Udostępnij za pośrednictwem

Używanie potoków usługi Azure Machine Learning bez kodu do konstruowania potoków RAG (wersja zapoznawcza)

  • Artykuł

W tym artykule przedstawiono przykłady tworzenia potoku RAG. W przypadku zaawansowanych scenariuszy możesz tworzyć własne niestandardowe potoki usługi Azure Machine Learning z poziomu kodu (zazwyczaj notesów), które umożliwiają szczegółową kontrolę nad przepływem pracy RAG. Usługa Azure Machine Learning udostępnia kilka wbudowanych składników potoku na potrzeby fragmentowania danych, osadzania generowania, tworzenia danych testowych, automatycznego generowania monitów, oceny monitów. Te składniki mogą być używane zgodnie z potrzebami przy użyciu notesów. Możesz nawet użyć indeksu wektorowego utworzonego w usłudze Azure Machine Learning w języku LangChain.

Ważne

Ta funkcja jest obecnie w publicznej wersji zapoznawczej. Ta wersja zapoznawcza jest udostępniana bez umowy dotyczącej poziomu usług i nie zalecamy korzystania z niej w przypadku obciążeń produkcyjnych. Niektóre funkcje mogą być nieobsługiwane lub ograniczone.

Aby uzyskać więcej informacji, zobacz Uzupełniające warunki korzystania z wersji zapoznawczych platformy Microsoft Azure.

Wymagania wstępne

  • Subskrypcja platformy Azure. Jeśli nie masz subskrypcji platformy Azure, utwórz bezpłatne konto.

  • Dostęp do usługi Azure OpenAI.

  • Włączanie przepływu monitów w obszarze roboczym usługi Azure Machine Learning

W obszarze roboczym usługi Azure Machine Learning możesz włączyć przepływ monitów, włączając włączanie tworzenia rozwiązań sztucznej inteligencji z przepływem monitu w panelu Zarządzanie funkcjami w wersji zapoznawczej.

Przykładowe repozytorium notesu potoku usługi Prompt Flow

Usługa Azure Machine Learning oferuje samouczki dotyczące notesów dla kilku przypadków użycia z potokami natychmiastowych przepływów.

Generowanie danych QA

Generowanie danych QA może służyć do uzyskania najlepszego monitu dla RAG i oceny metryk RAG. W tym notesie pokazano, jak utworzyć zestaw danych QA na podstawie własnych danych (repozytorium Git).

Testowanie generowania danych i automatycznego monitowania

Użyj indeksów wektorów, aby utworzyć model RAG i ocenić natychmiastowy przepływ na testowym zestawie danych.

Tworzenie indeksu wektorów opartych na faISS

Skonfiguruj potok usługi Azure Machine Learning, aby ściągnąć repozytorium Git, przetworzyć dane w fragmentach, osadzić fragmenty i utworzyć indeks wektora FAISS zgodny z langchain.

Następne kroki

Jak utworzyć indeks wektorów w przepływie monitów usługi Azure Machine Learning (wersja zapoznawcza)

Używanie magazynów wektorów z usługą Azure Machine Learning (wersja zapoznawcza)