Partilhar via

Usar pipelines do Azure Machine Learning sem código para construir pipelines RAG (visualização)

  • Artigo

Este artigo oferece exemplos sobre como criar um pipeline RAG. Para cenários avançados, você pode criar seus próprios pipelines personalizados do Azure Machine Learning a partir de código (normalmente blocos de anotações) que permite o controle granular do fluxo de trabalho RAG. O Azure Machine Learning fornece vários componentes de pipeline integrados para fragmentação de dados, geração de incorporações, criação de dados de teste, geração automática de prompts, avaliação de prompts. Esses componentes podem ser usados de acordo com suas necessidades usando notebooks. Você pode até usar o Índice de Vetores criado no Aprendizado de Máquina do Azure em LangChain.

Importante

Esta funcionalidade está atualmente em pré-visualização pública. Esta versão de pré-visualização é fornecida sem um contrato de nível de serviço e não a recomendamos para cargas de trabalho de produção. Algumas funcionalidades poderão não ser suportadas ou poderão ter capacidades limitadas.

Para obter mais informações, veja Termos Suplementares de Utilização para Pré-visualizações do Microsoft Azure.

Pré-requisitos

  • Uma subscrição do Azure. Se não tiver uma subscrição do Azure, crie uma conta gratuita.

  • Acesso ao Azure OpenAI.

  • Habilitar o fluxo de prompt em seu espaço de trabalho do Azure Machine Learning

Em seu espaço de trabalho do Azure Machine Learning, você pode habilitar o fluxo de prompt ativando Criar soluções de IA com fluxo de prompt no painel Gerenciar recursos de visualização.

Repositório de exemplos de bloco de notas do pipeline do Fluxo Imediato

O Azure Machine Learning oferece tutoriais de bloco de notas para vários casos de utilização com pipelines de fluxo imediato.

Geração de dados de QA

A Geração de Dados de Garantia de Qualidade pode ser utilizada para obter o melhor pedido para o RAG e avaliar métricas do RAG. Este bloco de notas mostra como criar um conjunto de dados de Garantia de Qualidade com base nos seus dados (repositório Git).

Geração de dados de teste e prompt automático

Utilize índices de vetor para criar um modelo de geração aumentada de obtenção e avaliar o fluxo imediato num conjunto de dados de teste.

Criar um índice vetorial baseado em FAISS

Configure um Pipeline do Azure Machine Learning para extrair um Repositório Git, processar os dados em segmentos, inserir os segmentos e criar um Índice de Vetor FAISS compatível com langchain.

Próximos passos

Como criar índice de vetor no fluxo de prompt do Aprendizado de Máquina do Azure (visualização)

Usar Repositórios de Vetores com o Azure Machine Learning (visualização)