イントロダクション

言語モデルは、生成型 AI アプリケーションを構築するための強力なツールですが、ベース モデル自体では、すべての要件を満たしていない可能性があります。 モデルが生成する応答の品質、精度、一貫性は、モデルの構成方法と拡張方法によって異なります。

自分は旅行代理店で働いている開発者であると想像してみてください。 顧客が旅行に関連する質問に役立つチャット アプリケーションを構築しています。 ベース モデルは適切な応答を提供しますが、チームには特定のニーズがあります。応答は、会社の声調に従い、ホテル カタログに関する正確な情報を含め、対話全体で一貫した形式を維持する必要があります。 このレベルでモデルを実行するにはどうすればよいでしょうか。

生成 AI モデルのパフォーマンスを最適化するために使用できる補完的な戦略がいくつかあります。 これらの戦略は、迅速で低コストの調整から、追加の時間とリソースを必要とするより複雑な手法まで多岐に及みます。

このモジュール全体を通して、これらの各戦略を調べ、それらを個別に、または組み合わせて適用するタイミングと方法を学習します。

このモジュールでは、次の方法を学習します。

• システム メッセージ、数ショット学習、モデル パラメーターなどのプロンプト エンジニアリング手法を適用して、モデル出力を最適化します。
• 取得拡張生成 (RAG) を使用して言語モデルを作成するタイミングと方法について説明します。
• モデルの微調整によって動作の一貫性が向上するタイミングを特定します。
• 最適化戦略を比較し、それらを組み合わせるタイミングを決定します。

[前提条件]

• Azureの基本的な AI の概念とサービスに関する知識。
• 生成型 AI モデルとその応答の生成方法に関する基本的な理解。