наименование параметра Description
Ограничение ответов на данные Этот флаг настраивает подход чат-бота к обработке запросов, не связанных с источником данных, или когда поиск документов недостаточно для полного ответа. Если этот параметр отключен, модель дополняет свои ответы собственными знаниями в дополнение к документам. Если этот параметр включен, модель пытается использовать только документы для ответов. inScope Это параметр в API и задано значение true по умолчанию.
Извлеченные документы Этот параметр представляет собой целое число, которое можно задать для 3, 5, 10 или 20, и определяет количество блоков документов, предоставленных большой языковой модели для формирования окончательного ответа. По умолчанию это значение равно 5. Процесс поиска может быть шумным, а иногда из-за фрагментирования релевантной информации может распространяться по нескольким блокам в индексе поиска. Выбор номера top-K, например 5, гарантирует, что модель может извлечь соответствующую информацию, несмотря на ограничения поиска и блокирования. Однако увеличение числа слишком большое может отвлекать модель. Кроме того, максимальное количество документов, которые можно эффективно использовать, зависит от версии модели, так как каждая из них имеет другой размер контекста и емкость для обработки документов. Если вы обнаружите, что ответы отсутствуют в важном контексте, попробуйте увеличить этот параметр. topNDocuments Это параметр в API и имеет значение 5 по умолчанию.
Строгость Определяет агрессивность системы в фильтрации документов поиска на основе их показателей сходства. Система запрашивает поиск Azure или другие хранилища документов, а затем решает, какие документы предоставляются для больших языковых моделей, таких как ChatGPT. Фильтрация неуместных документов может значительно повысить производительность сквозного чат-бота. Некоторые документы исключены из результатов top-K, если они имеют низкие оценки сходства перед пересылкой их в модель. Это управляется целым значением от 1 до 5. При задании этого значения значение равно 1 означает, что система будет минимально фильтровать документы на основе сходства поиска с пользовательским запросом. И наоборот, параметр 5 указывает, что система будет агрессивно фильтровать документы, применяя очень высокий порог сходства. Если вы обнаружите, что чат-бот пропускает соответствующие сведения, уменьшите строгость фильтра (задайте значение ближе к 1), чтобы включить дополнительные документы. И наоборот, если неуместные документы отвлекают ответы, увеличьте пороговое значение (задайте значение ближе к 5). strictness Это параметр в API и задано значение 3 по умолчанию.

Справочные материалы

Модель может вернуться "TYPE":"UNCITED_REFERENCE" вместо "TYPE":CONTENT API документов, извлекаемых из источника данных, но не включенных в ссылку. Это может быть полезно для отладки, и вы можете управлять этим поведением, изменив строгость и извлеченные параметры среды выполнения документов , описанные выше.

Системное сообщение

Вы можете определить системное сообщение, чтобы управлять ответом модели при использовании Azure OpenAI On Your Data. Это сообщение позволяет настроить ответы поверх шаблона расширенного создания (RAG), используемого Azure OpenAI On Your Data. Системное сообщение используется в дополнение к внутреннему базовому запросу для предоставления интерфейса. Для поддержки этого мы усекаем системное сообщение после определенного количества маркеров , чтобы модель могли отвечать на вопросы с помощью данных. Если вы определяете дополнительное поведение поверх интерфейса по умолчанию, убедитесь, что системный запрос подробно описан и объясняет точную ожидаемую настройку.

После добавления набора данных можно использовать раздел "Системное сообщение " в Azure OpenAI Studio или role_information параметр в API.

Снимок экрана: параметр системного сообщения в Azure OpenAI Studio.

Потенциальные шаблоны использования

Определение роли

Вы можете определить роль, которую требуется помощнику. Например, если вы создаете бот поддержки, вы можете добавить "Вы являетесь помощником по поддержке инцидентов эксперта, который помогает пользователям решать новые проблемы".

Определение типа извлекаемых данных

Вы также можете добавить характер данных, которые вы предоставляете помощнику.

  • Определите тему или область набора данных, например "финансовый отчет", "академический документ" или "отчет об инциденте". Например, для технической поддержки можно добавить сообщение "Вы отвечаете на запросы, используя информацию из аналогичных инцидентов в извлеченных документах".
  • Если данные имеют определенные характеристики, вы можете добавить эти сведения в системное сообщение. Например, если документы находятся на японском языке, можно добавить "Вы извлекаете японские документы, и их следует внимательно читать на японском языке и отвечать на них на японском языке".
  • Если документы включают структурированные данные, такие как таблицы из финансового отчета, вы также можете добавить этот факт в системный запрос. Например, если данные содержат таблицы, можно добавить "Вы предоставляете данные в виде таблиц, относящихся к финансовым результатам, и вы должны прочитать строку таблицы по строке, чтобы выполнить вычисления, чтобы ответить на вопросы пользователя".

Определение стиля выходных данных

Вы также можете изменить выходные данные модели, определив системное сообщение. Например, если вы хотите убедиться, что ответы помощника находятся на французском языке, можно добавить запрос, например "Вы являетесь помощником по искусственному интеллекту, который помогает пользователям, которые понимают французскую информацию о поиске информации. Вопросы пользователя могут быть на английском или французском языках. Внимательно прочитайте извлеченные документы и ответьте на них на французском языке. Пожалуйста, переводите знания из документов на французский, чтобы убедиться, что все ответы находятся на французском языке".

Подтверждение критического поведения

Azure OpenAI On Your Data работает, отправляя инструкции в большую языковую модель в виде запросов пользователей с помощью данных. Если в приложении имеется определенное поведение, можно повторить поведение в системном сообщении, чтобы повысить ее точность. Например, чтобы управлять моделью только ответами из документов, можно добавить "Пожалуйста, ответьте только с использованием извлеченных документов и без использования знаний. Создайте ссылки для получения документов для каждого утверждения в ответе. Если не удается ответить на вопрос пользователя с помощью извлеченных документов, объясните причину того, почему документы относятся к запросам пользователей. В любом случае не отвечайте на свои знания».

Подсказки по проектированию

Существует множество трюков в проектировании запросов, которые можно попытаться улучшить выходные данные. Один из примеров — это цепочка мыслей, где можно добавить сообщение "Давайте посмотрим пошаговую информацию в извлеченных документах для ответа на запросы пользователей. Извлеките соответствующие знания для запросов пользователей из документов пошаговые инструкции и сформируйте ответ вниз из извлеченных сведений из соответствующих документов".

Примечание.

Системное сообщение используется для изменения ответа помощника GPT на вопрос пользователя на основе полученной документации. Это не влияет на процесс извлечения. Если вы хотите предоставить инструкции по процессу извлечения, лучше включить их в вопросы. Системное сообщение является только руководством. Модель может не соответствовать каждой инструкции, указанной, так как она была загрумирована с определенными поведениями, такими как объективность, и избегая спорных заявлений. Непредвиденное поведение может произойти, если системное сообщение противоречит этим поведению.

Максимальный ответ

Задайте ограничение на количество маркеров для ответа модели. Верхний предел для Azure OpenAI в данных составляет 1500. Это эквивалентно настройке max_tokens параметра в API.

Ограничение ответов на данные

Этот параметр поощряет модель реагировать только на данные и выбирается по умолчанию. При отмене выбора этого параметра модель может более легко применить свои внутренние знания для реагирования. Определите правильный выбор на основе варианта использования и сценария.

Взаимодействие с моделью

Используйте следующие методики для получения наилучших результатов при чате с моделью.

Журнал бесед

  • Прежде чем начать новую беседу (или задать вопрос, который не связан с предыдущими), снимите журнал чата.
  • Получение различных ответов на один и тот же вопрос между первым поворотом беседы и последующими поворотами можно ожидать, так как журнал беседы изменяет текущее состояние модели. Если вы получаете неправильные ответы, сообщите о ней как о проблеме качества.

Ответ модели

Длина вопроса

Избегайте задавать длинные вопросы и разбивайте их на несколько вопросов, если это возможно. Модели GPT имеют ограничения на количество маркеров, которые они могут принимать. Ограничения маркеров учитываются: вопрос пользователя, системное сообщение, извлеченные документы поиска (блоки), внутренние запросы, журнал бесед (если таковые имеются) и ответ. Если вопрос превышает ограничение маркера, он будет усечен.

Поддержка нескольких лингвистов

  • В настоящее время поиск ключевых слов и семантический поиск в Azure OpenAI On Your Data поддерживает запросы на том же языке, что и данные в индексе. Например, если данные на японском языке, то входные запросы также должны находиться на японском языке. Для получения перекрестного документа рекомендуется создавать индекс с включенным векторным поиском .

  • Чтобы повысить качество получения информации и ответа модели, рекомендуется включить семантический поиск на следующих языках: английский, французский, испанский, португальский, итальянский, итальянский, китайский(zh), японский, корейский, русский, арабский

  • Мы рекомендуем использовать системное сообщение для информирования модели о том, что данные используются на другом языке. Например:

  • **Вы являетесь помощником по искусственному интеллекту, который помогает пользователям извлекать информацию из извлеченных японских документов. Внимательно изучите японские документы, прежде чем сформулировать ответ. Запрос пользователя будет находиться на японском языке, и вы также должны ответить на японском языке".

  • Если у вас есть документы на нескольких языках, рекомендуется создать новый индекс для каждого языка и подключить их отдельно к Azure OpenAI.

Потоковая передача данных

Запрос потоковой передачи можно отправить с помощью stream параметра, позволяя отправлять и получать данные постепенно, не ожидая ответа всего API. Это может повысить производительность и взаимодействие с пользователем, особенно для больших или динамических данных.

{
    "stream": true,
    "dataSources": [
        {
            "type": "AzureCognitiveSearch",
            "parameters": {
                "endpoint": "'$AZURE_AI_SEARCH_ENDPOINT'",
                "key": "'$AZURE_AI_SEARCH_API_KEY'",
                "indexName": "'$AZURE_AI_SEARCH_INDEX'"
            }
        }
    ],
    "messages": [
        {
            "role": "user",
            "content": "What are the differences between Azure Machine Learning and Azure AI services?"
        }
    ]
}

Журнал бесед для улучшения результатов

При чате с моделью, предоставление журнала чата поможет модели вернуть более качественные результаты. Вам не нужно включать context свойство сообщений помощника в запросы API для повышения качества ответа. Примеры см . в справочной документации по API.

Вызов функции

Некоторые модели Azure OpenAI позволяют определять средства и tool_choice параметры для включения вызовов функций. Вы можете настроить вызов функции с помощью REST API/chat/completions. Если оба tools источника данных находятся в запросе, применяется следующая политика.

  1. Если tool_choice это noneтак, средства игнорируются, а для создания ответа используются только источники данных.
  2. В противном случае, если tool_choice он не указан или указан как auto объект, источники данных игнорируются, а ответ будет содержать имя выбранных функций и аргументы, если таковые имеются. Даже если модель не выбирает функцию, источники данных по-прежнему игнорируются.

Если указанная выше политика не соответствует вашей необходимости, рассмотрите другие варианты, например : поток запросов или API помощников.

Оценка использования токенов для Azure OpenAI в данных

Azure OpenAI On Your Data Retrieval Дополненное поколение (RAG) — это служба, которая использует службу поиска (например, поиск azure AI) и поколение (модели Azure OpenAI), чтобы пользователи получили ответы на свои вопросы на основе предоставленных данных.

В рамках этого конвейера RAG существует три шага на высоком уровне:

  1. Переформатировать запрос пользователя в список намерений поиска. Это делается путем вызова модели с запросом, включающим инструкции, вопрос пользователя и журнал бесед. Давайте вызовем этот запрос намерения.

  2. Для каждого намерения из службы поиска извлекаются несколько блоков документов. После фильтрации неуместных блоков на основе заданного пользователем порога строгости и повторной обработки или агрегирования блоков на основе внутренней логики выбирается указанное пользователем количество блоков документов.

  3. Эти блоки документов, а также вопросы пользователя, журнал бесед, сведения о роли и инструкции отправляются в модель, чтобы создать окончательный ответ модели. Давайте вызовем этот запрос поколения.

В общей сложности существует два вызова модели:

  • Для обработки намерения: оценка маркера для запроса намерения включает те, которые относятся к вопросу пользователя, журналу бесед и инструкциям, отправленным в модель для создания намерений.

  • Для создания ответа: оценка маркера для запроса на создание включает в себя те, которые относятся к вопросу пользователя, журналу бесед, полученному списку фрагментов документов, сведениям о роли и инструкциям, отправленным в него для создания.

Для оценки общего токена модели необходимо учитывать созданные выходные маркеры (намерения и ответ). Суммирование всех четырех столбцов ниже дает среднее общее количество маркеров, используемых для создания ответа.

Модель Число маркеров запроса создания Число маркеров запроса намерения Число маркеров ответа Число маркеров намерения
gpt-35-turbo-16k 4297 1366 111 25
gpt-4-0613 3997 1385 118 18
gpt-4-1106-preview 4538 811 119 27
gpt-35-turbo-1106 4854 1372 110 26

Приведенные выше числа основаны на тестировании набора данных с помощью следующих компонентов:

  • Беседы 191
  • 250 вопросов
  • 10 средних токенов на вопрос
  • 4 беседы в среднем по одной беседе

И следующие параметры.

Параметр Значение
Количество извлеченных документов 5
Строгость 3
Размер блока 1024
Ограничение ответов на прием данных? Истина

Эти оценки зависят от значений, заданных для указанных выше параметров. Например, если для количества извлеченных документов задано значение 10, а строгость имеет значение 1, число маркеров увеличится. Если возвращенные ответы не ограничиваются приемными данными, в модели меньше инструкций, а количество маркеров будет уменьшаться.

Оценки также зависят от характера запрашиваемых документов и вопросов. Например, если вопросы открыты, ответы, скорее всего, будут длиннее. Аналогичным образом, более длинное системное сообщение будет способствовать более длинному запросу, который потребляет больше маркеров, и если журнал беседы длинный, запрос будет длиннее.

Модель Максимальные маркеры для системного сообщения
GPT-35-0301 400
GPT-35-0613-16K 1000
GPT-4-0613-8K 400
GPT-4-0613-32K 2000
GPT-35-turbo-0125 2000
GPT-4-turbo-0409 4000
GPT-4o 4000
GPT-4o-mini 4000

В приведенной выше таблице показано максимальное количество маркеров, которые можно использовать для системного сообщения. Чтобы просмотреть максимальные маркеры для ответа модели, см . статью о моделях. Кроме того, следующие маркеры также используют:

  • Мета-запрос: если вы ограничиваете ответы от модели на содержимое данных заземления (inScope=True в API), максимальное количество маркеров выше. В противном случае (например, если inScope=False) максимальное значение меньше. Это число является переменной в зависимости от длины маркера вопроса пользователя и журнала бесед. Эта оценка включает базовый запрос и запрос на перезапись запросов для извлечения.

  • Вопрос пользователя и журнал: переменная, но ограничена 2000 токенами.

  • Извлеченные документы (блоки): количество маркеров, используемых извлекаемыми блоками документов, зависит от нескольких факторов. Верхняя граница для этого — это количество извлеченных блоков документа, умноженное на размер блока. Однако он будет усечен на основе маркеров, доступных маркеров для конкретной модели, используемой после подсчета остальных полей.

    20% доступных маркеров зарезервированы для ответа модели. Остальные 80% доступных маркеров включают мета-запрос, журнал вопросов пользователя и беседы и системное сообщение. Оставшийся бюджет токена используется фрагментами извлеченных документов.

Чтобы вычислить количество маркеров, потребляемых входными данными (например, вопросом, сведениями о системном сообщении или роли), используйте следующий пример кода.

import tiktoken

class TokenEstimator(object):

    GPT2_TOKENIZER = tiktoken.get_encoding("gpt2")

    def estimate_tokens(self, text: str) -> int:
        return len(self.GPT2_TOKENIZER.encode(text))
      
token_output = TokenEstimator.estimate_tokens(input_text)

Устранение неполадок

Чтобы устранить сбои операций, всегда следите за ошибками или предупреждениями, указанными в ответе API или Azure OpenAI Studio. Ниже приведены некоторые распространенные ошибки и предупреждения:

Неудачные задания приема

Проблемы с ограничениями квот

Не удалось создать индекс с именем X в службе Y. Превышена квота индекса для этой службы. Сначала необходимо удалить неиспользуемые индексы, добавить задержку между запросами на создание индекса или обновить службу для более высоких ограничений.

Превышена квота стандартного индексатора X для этой службы. В настоящее время у вас есть индексаторы X уровня "Стандартный". Сначала необходимо удалить неиспользуемые индексаторы, изменить индексатор executionMode или обновить службу для более высоких ограничений.

Решение.

Обновление до более высокой ценовой категории или удаление неиспользуемых ресурсов.

Проблемы с временем ожидания предварительной обработки

Не удалось выполнить навык, так как сбой запроса веб-API

Не удалось выполнить навык, так как ответ на навык веб-API недопустим

Решение.

Разбиите входные документы на небольшие документы и повторите попытку.

Проблемы с разрешениями

Этот запрос не авторизован для выполнения этой операции

Решение.

Это означает, что учетная запись хранения недоступна с указанными учетными данными. В этом случае проверьте учетные данные учетной записи хранения, передаваемые API, и убедитесь, что учетная запись хранения не скрыта за частной конечной точкой (если частная конечная точка не настроена для этого ресурса).

Каждое сообщение пользователя может переводиться на несколько поисковых запросов, все из которых отправляются в ресурс поиска параллельно. Это может привести к регулированию, если количество реплик поиска и секций низко. Максимальное количество запросов в секунду, которое может поддерживать одна секция и одна реплика, может быть недостаточно. В этом случае рассмотрите возможность увеличения реплик и секций или добавления логики спящего и повторного выполнения в приложении. Дополнительные сведения см. в документации по поиску ИИ Azure.

Поддержка региональной доступности и модели

Область/регион gpt-35-turbo-16k (0613) gpt-35-turbo (1106) gpt-4-32k (0613) gpt-4 (1106-preview) gpt-4 (0125-preview) gpt-4 (0613) gpt-4o** gpt-4 (turbo-2024-04-09)
Восточная Австралия ✅ ✅ ✅ ✅ ✅
Восточная Канада ✅ ✅ ✅ ✅ ✅
Восточная часть США ✅ ✅ ✅
Восточная часть США 2 ✅ ✅ ✅ ✅
Центральная Франция ✅ ✅ ✅ ✅ ✅
Восточная Япония ✅
Центрально-северная часть США ✅ ✅ ✅
Восточная Норвегия; ✅ ✅
Центрально-южная часть США ✅ ✅
Южная Индия ✅ ✅
Центральная Швеция ✅ ✅ ✅ ✅ ✅ ✅
Северная Швейцария ✅ ✅ ✅
южная часть Соединенного Королевства ✅ ✅ ✅ ✅
западная часть США ✅ ✅ ✅

**Это реализация только для текста

Если ресурс Azure OpenAI находится в другом регионе, вы не сможете использовать Azure OpenAI On Your Data.

Следующие шаги