Förstå Azure AI Foundry-funktioner
Azure AI Foundry-portalen innehåller ett användargränssnitt baserat på hubbar och projekt. I allmänhet ger skapandet av en hubb mer omfattande åtkomst till Azure AI och Azure Machine Learning. I en hubb kan du skapa projekt. Projekt ger mer specifik åtkomst till modeller och agentutveckling. Du kan hantera dina projekt från Översiktssidan för Azure AI Foundry-portalen.
När du skapar en Azure AI Hub skapas flera andra resurser tillsammans, inklusive en Azure AI-tjänstresurs . I Azure AI Foundry-portalen kan du testa alla typer av Azure AI-tjänster, inklusive Azure AI Speech, Azure AI Language, Azure AI Vision och Azure AI Foundry Content Safety.
Utöver demonstrationer tillhandahåller Azure AI Foundry-portalen lekplatser för att testa Azure AI-tjänster och andra modeller från modellkatalogen.
Anpassning av modeller
Det finns många sätt att anpassa modellerna i generativa AI-program. Syftet med att anpassa din modell är att förbättra aspekter av dess prestanda, inklusive kvalitet och säkerhet för svaren. Låt oss ta en titt på fyra av de viktigaste sätten att anpassa modeller i Azure AI Foundry.
| Metod | Beskrivning |
|---|---|
| Använda jordningsdata | Grundläggning syftar på processen att säkerställa att ett systems utdata är anpassade till faktiska, kontextuella eller tillförlitliga datakällor. Förankring kan göras på olika sätt, till exempel genom att länka modellen till en databas, använda sökmotorer för att hämta realtidsinformation eller införliva domänspecifika kunskapsbaser. Målet är att förankra modellens svar på dessa datakällor, vilket förbättrar tillförlitligheten och tillämpligheten för det genererade innehållet. |
| Implementera Retrieval-Augmented generation (RAG) | RAG utökar en språkmodell genom att ansluta den till en organisations egen databas. Den här tekniken omfattar hämtning av relevant information från en kurerad datamängd och användning av den för att generera kontextuellt korrekta svar. RAG förbättrar modellens prestanda genom att ge den up-to- datum och domänspecifik information, vilket hjälper till att generera mer exakta och relevanta svar. RAG är användbart för program där realtidsåtkomst till dynamiska data är avgörande, till exempel kundsupport eller kunskapshanteringssystem. |
| Finjustering | Innebär att ta en förtränad modell och ytterligare träna den på en mindre, uppgiftsspecifik datamängd för att göra den mer lämplig för ett visst program. Med den här processen kan modellen specialisera sig och prestera bättre på specifika uppgifter som kräver domänspecifik kunskap. Finjustering är användbart för att anpassa modeller till domänspecifika krav, förbättra noggrannheten och minska sannolikheten för att generera irrelevanta eller felaktiga svar. |
| Hantera säkerhets- och styrningskontroller | Säkerhets- och styrningskontroller krävs för att hantera åtkomst, autentisering och dataanvändning. Dessa kontroller hjälper till att förhindra publicering av felaktig eller obehörig information. |
Nu ska vi förstå hur Azure AI Foundry tillhandahåller verktyg för generativ utvärdering av AI-programprestanda.