Usare pipeline di Azure Machine Learning senza codice per costruire pipeline RAG (anteprima)
Questo articolo offre esempi su come creare una pipeline RAG. Per gli scenari avanzati, è possibile creare pipeline di Azure Machine Learning personalizzate dal codice (in genere tramite notebook) in modo da avere un controllo granulare sul flusso di lavoro RAG. Azure Machine Learning offre diversi componenti di pipeline predefiniti per la suddivisione in blocchi dei dati, la generazione di incorporamenti, la creazione di dati di test, la generazione automatica di prompt e la valutazione di prompt. Questi componenti possono essere usati in base alle esigenze tramite i notebook. È anche possibile usare l'indice vettoriale creato in Azure Machine Learning in LangChain.
Importante
Questa funzionalità è attualmente in anteprima pubblica. Questa versione di anteprima viene fornita senza contratto di servizio, pertanto se ne sconsiglia l’uso per i carichi di lavoro in ambienti di produzione. Alcune funzionalità potrebbero non essere supportate o potrebbero presentare funzionalità limitate.
Per altre informazioni, vedere le Condizioni supplementari per l'uso delle anteprime di Microsoft Azure.
Prerequisiti
Una sottoscrizione di Azure. Se non hai una sottoscrizione di Azure, crea un account gratuito.
Accesso al Servizio OpenAI di Azure.
Abilitazione del prompt flow nell'area di lavoro di Azure Machine Learning
Nell'area di lavoro di Azure Machine Learning è possibile abilitare il prompt flow attivando l'opzione Crea soluzioni di intelligenza artificiale con prompt flow nel pannello Gestisci funzionalità di anteprima.
Repository di esempio del notebook della pipeline del flusso di richiesta
Azure Machine Learning offre esercitazioni sul notebook per diversi casi d'uso con pipeline del flusso di richiesta.
Generazione di dati di controllo qualità
La generazione di dati QA può essere usata per ottenere la richiesta migliore per RAG e per valutare le metriche per RAG. Questo notebook illustra come creare un set di controllo qualità dai dati (repository Git).
Generazione di dati di test e generazione automatica di prompt
Usare gli indici vettoriali per creare un modello di generazione aumentata di recupero e valutare il flusso di richiesta in un set di dati di test.
Creare un indice vettoriale basato su FAISS
Configurare una pipeline di Azure Machine Learning per eseguire il pull di un repository Git, elaborare i dati in blocchi, incorporare i blocchi e creare un indice vettoriale FAISS compatibile con langchain.
Passaggi successivi
Come creare un indice vettoriale nel prompt flow di Azure Machine Learning (anteprima)
Usare archivi di vettori con Azure Machine Learning (anteprima)