Inzicht in azure AI Foundry-mogelijkheden
Azure AI Foundry Portal biedt een gebruikersinterface op basis van hubs en projecten. Over het algemeen biedt het maken van een hub uitgebreidere toegang tot Azure AI en Azure Machine Learning. Binnen een hub kunt u projecten maken. Projecten bieden specifiekere toegang tot modellen en agentontwikkeling. U kunt uw projecten beheren via de overzichtspagina van de Azure AI Foundry-portal.
Wanneer u een Azure AI Hub maakt, worden er meerdere andere resources gecreëerd, waaronder een Azure AI-services resource. In azure AI Foundry Portal kunt u allerlei Soorten Azure AI-services testen, waaronder Azure AI Speech, Azure AI Language, Azure AI Vision en Azure AI Foundry Content Safety.
Naast demo's biedt Azure AI Foundry Portal speeltuinen om Azure AI-services en andere modellen uit de modelcatalogus te testen.
Modellen aanpassen
Er zijn veel manieren om de modellen aan te passen in generatieve AI-toepassingen. Het doel van het aanpassen van uw model is het verbeteren van aspecten van de prestaties, waaronder kwaliteit en veiligheid van de reacties. Laten we eens kijken naar vier van de belangrijkste manieren waarop u modellen in Azure AI Foundry kunt aanpassen.
| Methode | Beschrijving |
|---|---|
| Grondgegevens gebruiken | Grounding verwijst naar het proces om ervoor te zorgen dat de uitvoer van een systeem wordt afgestemd op feitelijke, contextuele of betrouwbare gegevensbronnen. Grounding kan op verschillende manieren worden uitgevoerd, zoals het koppelen van het model aan een database, het gebruik van zoekmachines voor het ophalen van realtime informatie of het opnemen van domeinspecifieke knowledge bases. Het doel is om de reacties van het model op deze gegevensbronnen te verankeren, waardoor de betrouwbaarheid en toepasselijkheid van de gegenereerde inhoud worden verbeterd. |
| Rag (Retrieval-Augmented Generation) implementeren | RAG vergroot een taalmodel door het te verbinden met de eigen database van een organisatie. Deze techniek omvat het ophalen van relevante informatie uit een gecureerde gegevensset en het gebruik ervan om contextuele nauwkeurige antwoorden te genereren. RAG verbetert de prestaties van het model door het te voorzien van up-to-datum- en domeinspecifieke informatie, wat helpt bij het genereren van nauwkeurigere en relevante antwoorden. RAG is handig voor toepassingen waarbij realtime toegang tot dynamische gegevens cruciaal is, zoals klantondersteuning of kennisbeheersystemen. |
| Afstemmen | Omvat het nemen van een vooraf getraind model en het verder trainen op een kleinere, taakspecifieke gegevensset om het geschikter te maken voor een bepaalde toepassing. Met dit proces kan het model zich specialiseren en beter presteren bij specifieke taken waarvoor domeinspecifieke kennis is vereist. Fijnafstemming is handig voor het aanpassen van modellen aan domeinspecifieke vereisten, het verbeteren van de nauwkeurigheid en het verminderen van de kans op het genereren van irrelevante of onnauwkeurige antwoorden. |
| Besturingselementen voor beveiliging en governance beheren | Beveiliging en beheerbeheer zijn nodig voor het beheren van toegang, verificatie en gegevensgebruik. Deze besturingselementen helpen voorkomen dat onjuiste of niet-geautoriseerde gegevens worden gepubliceerd. |
Laten we nu eens begrijpen hoe Azure AI Foundry hulpprogramma's biedt voor de prestatieevaluatie van AI-toepassingen.