Vanliga frågor och svar för djupgående resonemang

De här vanliga frågorna beskriver AI-påverkan av funktionen för djupgående resonemang i Copilot Studio.

Vad är djupgående resonemang?

Modeller för djupgående resonemang är avancerade, stora språkmodeller som är utformade för att lösa komplexa problem. De överväger noggrant varje fråga och genererar en detaljerad intern tankekedja innan de ger ett svar tillbaka till användaren.

Hur kan du använda modeller för djupgående resonemang i Copilot Studio?

Modeller för djupgående resonemang i Copilot Studio erbjuder kraftfulla möjligheter för att skapa sofistikerade agenter. Modeller som Azure OpenAI o3 använder djupgående resonemang för att förbättra agentens beslutsfattande och ge mer exakta svar.

När du skapar agenter kan du lägga till instruktioner som definierar agentens uppgifter och hur agenten utför dem. Dessa uppgifter kan vara allt från enkla till mycket komplexa och kräver noggrann analys.

Utvecklare kan tillämpa resonemangsmodeller på specifika steg i agentens instruktioner, vilket förbättrar agentens förmåga att utföra avancerade resonemang och leverera mer exakta och insiktsfulla resultat. Du kan lägga till djupgående resonemangsmodeller för uppgifter som kräver vetenskaplig forskning, komplexa frågor och djupgående analys av ostrukturerad data. Dessa modeller ger insikter utöver funktionerna i enklare modeller.

Om du vill använda resonemangsmodeller lägger du till nyckelordet resonemang i specifika steg i agentens instruktioner. Till exempel: Använd ”resonemang” för att bestämma nästa objekt i en matematisk serie, till exempel 2, 5, 10, 17. Detta utlöser resonemangsmodellen under agentens körning för det specifika steget. Copilot Studio använder för närvarande Azure OpenAI o3-modellen för sina avancerade resonemangsfunktioner.

Vilka är de avsedda användningsområdena för modeller för djupgående resonemang?

 Modeller för djupgående resonemang är utformade för att hantera komplexa uppgifter som kräver logiskt resonemang, problemlösning och steg-för-steg-analys. Du kan till exempel använda modeller för djupgående resonemang för att:

• Utvärdera marknadstrender och rekommendera de bästa investeringsmöjligheterna. Modeller för djupgående resonemang kan dela upp marknadsdata i mindre, hanterbara steg; analysera trender; och rekommendera de bästa investeringsmöjligheterna. De kan ta hänsyn till olika faktorer som historiska data, nuvarande marknadsförhållanden och framtida prognoser för att ge välinformerade investeringsrekommendationer.

• Analysera ökad efterfrågan och rekommendera strategier för att hantera lager. Modeller kan analysera mönster i efterfrågan och utbud, förutsäga framtida lagerbehov och rekommendera strategier för att hantera lager effektivt. Genom att ta hänsyn till faktorer som säsongstrender, marknadsfluktuationer och dynamik i försörjningskedjan kan modeller för djupgående resonemang hjälpa företag att optimera sin lagerhantering.

• Lösa differentialekvationer och ge steg-för-steg-förklaringar. Modeller kan lösa komplexa matematiska problem, såsom differentialekvationer, och ge steg-för-steg-förklaringar av lösningen. Genom att bryta ner problemet i mindre steg och tillämpa logiska resonemang kan modeller för djupgående resonemang erbjuda tydliga och detaljerade lösningar på matematiska utmaningar.

Hur utvärderades modeller för djupgående resonemang och vilka mått används för att mäta prestanda?

Modeller för djupgående resonemang som används i Copilot Studio utvärderas med avseende på förankring i källmaterialet, ansvarsfull AI och korrekthet. Jordning är att se till att modellen endast returnerar innehåll som är grundat i en specifik, verklig kontext. Ansvarsfull AI söker efter skydd mot skador som jailbreak-attacker, promptinjektionsattacker över flera domäner och skadligt innehåll.

För att mäta mot dessa dimensioner testas modeller mot en mängd olika scenarier och poängsätts längs var och en av dessa dimensioner. Alla modeller för djupgående resonemang utvärderas innan de släpps.

Vilka är begränsningarna för modeller för djupgående resonemang? Hur kan utvecklare minimera effekten av dessa begränsningar?

• Användning av resonemangsmodeller: En agent kan endast använda modeller för djupgående resonemang om modeller för djupgående resonemang är aktiverade i agentens inställningar.

• Svarstid: På grund av den tid som krävs för analys tenderar svaren från resonemangsmodeller att vara långsammare jämfört med andra icke-djupgående resonemangsspråkmodeller.

I syfte att minimera effekten av dessa begränsningar kan du göra följande:

• Säkerställ att funktionerna för djupgående resonemang endast är aktiverade för de agenter som behöver dem.

• Använd nyckelordet reason i agentinstruktioner endast för steg som drar nytta av djupgående resonemangsmodeller.

• Använd modeller för djupgående resonemang för uppgifter som möjliggör längre svarstider. Om det behövs, låt användarna veta att vissa agentsvar kan ta längre tid.

Vilka driftfaktorer och inställningar gör det möjligt att på ett effektivt och ansvarigt sätt använda modeller för djupgående resonemang?

Modeller för djupgående resonemang omfattar olika skydd för att säkerställa att administratörer, utvecklare och användare får en säker och kompatibel upplevelse:

• Tillåt endast modeller för djupgående resonemang för agent som kräver komplexa resonemangssteg. Detta säkerställer att modellerna tillämpas där de kan ge störst värde.

• Inkludera nyckelordet resonemang i instruktionerna för att utlösa modellen vid körning för specifika uppgifter, inte alla uppgifter som kanske inte kräver komplexa resonemang.

• Testa agenten noggrant för att säkerställa noggrannheten och tillförlitligheten för de utdata som tillhandahålls av modellen för djupgående resonemang. Testningen hjälper också till att identifiera eventuella problem och säkerställer att modellen fungerar som förväntat.

• Använd aktivitetskarta för att granska var agenten använder modeller för djupgående resonemang i en session. Expandera noden för djupgående resonemang på kartan för att granska de steg som modellen tog och modellens utdata. Detta hjälper dig att avgöra om resonemangsmodellen levererar den avsedda funktionaliteten.

• Jämför utdata med och utan att använda en modell för djupgående resonemang genom att uppdatera dina instruktioner under testningen.