RAG-megoldás létrehozása az Azure AI Search használatával
Ez az oktatóanyag-sorozat bemutatja a RAG-megoldások Azure AI Searchben való létrehozásának mintáját. Az Azure AI Searchben beépített összetevőket, függőségeket és optimalizálásokat ismerteti a relevancia maximalizálása és a költségek minimalizálása érdekében.
A mintaadatok az Azure Storage-ba feltöltött PDF-fájlok gyűjteményei. A tartalom a NASA Föld ingyenes e-könyvéből származik.
A mintakód ebben a Python-jegyzetfüzetben található, de azt javasoljuk, hogy a sorozatban szereplő cikkeket kontextushoz, elemzésekhez és alternatív megközelítések feltárásához használja.
Gyakorlatok ebben a sorozatban
A modellek kiválasztása beágyazáshoz és csevegéshez
Tárgymutató tervezése beszélgetési kereséshez
Indexelési folyamat tervezése, amely betölti, betölti, beágyazza és betölti a kereshető tartalmat
Kereshető tartalom lekérése lekérdezésekkel és csevegési modellel
A relevancia maximalizálása
A tárolás és a költségek minimalizálása
A RAG-minta néhány aspektusát kihagytuk az összetettség csökkentése érdekében:
A csevegési előzmények és a környezet kezelése nem. A csevegési előzményeket általában a földi adatoktól elkülönítve tárolják és kezelik, ami további lépéseket és kódot jelent. Ez az oktatóanyag az LLM és az alapértelmezett LLM-felület atomi kérdéseket és válaszokat feltételez.
Nincs felhasználónkénti biztonság az eredményekhez (amit "biztonsági vágásnak" nevezünk). További információkért és erőforrásokért kezdje a biztonsági vágással, és ellenőrizze a cikk végén található hivatkozásokat.
Ez a sorozat a RAG-megoldások fejlesztésének alapjait ismerteti. Miután megismerte az alapokat, folytassa a gyorsítókkal és más kódmintákkal, amelyek absztrakciót biztosítanak, vagy más módon jobban megfelelnek az éles környezetekhez és az összetettebb számítási feladatokhoz.
Miért érdemes az Azure AI Search for RAG-ot használni?
A csevegőmodellek korlátozásokkal szembesülnek a kérések során elfogadható adatok mennyiségére. Az Azure AI Search szolgáltatást érdemes használnia, mert az LLM-nek átadott tartalom minősége ronthatja vagy megszakíthatja a RAG-megoldást.
Az Azure AI Search az AI-integrációval és átfogó relevanciahangolással biztosítja a legjobb minőségű bemeneteket egy csevegési modellhez. A keresőmotor támogatja a vektoros hasonlóság keresését (több algoritmus), a kulcsszókeresést, a homályos keresést, a térinformatikai keresést és a szűrőket. Létrehozhat hibrid lekérdezési kérelmeket, amelyek az összes összetevőt tartalmazzák, és szabályozhatja, hogy az egyes lekérdezések mennyiben járulnak hozzá a teljes kérelemhez.