ساده سازی توسعه هوش مصنوعی با Azure AI Studio

محیط توسعه هوش مصنوعی مبتنی بر ابر مایکروسافت که اکنون در پیش نمایش عمومی قرار دارد، رویکرد ساده تری را برای ساخت برنامه های کاربردی مبتنی بر هوش مصنوعی اتخاذ می کند.

Microsoft Azure سالهاست که در قلب جاه‌طلبی‌های هوش مصنوعی مایکروسافت قرار دارد. این کار با در دسترس قرار دادن محصولات یادگیری عمیق Microsoft Research به عنوان خدمات شناختی Azure آغاز شد. سپس مایکروسافت با استفاده از Azure برای آموزش مدل‌ها و میزبانی سرویس‌های به‌دست‌آمده، ابزارهای برای راه‌اندازی یادگیری ماشینی با میزبانی ابری خود را اضافه کرد. اکنون Azure خانه خانواده در حال رشد Copilots مایکروسافت است که هم بر اساس مدل‌های هوش مصنوعی مولد Azure OpenAI ساخته شده‌اند و هم به مشتریان امکان دسترسی به همان مدل‌ها را می‌دهند.

پشتیبانی از همه این ابزارها، به علاوه ارائه چارچوبی برای سفارشی‌سازی مدل‌های سرویس ابری، Azure را ملزم به ارائه بیش از یک محیط توسعه می‌کند. نتیجه، دست کم، پیچیده و درک آن سخت بود. خوشبختانه، تیم هوش مصنوعی Azure روی جایگزینی کار می‌کند، Azure AI Studio، که ابزارهای توسعه هوش مصنوعی Azure را یکپارچه می کند، بر اساس مفاهیم هوش مصنوعی مسئول و از ترکیبی از مدل های هوش مصنوعی از پیش تعریف شده و سفارشی پشتیبانی می کند.

توسعه استودیوی هوش مصنوعی Azure شامل تغییری اساسی در نحوه استفاده از مدل‌های هوش مصنوعی است. به جای برقراری یک فراخوانی API به یک مدل واحد، اکنون در حال ایجاد خطوط لوله ای هستیم که جنبه های مختلف یک مدل را با هم ترکیب می کند، یا حتی مدل های مختلف را برای ارائه یک برنامه چندوجهی زنجیره ای می کنیم. ابزارهایی مانند LangChain، Semantic Kernel، و Prompt Flow اکنون چارچوب های ضروری برای رام کردن و کنترل خروجی هوش مصنوعی مولد، آن را در داده های خودمان پایه گذاری کنیم.

به عنوان مثال، ما می‌توانیم یک برنامه بینایی کامپیوتری داشته باشیم که اشیاء را در یک تصویر شناسایی می‌کند و آن لیست را به یک AI مولد مدل زبان بزرگ تغذیه می‌کند تا قبل از استفاده از صدا، توصیف متنی تصویر را تولید کند. ژنراتور برای خواندن آن توضیحات برای یک کاربر کم بینا که دوربین در دست دارد.

معرفی Azure AI Studio

در نتیجه، مایکروسافت ابزارهای مختلف توسعه هوش مصنوعی Azure خود را در یک محیط جدید، Azure AI Studio. معرفی شده در یک پیش‌نمایش عمومی در Ignite 2023، استودیوی هوش مصنوعی Azure در حال حاضر بر روی ساخت Copilots متمرکز شده است، نام مایکروسافت برای برنامه‌های کاربردی مبتنی بر هوش مصنوعی. AI Studio شامل پشتیبانی از ابزارهای چند وجهی با مدل ترکیبی و Azure AI SDK است. هدف کلی این است که به شما این امکان را می دهد که قبل از ساختن مدل تصفیه شده خود در یک سرویس تولید، داخل استودیو آزمایش کنید.

در حالی که استودیوی هوش مصنوعی Azure در پیش نمایش عمومی است، استفاده از مدل های Azure OpenAI در برنامه شما نیاز به تایید مایکروسافت دارد. شما باید روی پروژه ای برای یک مشتری سازمانی تایید شده کار کنید، که مستلزم این است که مستقیماً با یک تیم حساب مایکروسافت کار کنید. شما همچنین باید یک مورد استفاده خاص برای پروژه خود داشته باشید، زیرا از این مورد برای دسترسی شما و کاربرانتان به سرویس استفاده می شود. به عنوان مثال، اگر برنامه شما از داده های حساس استفاده می کند، احتمالاً از شما خواسته می شود که برنامه خود را به کاربران داخلی در شبکه های داخلی امن محدود کنید.

برای کار با Azure AI Studio نیازی به ایجاد منبع جدیدی نیست—این یک سرویس مستقل که خارج از پورتال Azure قرار دارد. برای شروع کار کافی است با یک حساب Azure وارد شوید. AI Studio به یک صفحه اصلی مقدماتی باز می شود که به شما امکان دسترسی به کاتالوگ مدل ها و همچنین سرویس Azure OpenAI را می دهد. گزینه‌های دیگر پیوندهایی به APIهای آشنای خدمات شناختی و ابزارهای ایمنی محتوا ارائه می‌دهند که به شما کمک می‌کنند خطر گنجاندن مطالب نامناسب در داده‌های آموزشی یا در اعلان‌های مورد استفاده در برنامه‌های مبتنی بر هوش مصنوعی را کاهش دهید.

در استودیوی هوش مصنوعی Azure چهار تب وجود دارد: Home، Explore، Build و Manage. در تب Home، علاوه بر پیوندهایی به بقیه خدمات، تعدادی پروژه نمونه را مشاهده خواهید کرد که در GitHub میزبانی می شوند. اینها داربست لازم را برای شروع ساختن کد خود به شما می دهند. یک نمونه به شما نشان می‌دهد که چگونه یک Copilot مجهز به هوش مصنوعی Azure بسازید، و نمونه دیگر به شما نشان می‌دهد که چگونه سرویس‌های هوش مصنوعی مختلف را برای ساخت یک برنامه چند وجهی ترکیب کنید.

ساخت برنامه های هوش مصنوعی در استودیوی هوش مصنوعی Azure

شروع به کار به اندازه کافی ساده است شما با ایجاد یک منبع ویژه هوش مصنوعی برای مدیریت ماشین های مجازی و سرویس های مورد استفاده برای برنامه خود شروع می کنید. Azure AI Studio شما را از طریق یک جادوگر آشنای راه اندازی Azure راهنمایی می کند و این منبع و خدمات هوش مصنوعی آن را ایجاد می کند. جالب توجه است که پیش فرض شامل جستجوی شناختی Azure تغییر نام یافته است که اکنون جستجوی هوش مصنوعی Azure نامیده می شود. این یک انتخاب جالب است، زیرا نشان می‌دهد که مایکروسافت رویکردی عقیده‌دار به معماری‌های برنامه‌های هوش مصنوعی در پیش گرفته است و به یک تنظیمات خارجی از تعبیه‌ها نیاز دارد تا برنامه شما را پایه‌گذاری کند و خطر “توهمات” را به دلیل بیش از حد سریع کاهش دهد.

اکنون می‌توانید یک مدل هوش مصنوعی را به نمونه Azure AI Studio خود اضافه کنید، برای مثال با استفاده از یک مدل AI مولد Azure OpenAI. این به گروه منابعی که برای برنامه هوش مصنوعی خود استفاده می‌کنید اضافه می‌شود و اطمینان حاصل می‌کند که دسترسی به شبکه را کنترل می‌کنید تا از دسترسی غیرمجاز به API خود جلوگیری کنید. این به شما امکان می دهد دسترسی به یک VNet خاص را قفل کنید، بنابراین تنها دسترسی از طریق برنامه شما است. برای کنترل بیشتر، می‌توانید دسترسی به شبکه عمومی را به طور کامل غیرفعال کنید و نقاط پایانی خصوصی را در زیرشبکه‌های خاص ایجاد کنید.

کاتالوگ بزرگی از مدل‌های موجود وجود دارد. شما به مدل‌های OpenAI محدود نمی‌شوید، از Meta’s Llama، مدل‌های منبع باز در Hugging Face، مجموعه مدل‌های پایه انویدیا و مدل‌های تحقیقاتی مایکروسافت پشتیبانی می‌شود. می‌توانید مدل‌ها را مستقیماً انتخاب کنید یا از فهرستی از وظایف استنتاج برای انتخاب و انتخاب مدل مناسب برای پروژه خود استفاده کنید. به طور مفید کاتالوگ تعاملی است و می توانید قبل از استقرار یک مدل در پروژه، تعاملات اساسی را امتحان کنید.

ساخت یک برنامه مبتنی بر هوش مصنوعی در Azure AI Studio می تواند بسیار ساده باشد. هنگامی که یک استقرار ایجاد کردید و مدل انتخابی خود را انتخاب کردید، آماده شروع استفاده است. زمین بازی ساده‌ای وجود دارد که می‌توانید از آن برای آزمایش اعلان‌ها و عملکرد مدل استفاده کنید، به‌عنوان مثال به تکمیل‌ها نگاه کنید یا یک جلسه چت مبتنی بر هوش مصنوعی را اجرا کنید. در ابتدا از مدل با داده‌های خود استفاده نمی‌کنید، بنابراین فقط پاسخ‌های کلی به شما می‌دهد.

وقتی از درخواست‌های اولیه و عملکرد مدلی که استفاده می‌کنید راضی شدید، شما می توانید با افزودن داده شروع به تغییر رفتار آن کنید. منابع داده می تواند فایل های آپلود شده، ذخیره سازی Azure Blob یا فهرست جستجوی هوش مصنوعی Azure باشد. این آخرین گزینه به شما امکان می دهد تا به سرعت یک شاخص برداری از پیش پردازش شده را وارد کنید، که باعث افزایش دقت و سرعت می شود. فایل ها می توانند شامل PowerPoint، Word، PDF، HTML، Markdown و متن خام باشند. داده‌های جدید توسط جستجوی هوش مصنوعی Azure نمایه‌سازی می‌شود، و آماده است تا مدل هوش مصنوعی شما را پایه‌گذاری کند.

استودیوی هوش مصنوعی Azure شما را از هزینه‌ها در تمام مراحل فرآیند مطلع می‌سازد، بنابراین می‌توانید درباره ویژگی‌هایی که باید فعال کنید، تصمیم‌گیری آگاهانه بگیرید. این شامل استفاده از جستجوی برداری است یا خیر. پس از دریافت داده‌ها، می‌توانید از زمین بازی برای آزمایش مجدد پاسخ‌های مدل خود استفاده کنید و مطمئن شوید که اکنون آنها زمین هستند.

این مدل اکنون می‌تواند به‌عنوان یک برنامه وب برای آزمایش‌های بیشتر مستقر شود و از طریق Entra ID برای سایر کاربران مستاجر احراز هویت اضافه کند. در این مرحله می‌توانید محتوای زمین بازی را برای توسعه بیشتر به Prompt Flow صادر کنید.

زنجیره‌سازی مدل‌ها، درخواست‌ها و APIها با Prompt Flow

Prompt Flow Azure است ابزار AI Studio برای زنجیره‌ای کردن مدل‌ها، درخواست‌ها و APIها برای ساخت برنامه‌های پیچیده مبتنی بر هوش مصنوعی. این ابزارها را به شما می‌دهد تا اعلان‌های سطح سیستم، ورودی‌های کاربر و سرویس‌ها را مدیریت کنید و از آنها به عنوان بخشی از یک جریان استفاده کنید، دقیقاً مانند مواردی که در Semantic Kernel یا LangChain ساخته شده‌اند.

Prompt Flow یک نمای بصری از عناصر برنامه شما و نحوه ورود هر مرحله به مرحله بعدی به شما می دهد و به شما این امکان را می دهد تا با پیوند دادن گره هایی که عملکردهای خاصی را انجام می دهند، خدمات مشابه Copilot را ایجاد و اشکال زدایی کنید. اینها می تواند شامل پایتون باشد که به شما امکان می دهد ابزارهای علم داده را وارد کنید. در حالی که می‌توانید جریان‌های خود را از ابتدا بسازید، Prompt Flow با مجموعه‌ای از الگوهای اولیه ارائه می‌شود که داربست‌های لازم را برای توسعه بیشتر فراهم می‌کند. اینها شامل داربست هایی برای ایجاد چت طولانی با حافظه مکالمه است.

استفاده از Prompt Flow به شما امکان می دهد هم در Azure AI Studio و هم در Visual Studio Code کار کنید و به شما امکان می دهد محیط توسعه را انتخاب کنید. استفاده از یک رویکرد مبتنی بر کد، نمودار جریان بصری را با اتصالات و عناصر جریان تعریف شده در YAML از دست می دهد. با این حال، پسوند Prompt Flow برای VS Code نه تنها به شما امکان می دهد با کد محتوای جریان خود کار کنید، اما یک ویرایشگر بصری و یک نمای نمودار جریان را در اختیار شما قرار می دهد.

استودیوی هوش مصنوعی Azure هنوز در حال پیش‌نمایش است، اما در حال حاضر دیدگاه جالب توجهی را در مورد توسعه برنامه‌های هوش مصنوعی ارائه می‌دهد. مجموعه ابزارهای هوش مصنوعی مایکروسافت نشان می دهد که این شرکت به طور عمده از هوش مصنوعی مولد استفاده کرده است و درس هایی را که در تولید Copilot های قابل اعتماد آموخته است، در خود جای داده است. نتیجه قول می دهد که مسیری سریع برای آوردن هوش مصنوعی مولد به برنامه ها و داده های شما باشد.