Använda Azure Machine Learning-pipelines utan kod för att skapa RAG-pipelines (förhandsversion)
Den här artikeln innehåller exempel på hur du skapar en RAG-pipeline. För avancerade scenarier kan du skapa egna anpassade Azure Machine Learning-pipelines från kod (vanligtvis notebook-filer) som gör att du kan kontrollera RAG-arbetsflödet i detalj. Azure Machine Learning innehåller flera inbyggda pipelinekomponenter för datasegmentering, generering av inbäddningar, skapande av testdata, automatisk generering av frågor och uppmaningsutvärdering. Dessa komponenter kan användas enligt dina behov med hjälp av notebook-filer. Du kan till och med använda vektorindexet som skapats i Azure Machine Learning i LangChain.
Viktigt!
Den här funktionen är för närvarande i allmänt tillgänglig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade.
Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.
Förutsättningar
En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto.
Åtkomst till Azure OpenAI.
Aktivera promptflöde på din Azure Machine Learning-arbetsyta
På din Azure Machine Learning-arbetsyta kan du aktivera snabbflöde genom att aktivera Skapa AI-lösningar med Prompt Flow i panelen Hantera förhandsgranskningsfunktioner.
Exempellagringsplats för promptflödespipeline för notebook-filer
Azure Machine Learning erbjuder notebook-självstudier för flera användningsfall med promptflödespipelines.
QA-datagenerering
QA-datagenerering kan användas för att få den bästa prompten för RAG och till utvärderingsmått för RAG. Denna notebook-fil visar hur du skapar en QA-datauppsättning från dina data (Git-lagringsplats).
Testa datagenerering och automatisk uppmaning
Använd vektorindex för att skapa en hämtningsförhöjd genereringsmodell och för att utvärdera promptflöde på en testdatauppsättning.
Skapa ett FAISS-baserat vektorindex
Konfigurera en Azure Machine Learning-pipeline för att hämta en Git-lagringsplats, bearbeta data i segment, bädda in segmenten och skapa ett FAISS-vektorindex som är kompatibelt med LangChain.
Nästa steg
Så här skapar du vektorindex i Azure Machine Learning-promptflödet (förhandsversion)
Använda Vector Stores med Azure Machine Learning (förhandsversion)