Sviluppo di soluzioni AI generative con modelli di base
Puoi sviluppare soluzioni AI generative con modelli di base in IBM watsonx.ai. È possibile creare prompt per generare, classificare, riassumere o estrarre contenuti dai contenuti in ingresso. Scegliete tra i modelli IBM e quelli open source. È possibile ottimizzare i modelli di base per personalizzare l'output del prompt o ottimizzare le prestazioni di deduzione.
Capacità di IA generativa
Con watsonx.ai è possibile creare soluzioni di IA generativa che includono le seguenti funzionalità e risorse.
- RICHIESTA
- Costruire prompt che istruiscano un modello di fondazione per generare una risposta. È possibile chattare con documenti e altri media, includere variabili per riutilizzare i prompt, rimuovere i contenuti dannosi e controllare altre impostazioni dei prompt e dei modelli.
- Vedere i suggerimenti per la costruzione.
- IA Agentica
- Costruire flussi di lavoro per il modello di fondazione che funzioni come un agente che controlla il flusso di interazione con l'utente.
- Vedere Creazione di flussi di lavoro guidati da agenti con l'API Chat.
- Generazione potenziata dal recupero
- Costruire un modello RAG per fondare il modello sui fatti dei documenti. È possibile personalizzare il modello RAG per estrarre il testo dai documenti, creare indici vettoriali e classificare i contenuti recuperati. È possibile automatizzare la ricerca di un modello RAG ottimizzato, di qualità produttiva e basato sui dati e sul caso d'uso.
- Vedere Generazione aumentata dal recupero.
- Previsione
- Prevedere i valori futuri sulla base dei dati delle serie storiche.
- Vedere Previsione dei valori futuri.
- Modelli Foundation
- Watsonx.ai ha una gamma di modelli di fondotinta da provare. Altrimenti, è possibile selezionare un modello deploy-on-demand o importare e distribuire un modello personalizzato.
- Vedere Modelli di fondazione supportati.
- Sintonizzazione del modello
- Mettere a punto un modello di fondazione più piccolo per ottenere risultati paragonabili a quelli di modelli più grandi della stessa famiglia di modelli.
- Vedere Messa a punto dei modelli di fondazione.
- Valutazioni
- Valutate e confrontate le vostre risorse di IA generativa con metriche quantitative e criteri personalizzabili che si adattano ai vostri casi d'uso.
- Vedere Valutazione dei modelli di IA.
Per suggerimenti sulla pianificazione della soluzione di IA generativa, vedere Pianificazione di una soluzione di IA.
Modi di lavorare
Potete scrivere il codice per la vostra soluzione di IA generativa. Per un elenco di compiti e API, vedere Coding generative AI solutions.
È possibile lavorare in un'esperienza no-code o low-code con gli strumenti dell'interfaccia utente:
Architettura del modello Foundation
I modelli di base sono grandi modelli di intelligenza artificiale che hanno miliardi di parametri e sono addestrati su terabyte di dati. I modelli Foundation possono eseguire varie attività, tra cui testo, codice o generazione di immagini, classificazione, conversazione e altro ancora. I modelli linguistici di grandi dimensioni sono un sottoinsieme dei modelli di base in grado di svolgere compiti legati al testo e al codice.
I modelli di base rappresentano un'architettura di modello e uno scopo fondamentalmente diversi per i sistemi AI. Il diagramma seguente illustra la differenza tra i modelli tradizionali di IA per l'apprendimento automatico e i modelli di base per l'IA generativa.
Come mostrato nel diagramma, i tradizionali modelli AI si specializzano in compiti specifici. La maggior parte dei modelli di intelligenza artificiale tradizionali sono creati utilizzando il machine learning, che richiede un insieme di dati ampio, strutturato e ben etichettato che comprende un'attività specifica che si desidera affrontare. Spesso questi set di dati devono essere reperiti, curati ed etichettati a mano, un lavoro che richiede persone con conoscenze di dominio e tempo. Dopo che è stato addestrato, un modello di IA tradizionale può fare un singolo compito bene. Il modello AI tradizionale utilizza ciò che apprende dai modelli nei dati di addestramento per prevedere i risultati in dati sconosciuti. Puoi creare modelli di machine learning per i tuoi specifici casi di utilizzo con strumenti come AutoAI e notebook Jupyter e quindi distribuirli.
Al contrario, i modelli di fondazione sono addestrati su grandi e diversi set di dati non etichettati e possono essere utilizzati per molti compiti diversi. I modelli di fondazione sono stati utilizzati per generare il testo calcolando la parola successiva più probabile nelle attività di traduzione in linguaggio naturale. Tuttavia, i fornitori di modelli stanno imparando che, quando richiesto con il giusto input, i modelli di base possono eseguire correttamente diverse altre attività. Invece di creare i tuoi modelli di base, utilizzi i modelli distribuiti esistenti e i prompt di progettazione per generare i risultati di cui hai bisogno.