了解如何建置好您的語言模型

已完成

語言模型擅長產生引人入勝的文字，而且很適合作為 Copilot 的基礎。 Copilots 為使用者提供直觀聊天應用程式，以在其工作中接受協助。 設計特定使用案例的 Copilot 時，建議您確保已建立語言模型，並使用與使用者需求相關的事實資訊。

雖然語言模型以大量資料進行定型，但它們可能無法存取您想要提供給使用者的知識。 若要確保 Copilot 是以特定資料為基礎來提供精確且針對特定領域的回應，您可以使用 檢索增強生成 (RAG)。

了解 RAG

RAG 是一種技術，可用來建立語言模型。 換句話說，這是擷取與使用者初始提示相關的資訊的程序。 一般而言，RAG 模式會納入下列步驟:

1. 根據初始使用者輸入的提示 擷取 接地資料。
2. 增強 具有接地資料的提示。
3. 使用語言模型來 產生 接地回應。

藉由從指定的資料來源擷取內容，您可確保語言模型在回應時使用相關資訊，而非依賴其定型資料。

在許多情況下，如果您希望建立語言模型並提高 Copilot 回應的事實正確性，那麼使用 RAG 便是一種功能強大且易於使用的技術。

將接地資料新增至 Azure AI 專案

您可以使用 Azure AI Studio 來建置自訂的 Copilot，以使用您自己的資料進行接地提示。 Azure AI Studio 支援一系列資料連線，可供您用以將資料新增至專案，包括:

• Azure Blob 儲存體
• Azure Data Lake Storage Gen2 \(部分機器翻譯\)
• Microsoft OneLake

您也可以將檔案或資料夾上傳至 AI Studio 專案所使用的儲存空間。