Informazioni su come definire la base del modello linguistico
I modelli linguistici sono perfetti per generare testi coinvolgenti e sono ideali come base per i copiloti. I copiloti forniscono agli utenti un'applicazione intuitiva basata sulla chat per ricevere assistenza nel proprio lavoro. Quando si progetta un copilota per un caso d'uso specifico, ci si vuole assicurare che il modello linguistico sia attivo e usi informazioni concrete e pertinenti alle esigenze dell'utente.
Anche se i modelli linguistici vengono sottoposti a training su una grande quantità di dati, potrebbero non avere accesso alle conoscenze che desideri rendere disponibili agli utenti. Per garantire che un copilota sia attivo su dati specifici per fornire risposte accurate e specifiche del dominio, puoi usare la Generazione aumentata di recupero (RAG).
Informazioni su RAG
RAG è una tecnica che puoi usare per definire la base di un modello linguistico. In altre parole, si tratta di un processo per il recupero di informazioni rilevanti per la richiesta iniziale dell'utente. In termini generali, il modello Retrieval Augmented Generation (RAG) incorpora i passaggi seguenti:
- Recuperare dati di base partendo dalla richiesta iniziale immessa dall'utente.
- Augmentare la richiesta con i dati di base.
- Usare un modello linguistico per generare una risposta basata sui dati di base.
Recuperando il contesto da una fonte di dati specifica, si garantisce che il modello linguistico utilizzi le informazioni pertinenti quando risponde, invece di basarsi sui dati di training.
L'uso di RAG è una tecnica potente e facile da usare per molti casi in cui desideri definire la base del modello linguistico e migliorare l'accuratezza effettiva delle risposte del copilota.
Aggiungere dati di base a un progetto di Azure per intelligenza artificiale
È possibile usare Studio AI della piattaforma Azure per creare un copilota che usa i dati personali come base per le richieste. Studio AI della piattaforma Azure supporta una gamma di connessioni dati che è possibile usare per aggiungere dati a un progetto, tra cui:
- Archiviazione BLOB di Azure
- Azure Data Lake Storage Gen2
- Microsoft OneLake
È anche possibile caricare file o cartelle nella risorsa di archiviazione usata dal progetto di Studio AI.
