คำถามที่ถามบ่อยเกี่ยวกับการให้เหตุผลเชิงลึก

คำถามที่ถามบ่อย (FAQ) เหล่านี้อธิบายผลกระทบ AI ของคุณลักษณะการให้เหตุผลเชิงลึกใน Copilot Studio

การให้เหตุผลเชิงลึกคืออะไร

โมเดลการให้เหตุผลเชิงลึก เป็นโมเดลภาษาขนาดใหญ่ขั้นสูงที่ออกแบบมาเพื่อแก้ปัญหาที่ซับซ้อน พวกเขาพิจารณาคำถามแต่ละข้ออย่างรอบคอบสร้างห่วงโซ่ความคิดภายในโดยละเอียดก่อนที่จะให้คำตอบกลับไปยังผู้ใช้

จะใช้โมเดลการให้เหตุผลเชิงลึกใน Copilot Studio ได้อย่างไร

โมเดลการให้เหตุผลเชิงลึกใน Copilot Studio มอบความสามารถอันทรงพลังสำหรับการสร้างเอเจนต์ที่ซับซ้อน โมเดลเช่น Azure OpenAI o3 ใช้การให้เหตุผลเชิงลึกเพื่อปรับปรุงการตัดสินใจของเอเจนต์และให้การตอบที่แม่นยำมากขึ้น

เมื่อสร้างเอเจนต์ คุณสามารถเพิ่มคำสั่งที่กำหนดงานของเอเจนต์และวิธีการดำเนินงานได้ งานเหล่านี้มีตั้งแต่ง่ายไปจนถึงซับซ้อนสูง ซึ่งต้องมีการวิเคราะห์อย่างละเอียดถี่ถ้วน

ผู้สร้างสามารถใช้โมเดลการให้เหตุผลกับขั้นตอนเฉพาะในคำสั่งของเอเจนต์ ซึ่งจะช่วยเพิ่มความสามารถของเอเจนต์ในการให้เหตุผลขั้นสูงและให้ผลลัพธ์ที่แม่นยำและลึกซึ้งยิ่งขึ้น คุณสามารถเพิ่มโมเดลการให้เหตุผลเชิงลึกสำหรับงานที่ต้องการการวิจัยทางวิทยาศาสตร์ คำถามที่ซับซ้อน และการวิเคราะห์เชิงลึกของข้อมูลที่ไม่มีโครงสร้าง โมเดลเหล่านี้ให้ข้อมูลเชิงลึกนอกเหนือจากความสามารถของโมเดลที่เรียบง่ายกว่า

หากต้องการใช้โมเดลการให้เหตุผล ให้เพิ่มคำสำคัญเหตุผลลงในขั้นตอนเฉพาะของคำสั่งของเอเจนต์ ตัวอย่างเช่น: ใช้ 'เหตุผล' เพื่อกำหนดรายการถัดไปในชุดคณิตศาสตร์ เช่น 2, 5, 10, 17 การดำเนินการนี้จะทริกเกอร์โมเดลการให้เหตุผลระหว่างรันไทม์ของเอเจนต์สำหรับขั้นตอนเฉพาะนั้น Copilot Studio ปัจจุบันใช้โมเดล Azure OpenAI o3 เพื่อรองรับความสามารถในการให้เหตุผลขั้นสูง

จุดประสงค์ของการใช้โมเดลการให้เหตุผลเชิงลึกคืออะไร?

 โมเดลการให้เหตุผลเชิงลึกได้รับการออกแบบมาเพื่อจัดการกับงานที่ซับซ้อนซึ่งต้องใช้เหตุผลเชิงตรรกะการแก้ปัญหาและการวิเคราะห์ทีละขั้นตอน ตัวอย่างเช่น คุณสามารถใช้แบบจำลองการให้เหตุผลเชิงลึกเพื่อ:

• ประเมินแนวโน้มของตลาดและแนะนำโอกาสในการลงทุนที่ดีที่สุด แบบจำลองการให้เหตุผลเชิงลึกสามารถแบ่งข้อมูลตลาดออกเป็นขั้นตอนที่เล็กลงและจัดการได้ วิเคราะห์แนวโน้ม และแนะนำโอกาสในการลงทุนที่ดีที่สุด พวกเขาสามารถพิจารณาปัจจัยต่างๆ เช่น ข้อมูลในอดีต สภาวะตลาดปัจจุบัน และการคาดการณ์ในอนาคตเพื่อให้คำแนะนำการลงทุนอย่างรอบรู้

• วิเคราะห์ความต้องการที่เพิ่มขึ้นและแนะนำกลยุทธ์ในการจัดการสินค้าคงคลัง แบบจำลองสามารถวิเคราะห์รูปแบบอุปสงค์และอุปทานคาดการณ์ความต้องการสินค้าคงคลังในอนาคตและแนะนำกลยุทธ์ในการจัดการสินค้าคงคลังอย่างมีประสิทธิภาพ เมื่อพิจารณาถึงปัจจัยต่างๆ เช่น แนวโน้มตามฤดูกาล ความผันผวนของตลาด และการเปลี่ยนแปลงของห่วงโซ่อุปทาน แบบจำลองการให้เหตุผลเชิงลึกสามารถช่วยให้ธุรกิจเพิ่มประสิทธิภาพการจัดการสินค้าคงคลังได้

• แก้สมการเชิงอนุพันธ์และให้คำอธิบายทีละขั้นตอน แบบจำลองสามารถแก้ปัญหาทางคณิตศาสตร์ที่ซับซ้อน เช่น สมการเชิงอนุพันธ์ และให้คำอธิบายทีละขั้นตอนของการแก้ปัญหา ด้วยการแบ่งปัญหาออกเป็นขั้นตอนเล็ก ๆ และใช้เหตุผลเชิงตรรกะแบบจำลองการให้เหตุผลเชิงลึกสามารถนำเสนอวิธีแก้ปัญหาที่ชัดเจนและมีรายละเอียดสำหรับความท้าทายทางคณิตศาสตร์

โมเดลการให้เหตุผลเชิงลึกได้รับการประเมินอย่างไร และเมตริกใดที่ใช้ในการวัดประสิทธิภาพ

โมเดลการให้เหตุผลเชิงลึกที่ใช้ใน Copilot Studio จะได้รับการประเมินในด้านการยึดโยงกับข้อมูลจริง ความรับผิดชอบของ AI และความแม่นยำ Groundedness คือการทำให้แน่ใจว่าโมเดลส่งคืนเฉพาะเนื้อหาที่มีเหตุผลในบริบทที่เฉพาะเจาะจงในโลกแห่งความเป็นจริง AI ที่รับผิดชอบจะตรวจสอบการป้องกันอันตราย เช่น การโจมตีแบบเจลเบรก การโจมตีแบบแทรกพร้อมท์ข้ามโดเมน และเนื้อหาที่เป็นอันตราย

ในการวัดเทียบกับมิติเหล่านี้แบบจำลองจะได้รับการทดสอบกับชุดสถานการณ์ที่หลากหลายและให้คะแนนตามแต่ละมิติเหล่านี้ โมเดลการให้เหตุผลเชิงลึกทั้งหมดจะได้รับการประเมินก่อนเผยแพร่

ข้อจำกัดของโมเดลการให้เหตุผลเชิงลึกคืออะไร? ผู้สร้างสามารถลดผลกระทบของข้อจำกัดเหล่านี้ได้อย่างไร

• การใช้โมเดลการให้เหตุผล: เอเจนต์สามารถใช้โมเดลการให้เหตุผลเชิงลึกได้ก็ต่อเมื่อความสามารถของโมเดลการให้เหตุผลเชิงลึกถูกเปิดในการตั้งค่าของเอเจนต์

• เนื่องจากต้องใช้เวลาในการวิเคราะห์ การตอบสนองจากโมเดลการให้เหตุผลมักจะช้ากว่าเมื่อเทียบกับโมเดลภาษาการให้เหตุผลแบบไม่ลึกซึ้งอื่นๆ

การลดผลกระทบของข้อจำกัดเหล่านี้ คุณสามารถ:

• ตรวจสอบให้แน่ใจว่าความสามารถของโมเดลการให้เหตุผลเชิงลึกถูกเปิดใช้งานเฉพาะสำหรับเอเจนต์ที่จำเป็นเท่านั้น

• ใช้คีย์เวิร์ด เหตุผล ในคำสั่งของเอเจนต์เฉพาะขั้นตอนที่ได้รับประโยชน์จากโมเดลการให้เหตุผลเชิงลึก

• ใช้โมเดลการให้เหตุผลเชิงลึกสำหรับงานที่อนุญาตให้มีเวลาตอบสนองนานขึ้น หากจำเป็น แจ้งให้ผู้ใช้ทราบว่าบางการตอบของเอเจนต์อาจใช้เวลานานกว่าเดิม

ปัจจัยการดำเนินงานและการตั้งค่าใดที่ช่วยให้สามารถใช้โมเดลการให้เหตุผลเชิงลึกได้อย่างมีประสิทธิภาพและมีความรับผิดชอบ

โมเดลการให้เหตุผลเชิงลึกประกอบด้วยการป้องกันต่างๆ เพื่อให้แน่ใจว่าผู้ดูแลระบบ ผู้สร้าง และผู้ใช้จะได้รับประสบการณ์ที่ปลอดภัยและเป็นไปตามข้อกำหนด:

• อนุญาตเฉพาะโมเดลการให้เหตุผลเชิงลึกสำหรับเอเจนต์ที่ต้องการขั้นตอนการให้เหตุผลที่ซับซ้อนเท่านั้น สิ่งนี้ทำให้มั่นใจได้ว่าโมเดลจะถูกนำไปใช้ในส่วนที่สามารถสร้างคุณค่าได้มากที่สุด

• ใส่คำสำคัญ เหตุผล ในคำสั่งเพื่อทริกเกอร์โมเดลขณะรันไทม์สำหรับงานเฉพาะ ไม่ใช่ทุกงานที่อาจไม่ต้องใช้เหตุผลที่ซับซ้อน

• ทดสอบเอเจนต์อย่างละเอียดเพื่อให้แน่ใจว่ามีความถูกต้องและความน่าเชื่อถือของเอาต์พุตที่จัดทำโดยแบบจำลองการให้เหตุผลเชิงลึก การทดสอบยังช่วยระบุปัญหาที่อาจเกิดขึ้นและทำให้มั่นใจได้ว่าโมเดลทำงานได้ตามที่คาดไว้

• ใช้ แผนผังกิจกรรม เพื่อตรวจสอบว่าเอเจนต์ของคุณใช้โมเดลการให้เหตุผลเชิงลึกที่ใดในเซสชัน ขยายโหนดการให้เหตุผลเชิงลึกในแผนผังเพื่อตรวจสอบขั้นตอนที่โมเดลดำเนินการและผลลัพธ์ของโมเดล ช่วยให้คุณกำหนดได้ว่าโมเดลการให้เหตุผลกำลังส่งมอบฟังก์ชันการทำงานที่ต้องการหรือไม่

• เปรียบเทียบผลลัพธ์ที่มีและไม่ใช้แบบจำลองการให้เหตุผลเชิงลึกโดยอัปเดตคำแนะนำของคุณในระหว่างการทดสอบ