了解 Azure AI Foundry 功能

  • 3 分钟

Azure AI Foundry 门户提供一个以中心和项目为基础的用户界面。 通常，创建 中心 可提供对 Azure AI 和 Azure 机器学习的更全面的访问。 在中心内，可以创建项目。 项目 提供对模型和代理开发的更具体的访问。 可以从 Azure AI Foundry 门户的 概述 页管理项目。

Azure AI Foundry 概述页的屏幕截图

创建 Azure AI 中心时，会同时创建其他几个资源，包括 Azure AI 服务 资源。 在 Azure AI Foundry 门户中，可以测试各种 Azure AI 服务，包括 Azure AI 语音、Azure AI 语言、Azure AI 视觉和 Azure AI Foundry 内容安全。

Azure AI Foundry 门户上的 Azure AI 服务的屏幕截图。

除了演示之外，Azure AI Foundry 门户还提供交互环境，用于测试 Azure AI 服务和模型目录中的其他模型。

Azure AI Foundry 门户中操场的屏幕截图

Azure AI Foundry 门户中聊天场的屏幕截图。

自定义模型

可通过多种方式自定义生成 AI 应用程序中的模型。 自定义模型的目的是提高其性能的各个方面，包括响应的质量和安全性。 让我们看看在 Azure AI Foundry 中自定义模型的主要方法中的四种。

方法 说明
使用上下文关联数据 上下文关联是指确保系统输出与事实、上下文或可靠数据源保持一致的过程。 接地可以通过多种方式来实现，比如将模型链接到数据库、使用搜索引擎检索实时信息，或合并特定领域的知识库。 目标是定位模型对这些数据源的响应，增强所生成内容的可信度和适用性。
实现检索增强生成 (RAG) RAG 通过将其连接到组织的专有数据库来增强语言模型。 此方法涉及从特选数据集检索相关信息，并使用它生成上下文准确的响应。 RAG 可以提供最新和与特定域相关的信息，这些信息有助于生成更准确且更相关的答案，因此可增强模型的性能。 对于实时访问动态数据至关重要的应用程序，例如客户支持或知识管理系统，RAG 非常有用。
微调 涉及到采用预先训练的模型，并在较小的特定于任务的数据集上进一步训练模型，使其更适合特定应用程序。 此过程可让模型对需要特定域相关知识的特定任务进行专门处理并提升执行性能。 微调有助于将模型适应特定于域的要求，提高准确性，并减少生成不相关或不准确的响应的可能性。
管理安全和治理控制 管理和治理控制是管理访问、身份验证和数据使用情况所必需的。 这些控制有助于防止发布不正确或未经授权的信息。

接下来，让我们了解 Azure AI Foundry 如何为生成式 AI 应用程序性能评估提供工具。