آموزش پیاده سازی معماری RAG با Azure AI برای توسعه دهندگان

آموزش پیاده سازی معماری RAG با Azure AI برای توسعه دهندگان با عنوان اصلی Azure for Developers Retrieval-Augmented Generation (RAG) with Azure AI یکی دیگر از آموزش های گروه آموزشی پرووید می باشد که در این قسمت آن را به شما معرفی می کنیم. در این آموزش با مفاهیم بنیادی معماری Retrieval-Augmented Generation یا RAG و نحوه پیاده سازی آن با استفاده از سرویس های هوش مصنوعی Azure آشنا می شوید. همچنین یاد می گیرید چگونه با Azure AI Search و Azure Cosmos DB راهکارهای مبتنی بر RAG ایجاد کنید و با استفاده از ابزارهای Azure AI کیفیت و عملکرد آن ها را ارزیابی کنید.

معماری RAG چیست و چگونه کار می کند؟

معماری Retrieval-Augmented Generation یا RAG یکی از روش های توسعه برنامه های مبتنی بر هوش مصنوعی مولد است که در آن مدل زبانی قبل از تولید پاسخ، اطلاعات مرتبط را از یک منبع داده بازیابی می کند. به این ترتیب، مدل می تواند به جای اتکا به دانش اولیه خود، از اطلاعات اختصاصی و مرتبط با درخواست کاربر برای تولید پاسخ استفاده کند.

در یک راهکار RAG، ابتدا داده ها آماده سازی و به شکل مناسب برای جستجو ذخیره می شوند. سپس هنگام دریافت پرسش، اطلاعات مرتبط بازیابی شده و همراه با درخواست کاربر در اختیار مدل زبانی قرار می گیرند. در این آموزش با مراحل اصلی این فرایند، معماری RAG، پایگاه داده های برداری و نحوه استفاده از مدل های Embedding در Azure OpenAI آشنا خواهید شد.

پیاده سازی RAG با Azure AI Foundry و مدل های Embedding

برای ساخت یک سیستم RAG، تبدیل داده های متنی به بردارهای عددی یا Embedding اهمیت زیادی دارد. این بردارها امکان جستجوی معنایی را فراهم می کنند؛ به این معنا که سیستم می تواند بر اساس مفهوم و ارتباط معنایی اطلاعات، داده های مرتبط با پرسش کاربر را پیدا کند، حتی اگر کلمات استفاده شده در پرسش دقیقا با متن منبع یکسان نباشند.

در این بخش با مدل Azure OpenAI Embeddings و نحوه استفاده از آن در راهکارهای RAG آشنا می شوید. همچنین نحوه ایجاد یک راهکار RAG با Azure AI Foundry بررسی می شود. با یادگیری این مفاهیم، درک بهتری از ارتباط میان مدل های زبانی، Embeddingها و منابع داده در معماری برنامه های هوش مصنوعی به دست خواهید آورد.

استفاده از Azure AI Search در معماری RAG

 Azure AI Search یکی از سرویس های جستجوی ابری Azure است که قابلیت هایی مانند جستجوی متنی و جستجوی برداری را در اختیار توسعه دهندگان قرار می دهد. این سرویس می تواند نقش مهمی در معماری RAG داشته باشد؛ زیرا اطلاعات مرتبط با درخواست کاربر را از میان مجموعه داده ها بازیابی می کند و برای استفاده در اختیار مدل زبانی قرار می دهد.

در این آموزش با آماده سازی منابع موردنیاز، ایجاد Search Index و تعریف Data Source آشنا می شوید. همچنین نحوه ساخت Skillset و Indexer، وارد کردن داده ها و تبدیل آن ها به بردارهای قابل جستجو بررسی می شود. در ادامه یاد می گیرید چگونه داده ها را Query کنید و نتایج جستجو را برای تولید پاسخ در اختیار یک مدل زبانی قرار دهید. این مباحث با تمرین عملی ساخت یک راهکار RAG تکمیل می شوند.

پیاده سازی RAG با Azure Cosmos DB

Azure Cosmos DB یک سرویس پایگاه داده ابری در Azure است که برای ذخیره و مدیریت داده ها در برنامه های مختلف مورد استفاده قرار می گیرد. این سرویس با قابلیت های مرتبط با جستجوی برداری می تواند به عنوان یکی از گزینه های ذخیره سازی و بازیابی اطلاعات در معماری RAG استفاده شود. انتخاب یک پایگاه داده مناسب در چنین سیستم هایی اهمیت زیادی دارد؛ زیرا فرایند بازیابی اطلاعات بخش اصلی تولید پاسخ های مبتنی بر داده را تشکیل می دهد.

در این بخش از آموزش، نحوه استفاده از Azure Cosmos DB برای ساخت یک راهکار RAG را یاد می گیرید. ابتدا یک منبع Azure Cosmos DB ایجاد می کنید و سپس تنظیمات موردنیاز برای استفاده از آن در معماری RAG را انجام می دهید. در ادامه، یک تمرین عملی برای پیاده سازی راهکار RAG با این سرویس ارائه می شود که به شما کمک می کند مفاهیم یادگرفته شده را در یک سناریوی کاربردی به کار بگیرید.

ارزیابی عملکرد و کیفیت برنامه های RAG

ساخت یک برنامه مبتنی بر RAG تنها به بازیابی اطلاعات و تولید پاسخ محدود نمی شود. برای اطمینان از کیفیت خروجی، باید عملکرد بخش های مختلف سیستم را ارزیابی کرد. در این فرایند، معیارهای ارزیابی هوش مصنوعی مولد اهمیت زیادی دارند؛ زیرا به توسعه دهندگان کمک می کنند میزان ارتباط پاسخ با پرسش، کیفیت اطلاعات بازیابی شده و عملکرد کلی برنامه را بررسی کنند.

در این آموزش با معیارهای ارزیابی در Generative AI و نحوه آماده سازی مجموعه داده برای ارزیابی آشنا می شوید. همچنین یاد می گیرید چگونه با استفاده از Azure AI Evaluation SDK یک راهکار RAG را ارزیابی کنید. در ادامه، یک تمرین عملی برای ارزیابی برنامه RAG انجام می شود تا بتوانید مفاهیم و ابزارهای معرفی شده را در سناریویی واقعی تر به کار بگیرید.

این آموزش برای چه کسانی مناسب است؟

این آموزش برای توسعه دهندگانی مناسب است که قصد دارند برنامه های کاربردی مبتنی بر هوش مصنوعی مولد را با استفاده از سرویس های Microsoft Azure توسعه دهند. اگر با مفاهیم برنامه نویسی و سرویس های ابری آشنایی دارید و می خواهید نحوه اتصال مدل های زبانی به داده های اختصاصی را یاد بگیرید، معماری RAG یکی از مفاهیم مهمی است که در این مسیر با آن مواجه خواهید شد.

همچنین توسعه دهندگان Backend، مهندسان Cloud و افرادی که در زمینه توسعه راهکارهای هوش مصنوعی فعالیت می کنند، می توانند از مباحث این دوره استفاده کنند. آشنایی با Azure AI Foundry، Azure AI Search، Azure Cosmos DB و ابزارهای ارزیابی Azure AI به شما کمک می کند مراحل طراحی، پیاده سازی و ارزیابی یک برنامه RAG را بهتر درک کنید. محتوای این آموزش به زبان انگلیسی ارائه شده و دارای زیرنویس انگلیسی است.