利用基础模型开发生成式 AI 解决方案
您可以在 IBM watsonx.ai中使用基础模型开发生成性 AI 解决方案。 您可以创建提示，以便从输入内容中生成、分类、总结或提取内容。 可选择IBM型号或开源型号。 您可以调整基础模型以定制提示输出或优化推断性能。
生成式人工智能能力
通过 watsonx.ai ，您可以创建包含以下功能和资源的生成式人工智能解决方案。
- 提示
- 建立提示，指示基础模型生成响应。 您可以与文档和其他媒体聊天，加入变量以重复使用提示，删除有害内容，并控制其他提示和模型设置。
- 请参见建筑提示。
- 代理 AI
- 为基础模型建立工作流程，使其成为控制与用户交互流程的代理。
- 请参阅使用聊天 API 构建代理驱动的工作流。
- 检索增强生成
- 建立 RAG 模式，以文件中的事实作为模型的基础。 您可以自定义 RAG 模式，以便从文档中提取文本、创建矢量索引并对检索内容进行重新排序。 您可以根据自己的数据和使用情况，自动搜索经过优化、具有生产质量的 RAG 模式。
- 请参阅 " 检索增强生成 "。
- 预测
- 根据历史时间序列数据预测未来值。
- 见预测未来价值。
- 基础模型
- Watsonx.ai 有一系列粉底款式供您尝试。 否则，您可以选择按需部署模型或导入和部署自定义模型。
- 请参见支持的地基型号。
- 模型调试
- 对较小的基础模型进行调整，以获得与同一模型系列中较大模型相当的结果。
- 请参见调整基础模型。
- 评估
- 利用量化指标和可定制的标准来评估和比较您的生成式人工智能资产，以适应您的使用情况。
- 请参见评估人工智能模型。
有关规划生成式人工智能解决方案的技巧，请参阅规划人工智能解决方案。
工作方式
您可以为生成式人工智能解决方案编写代码。 有关任务和 API 的列表，请参阅编码生成式人工智能解决方案。
您可以使用用户界面中的工具，体验无代码或低代码工作：
基础模型体系结构
基础模型是大型 AI 模型，具有数十亿个参数，并基于太字节数据进行训练。 基础模型可以执行各种任务，包括文本，代码或图像生成，分类，对话等。 大型语言模型是基础模型的一个子集，可以完成与文本和代码相关的任务。
基础模型表示 AI 系统的完全不同的模型架构和目的。 下图说明了传统机器学习人工智能模型与生成式人工智能基础模型之间的区别。
如图所示，传统 AI 模型专门处理特定任务。 大多数传统 AI 模型是通过使用机器学习构建的，这需要一个包含您要处理的特定任务的大型，结构化且标记良好的数据集。 通常情况下，这些数据集必须由人工采集、整理和标注，这项工作需要具备相关领域知识的人员，而且耗费时间。 经过训练后，传统的 AI 模型可以很好地完成单个任务。 传统的 AI 模型使用它从训练数据中的模式学习的内容来预测未知数据中的结果。 您可以使用 AutoAI 和 Jupyter Notebook 等工具为特定用例创建机器学习模型，然后进行部署。
相比之下，基础模型是在大型、多样化、无标记的数据集上训练出来的，可用于多种不同的任务。 基础模型首先用于通过计算自然语言翻译任务中最有可能的下一个词来生成文本。 但是，模型提供者正在学习，当提示正确的输入时，基础模型可以很好地执行其他各种任务。 您可以使用现有的已部署模型和工程师提示来生成所需的结果，而不是创建自己的基础模型。