次の方法で共有

コードなしで Azure Machine Learning パイプラインを使用して RAG パイプラインを構築する (プレビュー)

  • [アーティクル]

この記事では、RAG パイプラインを作成する方法の例を示します。 高度なシナリオでは、RAG ワークフローをきめ細かく制御できるコード (通常はノートブック) から独自のカスタム Azure Machine Learning パイプラインを構築できます。 Azure Machine Learning には、データ チャンク、埋め込み生成、テスト データ作成、自動プロンプト生成、プロンプト評価のための、いくつかの組み込みパイプライン コンポーネントが用意されています。 これらのコンポーネントは、ニーズに応じて、ノートブックを使って使用できます。 LangChain の Azure Machine Learning で作成されたベクター インデックスを使用することもできます。

重要

現在、この機能はパブリック プレビュー段階にあります。 このプレビュー バージョンはサービス レベル アグリーメントなしで提供されており、運用環境のワークロードに使用することは推奨されません。 特定の機能はサポート対象ではなく、機能が制限されることがあります。

詳しくは、Microsoft Azure プレビューの追加使用条件に関するページをご覧ください。

前提条件

  • Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、無料アカウントを作成してください。

  • Azure OpenAI へのアクセス。

  • Azure Machine Learning ワークスペースでプロンプト フローを有効にする

Azure Machine Learning ワークスペースでは、[プレビュー機能の管理] パネルで [プロンプト フローを使用して AI ソリューションをビルドする] をオンにすることで、プロンプト フローを有効にすることができます。

Prompt Flow パイプライン ノートブックのサンプル リポジトリ

Azure Machine Learning には、プロンプト フロー パイプラインを含むいくつかのユース ケース用のノートブック チュートリアルが用意されています。

QA データ生成

QA データ生成を使用して RAG の最適なプロンプトを取得し、RAG のメトリックを評価できます。 このノートブックでは、QA データセットをデータ (Git リポジトリ) から作成する方法を示します。

データ生成と自動プロンプトのテスト

ベクター インデックスを使用して、取得拡張生成モデルを構築し、プロンプト フローをテスト データセットで評価します。

FAISS ベースのベクター インデックスを作成する

Git リポジトリをプルし、データを処理してチャンクにし、チャンクを埋め込み、langchain 互換の FAISS ベクター インデックスを作成するように Azure Machine Learning パイプラインを設定します。

次の手順

Azure Machine Learning プロンプト フローでベクター インデックスを作成する方法 (プレビュー)

Azure Machine Learning でベクター ストアを使用する (プレビュー)