基礎性偵測

地面偵測 API 會偵測大型語言模型 （LLM） 的文字回應是否以使用者所提供的來源數據為依據。 非背景性是指 LLM 從來源數據中出現的信息產生非事實或不準確信息的實例。

關鍵字詞

• 擷取增強世代（RAG）：RAG 是一種技術，可透過其他數據增強 LLM 知識。 LLM 可以推理廣泛的主題，但其知識僅限於在訓練時可用的公用數據。 如果您想要建置在模型截止日期之後導入私人數據或數據的相關 AI 應用程式，您必須提供該特定資訊給模型。 將適當資訊帶入模型提示並將其插入模型提示的程式稱為「擷取增強產生」（RAG）。 如需詳細資訊，請參閱 擷取增強世代 （RAG）。

• LLM 中的地面和非前景性：這是指模型輸出根據提供的資訊，或準確地反映可靠來源的程度。 有根據的反應密切遵守給定的資訊，避免猜測或捏造。 在地面測量中，來源信息至關重要，並可作為地面來源。

地面偵測功能

• 網域選取：用戶可以選擇已建立的網域，以確保更量身打造的偵測符合其欄位的特定需求。 目前可用的網域為 MEDICAL 和 GENERIC。
• 工作規格：此功能可讓您選取您正在執行的工作，例如 QnA（問答）和摘要，並根據工作類型調整設定。
• 速度與可解釋性：有兩種模式可取捨速度與結果可解譯性。
  • 非推理模式：提供快速偵測功能;容易內嵌至在線應用程式。
  • 推理模式：提供偵測到未前景區段的詳細說明;更妥善地了解和緩和。

使用案例

地面偵測支援以文字為基礎的摘要和 QnA 工作，以確保產生的摘要或答案正確且可靠。 以下是每個使用案例的一些範例：

摘要工作：

• 醫學摘要：在醫學新聞文章的內容中，可以使用基礎偵測來確保摘要不包含捏造或誤導性資訊，保證讀者獲得準確可靠的醫療資訊。
• 學術論文摘要：當模型產生學術論文或研究文章的摘要時，函式有助於確保摘要內容準確地代表關鍵發現和貢獻，而不引入虛假宣告。

QnA 工作：

• 客戶支援聊天機器人：在客戶支援中，函式可用來驗證 AI 聊天機器人所提供的答案，確保客戶在詢問產品或服務問題時收到準確且值得信任的資訊。
• 醫療 QnA：針對醫療 QnA，此功能可協助驗證 AI 系統提供給醫療保健專業人員和病患的醫療解答和建議的正確性，降低醫療錯誤的風險。
• 教育 QnA：在教育設定中，函式可以套用至 QnA 工作，以確認學術問題或考試準備查詢的解答實際上是準確的，可支援學習程式。

限制

語言可用性

目前，地面偵測 API 支援英文內容。 雖然我們的 API 不會限制非英文內容的提交，但我們無法保證對其他語言內容的分析具有相同的品質和精確度。 我們建議使用者主要以英文提交內容，以確保 API 最可靠且最精確的結果。

文字長度限制

如需文字長度限制上限，請參閱 輸入需求 。

地區

若要使用此 API，您必須在支持的區域中建立 Azure AI Content Safety 資源。 請參閱 區域可用性。

TPS 限制

請參閱 查詢速率。

如果您需要較高的費率， 請與我們 連絡以要求。

下一步

請遵循快速入門，開始使用 Azure AI 內容安全性來偵測基礎性。

基礎性偵測快速入門