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。
意見反應
https://aka.ms/ContentUserFeedback。
即將登場:在 2024 年,我們將逐步淘汰 GitHub 問題作為內容的意見反應機制,並將它取代為新的意見反應系統。 如需詳細資訊,請參閱:提交並檢視相關的意見反應