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 comandi per generare, classificare, riassumere o estrarre contenuti dai dati inseriti. Scegli tra i modelli di IBM o quelli open source. È possibile ottimizzare i modelli di base per personalizzare l'output del prompt o ottimizzare le prestazioni di deduzione.
Funzionalità dell'IA generativa
Con " watsonx.ai " è possibile creare soluzioni di IA generativa che includono le seguenti funzionalità e risorse.
- Prompting
- Crea prompt che indichino a un modello di base come generare una risposta. È possibile interagire con documenti e altri file multimediali, inserire variabili per riutilizzare i prompt, rimuovere contenuti dannosi e gestire altre impostazioni relative ai prompt e ai modelli.
- Vedi i suggerimenti per la creazione.
- AI agentica
- Creare flussi di lavoro affinché il modello di base funga da agente che gestisce il flusso di interazione con l'utente.
- Vedi "Creazione di flussi di lavoro basati sugli agenti con l'API Chat ".
- Catalogo degli agenti governati
- È possibile registrare, gestire, valutare e riutilizzare agenti e strumenti basati sull'intelligenza artificiale in un repository sicuro e centralizzato che utilizza il catalogo degli agenti regolamentato.
- Vedi la sezione "Utilizzo del catalogo agenziale regolato ".
- Richiamo - generazione aumentata
- Crea un modello RAG per fondare il modello sui dati concreti presenti nei tuoi documenti. È possibile personalizzare il proprio modello RAG per estrarre testo dai documenti, creare indici vettoriali e riorganizzare i contenuti recuperati. È possibile automatizzare la ricerca di un modello RAG ottimizzato e pronto per la produzione, basato sui propri dati e sul proprio caso d'uso.
- Vedi "Generazione potenziata dal recupero".
- Previsione
- Prevedere i valori futuri sulla base dei dati storici delle serie temporali.
- Vedi "Previsione dei valori futuri".
- Modelli Foundation
- Watsonx.ai offre una gamma di modelli di fondazioni che puoi provare. In alternativa, è possibile selezionare un modello "deploy-on-demand" oppure importare e distribuire un modello personalizzato.
- Vedi i modelli di base supportati.
- Ottimizzazione del modello
- Ottimizzare un modello di base più piccolo per ottenere risultati paragonabili a quelli dei modelli più grandi della stessa famiglia.
- Vedi la sezione "Ottimizzazione dei modelli di base".
- Valutazioni
- Valuta e confronta le tue risorse di IA generativa utilizzando metriche quantitative e criteri personalizzabili in base alle tue esigenze specifiche.
- Vedi la sezione "Valutazione dei modelli di IA".
Per suggerimenti su come pianificare la tua soluzione di IA generativa, consulta la sezione "Pianificazione di una soluzione di IA ".
Modalità di lavoro
Puoi scrivere il codice per la tua soluzione di IA generativa. Per un elenco delle attività e delle API, consultare la sezione "Sviluppo di soluzioni di IA generativa".
È possibile lavorare in un ambiente no-code o low-code utilizzando i seguenti strumenti nell'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 intelligenza artificiale basati sull'apprendimento automatico e i modelli di base per l'intelligenza artificiale 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 raccolti, curati ed etichettati manualmente, un lavoro che richiede personale con competenze specifiche e che richiede 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 base vengono addestrati su set di dati di grandi dimensioni, eterogenei e non etichettati e possono essere utilizzati per molteplici 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.