Aracılığıyla paylaş

.NET'e Eklemeler

  • Makale

Eklemeler, LLM'lerin anlamsal anlamı yakalama yöntemidir. Bunlar, llM'nin kavramlar arasındaki ilişkileri belirlemek için kullanabileceği sayısal olmayan verilerin sayısal gösterimleridir. Bir yapay zeka modelinin metin özetleme veya metin açıklamalarından görüntü oluşturma gibi karşılaştırmalar ve dönüştürmeler yapabilmesi için girişlerin anlamını anlamasına yardımcı olmak için eklemeleri kullanabilirsiniz. LLM'ler eklemeleri hemen kullanabilir ve gerektiğinde LLM'ler için anlamsal bellek sağlamak üzere eklemeleri vektör veritabanlarında depolayabilirsiniz.

Eklemeler için kullanım örnekleri

Bu bölümde eklemeler için ana kullanım örnekleri listeleniyor.

Tamamlanma ilgi düzeyini geliştirmek için kendi verilerinizi kullanma

Verileriniz için eklemeler oluşturmak için kendi veritabanlarınızı kullanın ve bunları bir LLM ile tümleştirerek tamamlamalar için kullanılabilir hale getirin. Gömlemelerin bu kullanımı, geri alma artırılmış üretim'nin önemli bir bileşenidir.

İstemde sığdırabileceğiniz metin miktarını artırma

Gerekli belirteç sayısını artırmadan bir istem içine sığdırabileceğiniz bağlam miktarını artırmak için eklemeleri kullanın.

Örneğin, bir istemde 500 sayfa metin eklemek istediğinizi varsayalım. Bu kadar ham metin için belirteç sayısı giriş belirteci sınırını aşacak ve bu da doğrudan bir istem içine eklenmesini imkansız hale getirecektir. Eklemeleri kullanarak büyük miktarda metni tek bir girişe sığacak kadar küçük parçalara ayırabilir ve ardından her bir parçanın ham metnin tamamına olan benzerliğini değerlendirebilirsiniz. Ardından ham metnin anlamsal anlamını en iyi şekilde koruyan bir parça seçebilir ve bunu belirteç sınırına basmadan isteminizde kullanabilirsiniz.

Metin sınıflandırması, özetleme veya çeviri gerçekleştirme

Bir modelin metnin anlamını ve bağlamını anlamasına yardımcı olmak ve ardından bu metni sınıflandırmak, özetlemek veya çevirmek için eklemeleri kullanın. Örneğin, modellerin metinleri pozitif veya olumsuz, istenmeyen posta veya istenmeyen posta ya da haber ya da görüş olarak sınıflandırmasına yardımcı olmak için eklemeleri kullanabilirsiniz.

Ses oluşturma ve yazıya dökme

Uygulamanızdaki ses dosyalarını veya girişleri işlemek için ses eklemelerini kullanın.

Örneğin Azure AI Konuşma, konuşmaya metin ve metinden konuşmayagibi çeşitli ses eklemelerini destekler. Sesi gerçek zamanlı olarak veya toplu olarak işleyebilirsiniz.

Metni resimlere veya resimleri metne dönüştürün

Anlamsal görüntü işleme, çoğu LLM'nin oluşturamıyacağı görüntü ekleme işlemlerini gerektirir. Görüntüler için vektör eklemeleri oluşturmak için ViT gibi bir görüntü ekleme modeli kullanın. Ardından bu eklemeleri bir görüntü oluşturma modeliyle kullanarak metin kullanarak görüntü oluşturabilir veya değiştirebilirsiniz. Örneğin, DALL·E modelini kullanabilirsiniz logolar, yüzler, hayvanlar ve manzaralar gibi görüntüler oluşturmak için.

Kod oluşturma veya belgeleme

Modelin metinden kod oluşturmasına veya kodu metne dönüştürmesine yardımcı olmak için, farklı kod veya metin ifadelerini ortak bir gösterime dönüştürerek eklemeleri kullanın. Örneğin, bir modelin C# veya Python'da kod oluşturmasına veya belgelenmesine yardımcı olması için eklemeleri kullanabilirsiniz.

Ekleme modeli seçme

Ham verileriniz için, sayısal olmayan verileri bir vektöre (uzun bir sayı dizisi) kodlayan bir yapay zeka ekleme modeli kullanarak eklemeler oluşturursunuz. Model, ekleme işleminin kodunu özgün ham veriyle aynı veya benzer anlamlara sahip sayısal olmayan verilere de çözebilir. Kullanabileceğiniz birçok ekleme modeli vardır ve OpenAI'nin text-embedding-ada-002 modeli kullanılan yaygın modellerden biridir. Daha fazla örnek için bkz. Azure OpenAIüzerinde kullanılabilen Ekleme modelleri listesi.

Eklemeleri vektör veritabanında depolama ve işleme

Eklemeleri oluşturduktan sonra, daha sonra bir LLM'ye yapılan çağrılarla alabilmeniz için bunları depolamak için bir yönteme ihtiyacınız olacaktır. Vektör veritabanları vektörleri depolamak ve işlemek için tasarlanmıştır, bu nedenle eklemeler için doğal bir evdir. Farklı vektör veritabanları farklı işleme özellikleri sunar, bu nedenle ham verilerinize ve hedeflerinize göre bir tane seçmelisiniz. Seçenekleriniz hakkında bilgi için bkz.kullanılabilir vektör veritabanı çözümleri .

LLM çözümünüzde eklemeleri kullanma

LLM tabanlı uygulamalar oluştururken, ekleme modellerini ve vektör depolarını tümleştirmek için Anlam Çekirdeği'ni kullanabilirsiniz; böylece metin verilerini hızla çekip eklemeler oluşturup depolayabilirsiniz. Bu, anlamsal bellekleri depolamak ve almak için bir vektör veritabanı çözümü kullanmanıza olanak tanır.

İlgili içerik