Copilot 詞彙
copilot – Copilots 是自然語言助理,可協助進行創意工作、產生見解、執行自動化工作流程等等。 Copilot 是由工作流程、動作、知識和觸發程式所組成,由一或多個基礎模型和協調器所提供,可監督和同步處理 copilot 的作業。 Copilot 可以在應用程式、Web 服務中提供產生的 AI 功能,並可發佈為 copilot 擴充功能,以擴充和自定義 Microsoft Copilot。
自定義 copilot – 是 Microsoft Copilot 的自定義版本,結合了指示、額外和/或自定義知識,以及任何技能組合。
Azure OpenAI 服務 – API 服務,可讓開發人員查詢 OpenAI 的 LLM,並保證使用者對 Microsoft 的預期。
Azure AI Studio – Pro-code 開發平臺,提供完整的自定義功能,並可透過彈性且整合的視覺效果和程式碼優先工具,以及預先建置的快速入門範本來控制產生的 AI 應用程式和模型。
Microsoft Copilot - 可存取且一致的 AI 介面,可讓使用者根據其需求和喜好設定存取 AI 功能,同時與 Microsoft 產品整合以發揮最大價值。 Microsoft Copilot 是您的日常 AI 小幫手 。
Microsoft Copilot Studio – 一種低/無程式代碼工具,可讓用戶輕鬆地將人工智慧整合到任何 M365 或 Power Platform 產品,為表單處理、物件偵測、預測等工作提供預先建置和自定義的 AI 模型和系統。
Copilot 擴充功能 – copilot 擴充功能會使用自定義的 copilot 來自定義和增強 Microsoft Copilot,讓新的動作和自定義知識能夠在 Copilot 內建立基礎。 透過 Copilot 擴充功能,用戶可以獲得 Microsoft Copilot 體驗,並針對他們每天使用的數據、系統和工作流程量身打造。 外掛程式 – 一種 copilot 擴充功能。 Microsoft 已定義新的外掛程式指令清單,可解除鎖定撰寫外掛程式一次,並在任何 copilot 介面上的任何位置執行它的能力。 外掛程式應視為不可部分完成的功能擴充性成品,可以使用任何其他 copilot 擴充功能來組成。
Microsoft Copilot 連接器 – 一種 Copilot 擴充功能,可透過 Microsoft Copilot Studio 進行低且無程式代碼體驗。 Copilot 連接器會配套來自 Microsoft Graph 連接器、Power Platform 連接器和 Microsoft Fabric 的功能和數據。
Microsoft Graph 連接器 – 由開發人員自定義建置,或由 IT 系統管理員啟用的預先建置連接器,可將數據從 LoB、內部部署和 SaaS 服務編製索引至 Microsoft Graph,以增強和增強智慧型服務的功能,例如 Microsoft Copilot、搜尋和 ContextIQ 以及 M365 數據和內容。
Power Platform 連接器 - 可讓 Microsoft Power Platform 與外部數據源和服務互動的連接器。
Teams 訊息擴 充功能 - Microsoft Teams 的一項功能,可讓使用者透過稱為調適型卡片的簡單 UX 元素,在 Web 服務/外部系統中搜尋或起始動作。 這些現在全都可作為外掛程式使用。
提示 – 產生 AI 模型的輸入,從中產生輸出 (通常稱為「答案」或「完成」) 。 通常是文字,但多模組模型可以使用文字、影像、音訊或這些模型的組合作為提示。
負責任 AI (RAI) – 這是 Microsoft 致力於定義的一組規範和標準,可透過治理、內部原則、啟用、外部參與和思考領導力,協助推動 AI 的安全且安全地使用,以實現整個社會的優點。
基礎模型 - 針對廣泛數據進行定型的 AI 模型,可將其套用到各種不同的使用案例,以支援語言處理、視覺理解、文字產生、程式代碼撰寫等工作。 另請參閱:LLM、SLM。
產生 AI – 一種 AI 形式,其特性是能夠建立輸入提示所建議的自然語言 / 更類似人類的內容,包括 Prose、verse、music 和 images。 GPT – (產生預先定型的轉換器) OpenAI 所建立並由 OpenAI 和 Azure 裝載的基礎模型類別。 這個類別中最近的模型是 「GPT-4 Turbo」。。
接地 – 是將 AI 系統中的抽象知識連結至特定真實世界內容的程式。 它可提高 AI 代理程式理解和與真實世界數據互動的精確度。
LLM (大型語言模型) - 針對大量數據進行定型的產生 AI 模型,通常透過聊天機器人對自然語言查詢產生類似人類的回應。 另請參閱:基礎模型。
LLMOps - 簡化從構想到營運的 LLM 架構應用程式端對端開發流程。
低程式代碼 – 通常牽涉到圖形化/可視化介面和最少的程式代碼撰寫,以允許快速、無障礙的應用程式開發。 不同於 Pro-code 工具,大部分的基礎概念和技術都會從用戶體驗中抽象化。
MLOps – 簡化機器學習應用程式從概念化到操作化的端對端開發流程。 MLOps 在物件、焦點方面與 LLMOps 有所區別,特別是自然語言處理需求和資產所引發的挑戰。 Pro-Code – 包含深入自定義和控制模型和應用程式效能的能力。 這可能包括 GUI 型設定和管理功能,除了程式代碼優先介面之外,也需要深入瞭解基礎概念和技術。 RAG – (擷取擴增世代) 是一個程式,可讓 AI 模型從知識源擷取相關信息,並將其併入產生的文字中。 這是一種人工智慧架構,可藉由將模型以外部知識源為基礎來補充其內部資訊表示法,來改善模型所產生的響應品質。