Generative KI-Lösungen mit Basismodellen entwickeln
Sie können generative KI-Lösungen mit Basismodellen in IBM watsonx.aientwickeln. Sie können Prompts erstellen, um Inhalte aus Ihren Eingabeinhalten zu generieren, zu klassifizieren, zusammenzufassen oder zu extrahieren. Wählen Sie zwischen IBM und Open-Source-Modellen. Sie können Basismodelle optimieren, um Ihre Eingabeaufforderungsausgabe anzupassen oder die Inferenzleistung zu optimieren.
Generative KI-Fähigkeiten
Mit watsonx.ai können Sie generative KI-Lösungen erstellen, die die folgenden Funktionen und Ressourcen umfassen.
- prompting
- Erstellen Sie Prompts, die ein Basismodell anweisen, eine Antwort zu geben. Sie können mit Dokumenten und anderen Medien chatten, Variablen für die Wiederverwendung von Prompts einfügen, schädliche Inhalte entfernen und andere Prompt- und Modelleinstellungen steuern.
- Siehe Aufforderungen zum Bauen.
- Agentische KI
- Erstellen Sie Workflows für das Basismodell, damit es als Agent fungieren kann, der den Interaktionsfluss mit dem Benutzer steuert.
- Siehe Erstellen von agentengesteuerten Workflows mit der Chat-API.
- Retrieval-Augmented Generation
- Erstellen Sie ein RAG-Muster, um das Modell auf Fakten aus Ihren Dokumenten zu gründen. Sie können Ihr RAG-Muster anpassen, um Text aus Dokumenten zu extrahieren, Vektorindizes zu erstellen und die abgerufenen Inhalte neu zu ordnen. Sie können die Suche nach einem optimierten, produktionsgerechten RAG-Muster auf der Grundlage Ihrer Daten und Ihres Anwendungsfalls automatisieren.
- Siehe Retrieval-unterstützte Generierung.
- Prognosen
- Prognostizieren Sie zukünftige Werte auf der Grundlage historischer Zeitreihendaten.
- Siehe Vorhersage von Zukunftswerten.
- Basismodelle
- Watsonx.ai hat eine Reihe von Foundation-Modellen, die Sie ausprobieren können. Andernfalls können Sie ein Deployment-on-demand-Modell auswählen oder ein benutzerdefiniertes Modell importieren und bereitstellen.
- Siehe Unterstützte Gründungsmodelle.
- Modelloptimierung
- Stimmen Sie ein kleineres Gründungsmodell ab, um Ergebnisse zu erzielen, die mit größeren Modellen der gleichen Modellfamilie vergleichbar sind.
- Siehe Tuning von Gründungsmodellen.
- Auswertungen
- Bewerten und vergleichen Sie Ihre generativen KI-Assets mit quantitativen Metriken und anpassbaren Kriterien, die Ihren Anwendungsfällen entsprechen.
- Siehe Bewertung von KI-Modellen.
Tipps zur Planung Ihrer generativen KI-Lösung finden Sie unter Planung einer KI-Lösung.
Wege zur Arbeit
Sie können Code für Ihre generative KI-Lösung schreiben. Eine Liste der Aufgaben und APIs finden Sie unter Kodierung generativer KI-Lösungen.
Sie können in einer No-Code- oder Low-Code-Umgebung mit Tools in der Benutzeroberfläche arbeiten:
Basismodellarchitektur
Basismodelle sind große KI-Modelle, die Milliarden von Parametern haben und auf Terabyte an Daten trainiert werden. Basismodelle können verschiedene Tasks ausführen, einschließlich Text, Code oder Bildgenerierung, Klassifizierung, Konversation und mehr. Große Sprachmodelle sind eine Untergruppe von Basismodellen, die Aufgaben im Zusammenhang mit Text und Code erfüllen können.
Basismodelle stellen eine grundlegend andere Modellarchitektur und einen anderen Zweck für KI-Systeme dar. Das folgende Diagramm veranschaulicht den Unterschied zwischen herkömmlichen KI-Modellen für maschinelles Lernen und den Grundmodellen für generative KI.
Wie im Diagramm gezeigt, sind traditionelle KI-Modelle auf bestimmte Tasks spezialisiert. Die meisten traditionellen KI-Modelle werden mithilfe von maschinellem Lernen erstellt, was ein großes, strukturiertes, gut beschriftetes Dataset erfordert, das eine bestimmte Aufgabe umfasst, die Sie bewältigen möchten. Oft müssen diese Datensätze von Hand beschafft, kuratiert und beschriftet werden, eine Aufgabe, die Fachwissen erfordert und Zeit kostet. Nach dem Training kann ein traditionelles KI-Modell eine einzige Aufgabe gut erledigen. Das traditionelle KI-Modell nutzt das, was es aus Mustern in den Trainingsdaten lernt, um Ergebnisse in unbekannten Daten vorherzusagen. Sie können Modelle für maschinelles Lernen für Ihre speziellen Anwendungsfälle mit Tools wie AutoAI und Jupyter-Notebooks erstellen und anschließend bereitstellen.
Im Gegensatz dazu werden Basismodelle auf großen, vielfältigen, nicht beschrifteten Datensätzen trainiert und können für viele verschiedene Aufgaben verwendet werden. Basismodelle wurden zuerst verwendet, um Text zu generieren, indem das wahrscheinlichste nächste Wort in Übersetzungstasks in natürlicher Sprache berechnet wurde. Modellprovider lernen jedoch, dass Basismodelle, wenn sie mit der richtigen Eingabe aufgefordert werden, verschiedene andere Aufgaben gut ausführen können. Anstatt eigene Basismodelle zu erstellen, verwenden Sie vorhandene bereitgestellte Modelle und Ingenieuraufforderungen, um die gewünschten Ergebnisse zu generieren.