Delen via

Azure Machine Learning-pijplijnen zonder code gebruiken om RAG-pijplijnen te bouwen (preview)

  • Artikel

In dit artikel vindt u voorbeelden van het maken van een RAG-pijplijn. Voor geavanceerde scenario's kunt u uw eigen aangepaste Azure Machine Learning-pijplijnen bouwen op basis van code (meestal notebooks) waarmee u gedetailleerde controle over de RAG-werkstroom kunt uitvoeren. Azure Machine Learning biedt verschillende ingebouwde pijplijnonderdelen voor het segmenteren van gegevens, het genereren van insluitingen, het maken van testgegevens, het automatisch genereren van prompts, het evalueren van prompts. Deze onderdelen kunnen op basis van uw behoeften worden gebruikt met behulp van notebooks. U kunt zelfs de Vector Index gebruiken die is gemaakt in Azure Machine Learning in LangChain.

Belangrijk

Deze functie is momenteel beschikbaar als openbare preview-versie. Deze preview-versie wordt geleverd zonder een service level agreement en we raden deze niet aan voor productieworkloads. Misschien worden bepaalde functies niet ondersteund of zijn de mogelijkheden ervan beperkt.

Zie Aanvullende gebruiksvoorwaarden voor Microsoft Azure-previews voor meer informatie.

Vereisten

  • Een Azure-abonnement. Als u nog geen Azure-abonnement hebt, maakt u een gratis account.

  • Toegang tot Azure OpenAI.

  • Promptstroom inschakelen in uw Azure Machine Learning-werkruimte

In uw Azure Machine Learning-werkruimte kunt u promptstroom inschakelen door AI-oplossingen bouwen in te schakelen met promptstroom in het deelvenster Preview-functies beheren.

Voorbeeldopslagplaats voor notebooks voor promptstroompijplijnen

Azure Machine Learning biedt notebookzelfstudies voor verschillende toepassingen met promptstroompijplijnen.

QA-gegevens genereren

QA-gegevensgeneratie kan worden gebruikt om de beste prompt voor RAG te krijgen en om metrische gegevens voor RAG te evalueren. In dit notebook ziet u hoe u een QA-gegevensset maakt op basis van uw gegevens (Git-opslagplaats).

Gegevens genereren en automatisch vragen testen

Gebruik vectorindexen om een model voor retrieval augmented generation te bouwen en een promptstroom te evalueren met behulp van een testgegevensset.

Een op FAISS gebaseerde vectorindex maken

Stel een Azure Machine Learning-pijplijn in om een Git-opslagplaats op te halen, de gegevens te verwerken in segmenten, de segmenten in te sluiten en een langchain-compatibele FAISS-vectorindex te maken.

Volgende stappen

Vectorindex maken in azure Machine Learning-promptstroom (preview)

Vector Stores gebruiken met Azure Machine Learning (preview)