Общие сведения о том, как заземлить языковую модель
Языковые модели excel в создании привлекательного текста и идеально подходят для копилотов. Копилоты предоставляют пользователям интуитивно понятное приложение на основе чата для получения помощи в работе. При проектировании copilot для конкретного варианта использования необходимо убедиться, что языковая модель создается на основе и использует фактическую информацию, соответствующую потребностям пользователя.
Хотя языковые модели обучены на большом количестве данных, они могут не иметь доступа к знаниям, которые вы хотите сделать доступными для пользователей. Чтобы убедиться, что copilot находится на основе конкретных данных для предоставления точных и доменных ответов, можно использовать извлечение дополненного поколения (RAG).
Общие сведения о RAG
RAG — это метод, который можно использовать для создания языковой модели. Другими словами, это процесс получения сведений, относящихся к первоначальному запросу пользователя. Как правило, шаблон RAG включает следующие действия:
- Получение данных о заземления на основе начального запроса, введенного пользователем.
- Расширяйте запрос с использованием данных о заземления.
- Используйте языковую модель для создания заземленного ответа.
Извлекая контекст из указанного источника данных, вы гарантируете, что языковая модель использует соответствующую информацию при реагировании, вместо того чтобы полагаться на их обучающие данные.
Использование RAG — это мощный и простой способ использования во многих случаях, в которых вы хотите заземлить языковую модель и повысить фактическую точность ответов вашего copilot.
Добавление данных на основе в проект ИИ Azure
Azure AI Studio можно использовать для создания пользовательского copilot, использующего собственные данные для выполнения запросов. Azure AI Studio поддерживает ряд подключений к данным, которые можно использовать для добавления данных в проект, в том числе:
- Хранилище BLOB-объектов Azure
- Azure Data Lake Storage 2-го поколения
- Microsoft OneLake
Вы также можете передать файлы или папки в хранилище, используемое проектом AI Studio.
