Omówienie technologii sztucznej inteligencji

Sztuczna inteligencja to zestaw technologii, które umożliwiają maszynom postrzeganie, uczenie się, rozum, generowanie zawartości i przewidywanie. Ten artykuł zawiera omówienie pojęć związanych ze sztuczną inteligencją, platform programistycznych i wzorców architektury, które ułatwiają projektowanie obciążeń sztucznej inteligencji na Azure. Dołączanie sztucznej inteligencji do aplikacji w celu wykonywania funkcji lub podejmowania decyzji, których tradycyjna logika lub przetwarzanie nie może skutecznie obsługiwać. Jako architekt, który projektuje rozwiązania, musisz zrozumieć środowisko sztucznej inteligencji i uczenia maszynowego oraz jak zintegrować rozwiązania Azure z projektem obciążenia.

Integrowanie sztucznej inteligencji w obciążeniach Azure

Azure Architecture Center zawiera przykładowe architektury, przewodniki dotyczące architektury, plany bazowe architektury i pomysły dotyczące zastosowania do danego scenariusza. Obciążenia obsługujące przypadki użycia generatywnej lub dyskryminacyjnej sztucznej inteligencji powinny być zgodne ze wskazówkami Azure Well-Architected Framework dotyczącymi obciążeń AI na platformie Azure. Te wskazówki obejmują zasady i przewodniki projektowe wpływające na obciążenia sztucznej inteligencji i uczenia maszynowego w ramach filarów architektury niezawodność, zabezpieczenia, optymalizacja kosztów, doskonałość operacyjna i wydajność wydajności.

Następujące typy obciążeń nie należą do zakresu wskazówek dotyczących platformy Azure Well-Architected:

  • Obciążenia sztucznej inteligencji z małą ilością kodu i bez kodu, takie jak rozwiązania utworzone za pomocą Microsoft Copilot Studio. Aby uzyskać wskazówki dotyczące architektury dla tych obciążeń, zobacz Microsoft Copilot Studio architektury referencyjne i pomysły dotyczące rozwiązań.

  • Obciążenia obliczeń o wysokiej wydajności (HPC). Aby uzyskać wskazówki dotyczące architektury HPC, zobacz HPC on Azure (HpC on Azure).

  • Obciążenia, które nie implementują generowania ani dyskryminacyjnych przypadków użycia sztucznej inteligencji, takich jak tradycyjna analiza lub automatyzacja oparta na regułach.

Pojęcia dotyczące sztucznej inteligencji

Pojęcia związane ze sztuczną inteligencją obejmują szeroką gamę technologii i metodologii używanych przez maszyny do wykonywania zadań, które zwykle wymagają analizy ludzkiej. Poniższe sekcje zawierają omówienie kluczowych pojęć związanych ze sztuczną inteligencją.

Algorytmy

Algorytmy lub algorytmy uczenia maszynowego to fragmenty kodu, które ułatwiają eksplorowanie, analizowanie i znajdowanie znaczenia w złożonych zestawach danych. Każdy algorytm jest skończonym zestawem jednoznacznych instrukcji krok po kroku, które maszyna może wykonać w celu osiągnięcia określonego celu. Celem modelu uczenia maszynowego jest ustalenie lub odnalezienie wzorców, których ludzie mogą używać do przewidywania lub kategoryzowania informacji. Algorytm może opisać, jak sprawdzić, czy zwierzę jest kotem, psem, rybą, ptakem lub jaszczurką. Bardziej skomplikowany algorytm może opisywać sposób identyfikowania napisanego lub mówionego języka, analizowania słów, tłumaczenia ich na inny język, a następnie sprawdzania dokładności tłumaczenia.

Wybierz rodzinę algorytmów, która najlepiej odpowiada Twojemu zadaniu. Oceń różne algorytmy w ramach rodziny algorytmów, aby znaleźć najlepsze dopasowanie do obciążenia. Aby uzyskać więcej informacji, zobacz Co to są algorytmy uczenia maszynowego? w słowniku przetwarzania w chmurze Microsoft.

Uczenie maszynowe

Uczenie maszynowe to technika sztucznej inteligencji, która używa algorytmów do tworzenia modeli predykcyjnych. Te algorytmy analizują pola danych i uczą się na podstawie wzorców w danych w celu generowania modeli. Modele mogą następnie podejmować świadome przewidywania lub decyzje na podstawie nowych danych.

Modele predykcyjne są weryfikowane pod kątem znanych danych, mierzone według metryk wydajności dla określonych scenariuszy biznesowych, a następnie dostosowane zgodnie z potrzebami. Ten proces uczenia się i walidacji jest nazywany szkoleniem. W ramach okresowego ponownego trenowania modele uczenia maszynowego poprawiają się w czasie.

W projekcie obciążenia możesz użyć uczenia maszynowego, jeśli scenariusz zawiera wcześniejsze obserwacje, które niezawodnie przewidują przyszłe sytuacje. Te obserwacje mogą być uniwersalnymi prawdami, takimi jak przetwarzanie obrazów, które odróżniają jeden typ zwierzęcia od innego. Lub te obserwacje mogą być specyficzne dla Twojej sytuacji, takie jak przetwarzanie obrazów, które wykrywa potencjalny błąd montażu na liniach montażowych na podstawie wcześniejszych danych oświadczeń gwarancji.

Aby uzyskać więcej informacji, zobacz Co to jest uczenie maszynowe? w słowniku przetwarzania w chmurze Microsoft.

Uczenie głębokie

uczenie głębokie to typ uczenia maszynowego, który może uczyć się za pomocą własnego przetwarzania danych. Podobnie jak uczenie maszynowe, używa również algorytmów do analizowania danych. Analizuje jednak dane przy użyciu sztucznych sieci neuronowych, które mają wiele danych wejściowych, wyjściowych i warstw przetwarzania. Każda warstwa może przetwarzać dane w inny sposób. Dane wyjściowe jednej warstwy stają się danymi wejściowymi dla następnej. Uczenie głębokie używa tego procesu do tworzenia bardziej złożonych modeli niż tradycyjne uczenie maszynowe.

Uczenie głębokie wymaga dużej inwestycji w generowanie wysoce dostosowanych lub eksploracyjnych modeli. Zanim dodasz uczenie głębokie do swojego obciążenia, możesz najpierw rozważyć inne rozwiązania opisane w tym artykule.

Aby uzyskać więcej informacji, zobacz Co to jest uczenie głębokie? w słowniku przetwarzania w chmurze Microsoft.

Generatywna sztuczna inteligencja

Generatywna sztuczna inteligencja trenuje modele w celu generowania oryginalnej treści na podstawie wielu form treści, w tym języka naturalnego, widzenia komputerowego, dźwięku lub obrazów wejściowych. Generowanie sztucznej inteligencji umożliwia opisywanie żądanych danych wyjściowych w codziennym języku, a model reaguje, tworząc odpowiedni tekst, obraz i kod. Przykłady generacyjnych aplikacji sztucznej inteligencji obejmują rozwiązania Microsoft 365 Copilot i Microsoft Foundry.

  • Microsoft 365 Copilot to przede wszystkim interfejs użytkownika, który ułatwia pisanie kodu, dokumentów i innej zawartości opartej na tekście. Jest ona oparta na popularnych modelach z platform OpenAI i Anthropic i jest zintegrowana z szeroką gamą aplikacji i środowisk użytkownika firmy Microsoft.

  • Microsoft Foundry to platforma deweloperza jako usługa (PaaS), która zapewnia dostęp do hostingu agentów i katalogu modeli językowych z platformy OpenAI, Anthropic, Microsoft, xAI i innych dostawców. Aby uzyskać informacje o bieżącej dostępności modelu, zobacz katalog modeli Microsoft Foundry.

Modele językowe

Modele językowe to podzbiór generowania sztucznej inteligencji, który koncentruje się na zadaniach przetwarzania języka naturalnego, takich jak generowanie tekstu i analiza tonacji. Modele te reprezentują język naturalny na podstawie prawdopodobieństwa słów lub sekwencji słów występujących w danym kontekście.

Naukowcy używają konwencjonalnych modeli językowych w nadzorowanych ustawieniach do celów badawczych. Te modele są trenowane na dobrze oznaczonych zestawach danych tekstowych dla określonych zadań. Wstępnie wytrenowane modele językowe umożliwiają łatwe rozpoczęcie korzystania ze sztucznej inteligencji. Są one częściej używane w ostatnich latach. Te modele są szkolone na dużych zbiorach tekstowych z Internetu przez sieci neuronowe uczenia głębokiego. Dostosuj je do mniejszych zestawów danych pod kątem określonych zadań.

Liczba parametrów lub wagi określa rozmiar modelu językowego. Parametry wpływają na sposób przetwarzania danych wejściowych przez model i generowania danych wyjściowych. Podczas trenowania model dostosowuje wagi, aby zminimalizować różnicę między przewidywaniami a rzeczywistymi danymi. W ten sposób model uczy się parametrów. Im więcej parametrów ma model, tym bardziej złożony i wyrazisty jest. Jednak trenowanie i korzystanie z nich jest również droższe pod względem obliczeniowym.

Małe modele językowe zwykle mają mniej niż 10 miliardów parametrów, a duże modele językowe mają ponad 10 miliardów parametrów. Na przykład rodzina modeli Microsoft Phi obejmuje małe modele zaprojektowane pod kątem wydajności i efektywności kosztowej, a rodzina nadal rozwija się wraz z nowymi wariantami rozumowania, multimodalności i innych zadań. Aktualne nazwy modeli, ich rozmiary i możliwości znajdziesz w katalogu modeli Foundry.

Kopiloci

Rozwiązanie Microsoft 365 Copilot integruje się z szeroką gamą aplikacji i środowisk użytkownika firmy Microsoft. Jest oparta na otwartej architekturze, w której deweloperzy nie Microsoft mogą tworzyć własne wtyczki w celu rozszerzenia lub dostosowania środowiska użytkownika przy użyciu Microsoft 365 Copilot. Deweloperzy partnerów mogą również tworzyć własnych agentów przy użyciu tej samej otwartej architektury.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Generowanie wspomagane wyszukiwaniem

Retrieval-augmented generation (RAG) to wzorzec architektoniczny, który poprawia możliwości modelu językowego, na przykład ChatGPT, który jest trenowany tylko na danych publicznych. Użyj tego wzorca, aby dodać system wyszukiwania informacji, który dostarcza odpowiednie dane źródłowe w kontekście zapytania użytkownika. System pobierania informacji zapewnia kontrolę nad danymi uziemienia używanymi przez model językowy podczas formułowania odpowiedzi. Architektura RAG ułatwia generowanie sztucznej inteligencji w zakresie zawartości pochodzącej z wektoryzowanych dokumentów, obrazów i innych formatów danych. Funkcja RAG nie jest ograniczona do przechowywania wyszukiwań wektorowych. Funkcja RAG obsługuje każdą technologię magazynu danych.

Aby uzyskać więcej informacji, zobacz Zaprojektuj i opracuj rozwiązanie RAG i Wybierz usługę Azure do wyszukiwania wektorowego. Użyj baz wiedzy Foundry IQ jako źródła danych referencyjnych potrzebnych agentom Microsoft Foundry, korzystając z gotowego rozwiązania dla RAG.

Inżynieria kontekstu

Inżynieria kontekstu to praktyka projektowania sposobu wybierania, zakresu i kontekstu struktury, takich jak pobrane dokumenty, historia konwersacji, dane wyjściowe narzędzi, instrukcje systemowe i dane przedsiębiorstwa, dzięki czemu model sztucznej inteligencji może generować niezawodne i odpowiednie dane wyjściowe. RAG odpowiada za pozyskiwanie danych źródłowych, a inżynieria kontekstu jest szerszą dyscypliną architektoniczną, która reguluje dane wejściowe otrzymywane przez model oraz formę, jaką te dane wejściowe przyjmują.

W nowoczesnych architekturach sztucznej inteligencji, zwłaszcza opartych na agentach i generujących rozwiązania sztucznej inteligencji, kontekst jest krytycznym elementem projektu. Modele mają ograniczoną wbudowaną wiedzę i nie mają nieodłącznej świadomości na temat danych lub przepływów pracy specyficznych dla przedsiębiorstwa. Efektywne architektury obejmują potoki wyszukiwania, repozytoria pamięci, integracje narzędzi, mechanizmy zabezpieczające oraz zarządzanie promptami, które zapewniają odpowiedni kontekst we właściwym czasie. Bez celowego projektowania kontekstu architektury są podatne na błędy, nieaktualne odpowiedzi i niezamierzone ujawnienie poufnych danych.

Architektura oparta na agencie

Agent sztucznej inteligencji to system, który używa modelu językowego do decydowania, które akcje należy wykonać, które narzędzia mają być wywoływane oraz jak sekwencjonować kroki do wykonania zadania. W przeciwieństwie do standardowej integracji sztucznej inteligencji, w której kod aplikacji kontroluje przepływ pracy, agent ma powody dotyczące celów i autonomicznie określa własną ścieżkę wykonywania. Ta autonomia sprawia, że agenci nadają się do złożonych, wieloetapowych zadań, które wymagają dynamicznego podejmowania decyzji.

Architektura wielu agentów umożliwia podzielenie złożonych problemów na wyspecjalizowanych agentów, którzy koordynują tworzenie rozwiązania. Aby koordynować wielu agentów w złożonych scenariuszach sztucznej inteligencji, zobacz Wzorce aranżacji agentów sztucznej inteligencji.

Azure udostępnia dwa uzupełniające narzędzia do tworzenia architektur opartych na agentach:

  • Microsoft Agent Framework to zestaw SDK bazujący na kodzie do tworzenia agentów i przepływów pracy obejmujących wiele agentów. Udostępnia model programowania do definiowania zachowania agenta, integracji narzędzi i logiki aranżacji.

  • Foundry Agent Service obsługuje agentów zdefiniowanych przez Ciebie. Agenci ci łączą się z modelem bazowym w katalogu modeli AI oraz opcjonalnie z własnymi niestandardowymi magazynami wiedzy lub interfejsami API. Te agenty można definiować deklaratywnie lub Microsoft Foundry może je skonteneryzować i je hostować.

Narzędzia odlewnicze

Foundry Tools to gotowe i konfigurowalne modele AI oraz interfejsy API, które dodają aplikacjom inteligentne funkcje. Przypadki użycia obejmują przetwarzanie języka naturalnego, wyszukiwanie, tłumaczenie, mowę, wizję i podejmowanie decyzji. Użyj narzędzi Foundry, aby dodać sztuczną inteligencję do aplikacji bez kompilowania i trenowania modeli niestandardowych.

Aby uzyskać więcej informacji, zobacz Wybieranie technologii Foundry Tools.

Modele języków sztucznej inteligencji

Azure zapewnia dostęp do modeli językowych za pośrednictwem wielu usług i opcji wdrażania. Aby uzyskać podstawowe wyjaśnienie, czym są modele językowe i jak działają, zobacz Modele językowe. W tej sekcji omówiono modele dostępne na Azure oraz czynniki architektoniczne wpływające na wybór i hosting modelu.

  • Azure OpenAI zapewnia zarządzany dostęp do interfejsu API modeli OpenAI, w tym rodzin modeli o3, o4-mini, GPT-4.1, GPT-4o i GPT-4o mini. Modele te obsługują generowanie zawartości, podsumowywanie, rozumowanie, interpretację obrazów, wyszukiwanie semantyczne i tłumaczenie języka naturalnego na kod. Azure OpenAI zarządza hostingiem, skalowaniem i filtrowaniem zawartości. Obsługuje integrację sieci wirtualnej i uwierzytelnianie Microsoft Entra ID.

    Aby uzyskać informacje o bieżącej dostępności modelu według regionów, zobacz Azure modele OpenAI.

  • Foundry Models oferuje katalog zawierający ponad 1 900 modeli od firm Microsoft, OpenAI, DeepSeek, Meta, Hugging Face i innych dostawców. Katalog zawiera modele podstawowe, modele rozumowania, małe modele językowe, modele wielomodalne i modele specyficzne dla domeny. Modele można porównywać, oceniać, dostosowywać i wdrażać bezpośrednio z katalogu.

  • Modele Phi to małe modele językowe, które Microsoft oferuje. Małe modele językowe są mniej intensywnie obciążane obliczeniami niż duże modele i mogą być bardziej wydajne, interpretowane i ekonomiczne dla zadań docelowych. W zależności od rozmiaru modelu uruchamiaj małe modele językowe w tym samym procesie lub na tych samych zasobach obliczeniowych co aplikacja korzystająca z modelu, co zmniejsza opóźnienia i upraszcza architekturę.

Zagadnienia dotyczące wyboru modelu

Po wybraniu modelu językowego dla obciążenia należy wziąć pod uwagę następujące czynniki architektoniczne:

  • Topologia hostingu. Azure oferuje zarządzane punkty końcowe interfejsu API, wdrożenia modeli bezserwerowych, zarządzane wdrożenia obliczeniowe i samoobsługowe hostowanie oparte na kontenerach. Wybór ma wpływ na opóźnienie, koszty, miejsce przechowywania danych i odpowiedzialność operacyjną.

  • Rozmiar modelu a koszt i opóźnienie. Większe modele zwykle zapewniają szersze możliwości, ale wymagają większej ilości zasobów obliczeniowych i generują wyższe koszty. Mniejsze modele mogą być bardziej wydajne w przypadku zadań ukierunkowanych.

  • Prywatność danych. Oceń, czy możesz wysłać dane do hostowanego interfejsu API, czy też wymagania prawne lub organizacyjne wymagają samodzielnego wnioskowania.

  • Dostrajanie a inżynieria promptów. Określ, czy projektowanie promptów i RAG są wystarczające w danym przypadku użycia, czy też dostrojenie modelu na podstawie Twoich danych przynosi wyraźnie lepsze wyniki.

  • Dokładność i stronniczość. Zweryfikuj dane wyjściowe modelu pod kątem wymagań domeny. Rozważ strategie filtrowania treści, ugruntowania i oceny, aby zarządzać jakością wyników.

Platformy i narzędzia programistyczne sztucznej inteligencji

Poniższe platformy i narzędzia programistyczne sztucznej inteligencji mogą pomóc w tworzeniu, wdrażaniu i zarządzaniu modelami uczenia maszynowego i sztucznej inteligencji.

Azure Machine Learning

Azure Machine Learning to usługa uczenia maszynowego do tworzenia i wdrażania modeli. Azure Machine Learning udostępnia interfejsy internetowe i zestawy SDK umożliwiające trenowanie i wdrażanie modeli i potoków uczenia maszynowego na dużą skalę. Skorzystaj z tych funkcji z platformami języka Python typu open source, takimi jak PyTorch, TensorFlow i scikit-learn.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

Zautomatyzowane uczenie maszynowe

Zautomatyzowane uczenie maszynowe (AutoML) to proces automatyzowania czasochłonnych, iteracyjnych zadań tworzenia modelu uczenia maszynowego. Rozwiązanie AutoML pomaga analitykom danych, analitykom i deweloperom tworzyć modele uczenia maszynowego, które mają wysoką skalę, wydajność i produktywność przy jednoczesnym utrzymaniu jakości modelu.

Aby uzyskać więcej informacji, zobacz następujące zasoby:

MLflow

Azure Machine Learning obszary robocze są zgodne z platformą MLflow, co oznacza, że obszar roboczy Azure Machine Learning działa tak samo jak serwer MLflow. Ta zgodność zapewnia następujące korzyści:

  • Azure Machine Learning nie hostuje wystąpień serwera MLflow, ale może używać bezpośrednio interfejsów API platformy MLflow.

  • Użyj obszaru roboczego usługi Azure Machine Learning jako serwera śledzenia dla dowolnego kodu MLflow, niezależnie od tego, czy działa on w usłudze Azure Machine Learning. Musisz skonfigurować rozwiązanie MLflow, aby wskazywał obszar roboczy, w którym powinno nastąpić śledzenie.

  • Uruchamianie procedur treningowych, które używają platformy MLflow w Azure Machine Learning bez wprowadzania żadnych zmian.

Aby uzyskać więcej informacji, zobacz MLflow i Azure Machine Learning i MLflow.

Narzędzia generowania sztucznej inteligencji

  • Microsoft Foundry udostępnia platformę, która ułatwia odpowiedzialne eksperymentowanie, opracowywanie i wdrażanie generowanych aplikacji i interfejsów API sztucznej inteligencji. Skorzystaj z portalu Foundry , aby znaleźć narzędzia Foundry Tools, modele podstawowe, plac zabaw i zasoby, aby ułatwić dostosowywanie, ocenianie i wdrażanie modeli sztucznej inteligencji oraz agentów sztucznej inteligencji.

    Foundry Agent Service hostuje zdefiniowanych agentów. Agenci ci łączą się z modelem bazowym w katalogu modeli AI oraz opcjonalnie z własnymi niestandardowymi magazynami wiedzy lub interfejsami API. Zdefiniuj tych agentów w sposób deklaratywny lub pozwól usłudze Microsoft Foundry skonteneryzować je i hostować.

  • Microsoft Copilot Studio rozszerza Microsoft 365 Copilot. Tworzenie agentów niestandardowych dla scenariuszy wewnętrznych i zewnętrznych. Użyj obszaru tworzenia do projektowania, testowania i publikowania agentów. Twórz konwersacje oparte na generatywnej AI, zapewnij większą kontrolę nad odpowiedziami istniejących agentów i zwiększ wydajność dzięki zautomatyzowanym przepływom pracy.

Gotowe narzędzia AI

Narzędzia Foundry tools to wstępnie utworzone i dostosowywalne modele sztucznej inteligencji oraz interfejsy API przeznaczone dla określonych scenariuszy, takich jak mowa, tłumaczenie, interpretacja języka, analiza dokumentów, wizja i bezpieczeństwo zawartości. Używaj ich, gdy obciążenie wymaga dobrze zdefiniowanej funkcji sztucznej inteligencji i nie musisz projektować, trenować ani hostować modelu samodzielnie.

Aby uzyskać listę dostępnych usług zorganizowanych według możliwości, zobacz Wybieranie technologii usług sztucznej inteligencji.

Contributors

Microsoft utrzymuje ten artykuł. Następujący współautorzy napisali ten artykuł.

Główny autor:

David Hernández Díez | Starszy inżynier rozwiązań

Aby wyświetlić niepubliczne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Następne kroki

Aby kontynuować poznawanie sztucznej inteligencji w Azure, zapoznaj się z następującymi zasobami: