Usar canalizaciones de Azure Machine Learning sin código para construir canalizaciones de RAG (versión preliminar)
En este artículo se ofrecen ejemplos sobre cómo crear una canalización RAG. En escenarios avanzados, puede crear sus propias canalizaciones personalizadas de Azure Machine Learning a partir del código (normalmente cuadernos) que le permiten un control granular del flujo de trabajo de RAG. Azure Machine Learning proporciona varios componentes de canalización integrados para la fragmentación de datos, la generación de incrustaciones, la creación de datos de prueba, la generación automática de solicitudes y la evaluación de solicitudes. Estos componentes se pueden usar según sus necesidades mediante cuadernos. Incluso puede usar el índice de vectores creado en Azure Machine Learning en LangChain.
Importante
Esta característica actualmente está en su versión preliminar pública. Esta versión preliminar se ofrece sin un Acuerdo de Nivel de Servicio y no se recomienda para cargas de trabajo de producción. Es posible que algunas características no sean compatibles o que tengan sus funcionalidades limitadas.
Para más información, consulte Términos de uso complementarios de las Versiones Preliminares de Microsoft Azure.
Requisitos previos
Suscripción a Azure. Si no tiene una suscripción a Azure, cree una cuenta gratuita.
Acceso a Azure OpenAI.
Habilitar el flujo de solicitudes en el área de trabajo de Azure Machine Learning
En el área de trabajo de Azure Machine Learning, puede habilitar el flujo de solicitudes activando Creación de soluciones de IA con flujo de solicitudes en el panel Administrar características en versión preliminar .
Repositorio de ejemplo de cuaderno de canalización de flujo de solicitudes
Azure Machine Learning ofrece tutoriales de cuadernos para varios casos de uso con canalizaciones de flujo de solicitudes.
Generación de datos de QA
La generación de datos de QA se puede usar para obtener la mejor solicitud de RAG y para evaluar las métricas de RAG. En este cuaderno se muestra cómo crear un conjunto de datos de QA a partir de sus datos (repositorio de Git).
Generación de datos de prueba y solicitud automática
Use índices vectoriales para crear un modelo de generación aumentada de recuperación y para evaluar el flujo de solicitudes en un conjunto de datos de prueba.
Creación de un índice vectorial basado en FAISS
Configure una canalización de Azure Machine Learning para extraer un repositorio de Git, procesar los datos en fragmentos, insertar los fragmentos y crear un índice vectorial de FAISS compatible con LangChain.
Pasos siguientes
Use almacenes de vectores con Azure Machine Learning (versión preliminar)