Yapay zeka için Azure PaaS çözümlerini seçin

Bu makalede, hizmet olarak yapay zeka platformu (PaaS) çözümleri için Azure kaynakları seçme adımları açıklanmaktadır.

Üretken yapay zeka iş yükleri için kaynakları seçme

Üretken yapay zeka, giriş verilerini işlemek ve anlamlı çıkışlar üretmek için birden çok kaynak kullanır. Geri alma artırılmış üretim (RAG) kullanan uygulamalar gibi etkili uygulamalar oluşturmak için yapay zeka modellerini destekleyecek kaynakları seçin ve doğru sonuçlar almasını sağlayın.

Genel bir yapay zeka iş akışı aşağıdadır:

1. Kullanıcı isteğini alın. Yapay zeka uygulaması veya aracısı bir kullanıcı sorgusu veya istemi alır.
2. İsteği düzenleyin. Orkestrasyon katmanı, yapay zeka uygulaması veya aracısı için geri getirme ve model çağırmayı koordine eder.
3. İlgili içeriği getirin. Temellendirme gerektiğinde, orkestrasyon katmanı bir dizin veya vektör veritabanından ilgili içeriği almak için bir arama ve alma mekanizması kullanır.
4. Topraklama verilerini kullanın. Dizin veya vektör veritabanı Azure Depolama, Azure SQL Veritabanı veya Azure Cosmos DB gibi kaynaklardan gelen grounding verilerini içerir veya dizinler.
5. Yanıtı oluşturun ve döndürin. Orkestrasyon katmanı, kullanıcı isteğini alınan tüm içeriklerle birleştirir ve isteği üretken yapay zeka uç noktasına gönderir. Model, AI uygulamasına veya aracısına geri iletilen bir yanıt oluşturur.

Üretken yapay zeka kaynak seçimi

Üretken yapay zeka uygulamaları ve aracıları oluşturmak ve yönetmek için Microsoft Foundry'yi kullanın. Foundry model, ajanlar, araçlar, değerlendirme, gözlemlenebilirlik ve yönetim özellikleri sağlar.

1. Bir model ve dağıtım yaklaşımı seçin. İşlevsel, kalite, uyumluluk ve maliyet gereksinimlerinizi karşılayan bir model seçin. Bkz. Dağıtım seçeneği ve Dağıtım türü.

2. Bir düzenleyici seçin. Uygulamanızın veya aracınızın model isteklerini, geri getirmeyi, araçlarını, durumunu ve uygulama mantığını nasıl eşgüdümlü hale getireceğini belirleyin. Yönetilen aracı barındırma ve yaşam döngüsü özelliklerine ihtiyacınız olduğunda Foundry Aracı Hizmeti'ni kullanın. Uygulamanız aracı veya iş akışı mantığını yönettiğinde Microsoft Agent Framework kullanın.

3. Bir arama ve bilgi alma mekanizması seçin. Bir veya daha fazla içerik kaynağında yönetilen arama dizinine ihtiyacınız olduğunda Azure Yapay Zeka Arama kullanın. Embeddinglerin işletimsel verilerle kalması gerektiğinde vektör özelliklerine sahip bir veritabanı düşünün. Desteklenen hizmetleri gecikme süresi, ölçeklendirme, güncelleştirme sıklığı ve tümleştirme gereksinimlerine göre karşılaştırmak için Azure vektör arama karar kılavuzunu kullanın.

4. Verileri bağlamlandırma için bir veri kaynağı seçin. Görüntüler, ses, video veya büyük veri kümeleri için temel verileri Azure Blob Depolama'da saklayın. Azure Yapay Zeka Arama tarafından desteklenen veritabanlarını veya vektör veritabanlarını da kullanabilirsiniz.

5. Uygulama barındırma seçeneğini seçin. Uygulamanız ve destekleyici bileşenler için bir hesaplama hizmeti seçmek üzere Azure hesaplama karar ağacını kullanın.

Yaratıcı olmayan yapay zeka iş yükleri için kaynakları seçme

Yaratıcı olmayan yapay zeka iş yükleri, makine öğrenmesi görevlerini desteklemek için platformları, işlem kaynaklarını, veri kaynaklarını ve veri işleme araçlarını kullanır. Önceden oluşturulmuş veya özel çözümlerle yapay zeka iş yükleri oluşturmanıza yardımcı olacak kaynakları seçin.

Yaratıcı olmayan yapay zeka iş akışı

Aşağıdaki iş akışı yukarıdaki diyagramla eşleşir:

1. Yapay zeka uygulaması gelen verileri alır.
2. İsteğe bağlı bir veri işleme mekanizması verileri ayıklar veya dönüştürür.
3. Yapay zeka modeli uç noktası verileri analiz eder.
4. Verileri yapay zeka modellerini eğit veya hassas ayarlama için kullanabilirsiniz.

Yaratıcı olmayan yapay zeka kaynak seçimi

Yaratıcı olmayan yapay zeka iş yükleri oluşturmak için şu adımları izleyin:

1. Üretken olmayan bir yapay zeka platformu seçin. İhtiyaçlarınıza göre Döküm Araçları'nı veya Machine Learning kullanın. Döküm Araçları, dağıtımı basitleştiren ve gelişmiş veri bilimi becerilerine olan ihtiyacı azaltan önceden oluşturulmuş modeller sunar. Machine Learning verilerinizle özel modeller geliştirmenize ve bunları iş yüklerinizle tümleştirmenize olanak tanır.

2. Eğitim ve çıkarım işlemini seçin. Azure Machine Learning, eğitim işlerini çalıştırmak ve modelleri dağıtmak için işlem kaynaklarını kullanır. İş yükü performansı, ölçeklendirme ve maliyet gereksinimlerine göre işlem kaynaklarını seçin. Önceden oluşturulmuş Foundry Tools'ların çoğu yönetilen API'ler sunar, böylece hizmet için model barındırma amacıyla işlem kaynağı sağlamanız gerekmez.

3. Bir veri kaynağı seçin. Azure Machine Learning için eğitim ve doğrulama verileri için desteklenen veri kaynaklarını seçin. Özelleştirilebilir Foundry Tools için seçili aracın veri, depolama ve veri ikameti gereksinimlerini gözden geçirin.

4. Uygulama barındırmayı seçin. Uygulamanız ve destekleyici bileşenleriniz için bir hesaplama hizmeti seçmek amacıyla Azure hesaplama karar ağacını kullanın.

5. Bir veri işleme yaklaşımı seçin (isteğe bağlı). Yapay zeka modelini çağırmadan önce iş yükünün veri dönüşümü mü, olay odaklı işleme mi yoksa diğer ön işleme mi gerektirdiğini belirleyin. İş yükünün işleme gereksinimlerini karşılayan bir Azure veri işleme hizmeti seçin.

Sonraki Adımlar

Azure ağ seçenekleri hakkında bilgi edin