آموزش آشنایی با Azure AI Foundry و بررسی سرویس‌ها و قابلیت‌های آن

آموزش آشنایی با Azure AI Foundry و بررسی سرویس‌ها و قابلیت‌های آن با عنوان اصلی Introduction to Azure AI Foundry Exploring Services and Capabilities 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 محیط Azure AI Foundry، ساختار Hubs و Projects و ابزارهای مختلف این پلتفرم آشنا می شوید. همچنین نحوه جست وجو، مقایسه و استقرار مدل های هوش مصنوعی، کار با Playgroundها و ساخت Workflowهای مبتنی بر Prompt Flow را یاد می گیرید.

Azure AI Foundry چیست و چه کاربردی دارد؟

Azure AI Foundry پلتفرم توسعه هوش مصنوعی Microsoft است که مجموعه ای از ابزارها و سرویس ها را برای ساخت، آزمایش و استقرار راهکارهای مبتنی بر هوش مصنوعی در اختیار توسعه دهندگان قرار می دهد. این محیط به برنامه نویسان کمک می کند مدل های مختلف را بررسی کنند، با قابلیت های هوش مصنوعی کار کنند و برنامه های هوشمند خود را بر اساس نیازهای پروژه توسعه دهند.

یکی از مزیت های مهم این پلتفرم، فراهم کردن محیطی یکپارچه برای دسترسی به مدل ها، ابزارهای توسعه و امکانات مدیریتی است. توسعه دهندگان می توانند از Azure AI Foundry برای آزمایش مدل های زبانی، کار با مدل های تولید تصویر، توسعه AI Agents و ایجاد Workflowهای هوشمند استفاده کنند. آشنایی با این محیط می تواند نقطه شروع مناسبی برای ورود به اکوسیستم هوش مصنوعی Azure باشد.

شروع کار با Azure AI Foundry و ساخت Hubs و Projects

برای شروع کار با Azure AI Foundry ابتدا باید با محیط این پلتفرم و نحوه دسترسی به امکانات آن آشنا شوید. در این آموزش با ساختار کلی Foundry، محل دسترسی به آن و مفاهیمی مانند Hubs و Projects آشنا می شوید. این مفاهیم در سازمان دهی منابع و مدیریت فعالیت های مرتبط با توسعه راهکارهای هوش مصنوعی نقش مهمی دارند.

همچنین بخش Management Center یکی از قسمت هایی است که برای مدیریت تنظیمات و منابع مرتبط با محیط Azure AI Foundry مورد استفاده قرار می گیرد. شناخت این بخش ها به شما کمک می کند درک بهتری از ساختار پلتفرم داشته باشید و بدانید هر یک از قابلیت ها و منابع در کدام قسمت قرار گرفته اند.

ابزارها و قابلیت های Azure AI Foundry

Azure AI Foundry ابزارهای متنوعی برای کار با مدل های هوش مصنوعی و توسعه برنامه های مبتنی بر آن ها ارائه می دهد. بخش هایی مانند Models، Playgrounds و AI Services امکان بررسی و آزمایش مدل ها و سرویس های مختلف را فراهم می کنند. همچنین قابلیت هایی مانند Agents، Fine-tuning و Prompt Flow به توسعه دهندگان کمک می کنند راهکارهای هوشمند خود را متناسب با نیازهای پروژه طراحی و بهبود دهند.

در کنار ابزارهای توسعه، امکاناتی مانند Tracing، Evaluation، Safety و Security نیز برای بررسی عملکرد و جنبه های امنیتی راهکارهای هوش مصنوعی اهمیت دارند. همچنین در این محیط می توانید با مفاهیمی مانند Assets، Endpoints، Data و Indexes آشنا شوید. شناخت این اجزا به شما کمک می کند ارتباط میان مدل ها، داده ها و منابع موردنیاز برای اجرای برنامه های هوشمند را بهتر درک کنید.

چگونه مدل مناسب را از Model Catalog انتخاب کنیم؟

یکی از مراحل مهم در توسعه برنامه های مبتنی بر هوش مصنوعی، انتخاب مدل مناسب است. Azure AI Foundry از طریق Model Catalog امکان بررسی مدل های مختلف را فراهم می کند. در این بخش می توانید مدل های موجود را جست وجو کنید، جزئیات هر مدل را مشاهده کنید و با ویژگی ها و کاربردهای آن ها آشنا شوید. این قابلیت به شما کمک می کند پیش از انتخاب یک مدل، گزینه های موجود را بهتر ارزیابی کنید.

مقایسه مدل ها و بررسی Benchmarks نیز در انتخاب گزینه مناسب اهمیت دارد. عملکرد مدل ها ممکن است بر اساس نوع وظیفه و معیارهای ارزیابی متفاوت باشد؛ بنابراین بررسی مشخصات و نتایج مقایسه ای می تواند به تصمیم گیری بهتر کمک کند. پس از انتخاب مدل موردنظر، می توانید با فرآیند Deploy کردن آن در Azure AI Foundry آشنا شوید و نحوه در دسترس قرار دادن مدل برای استفاده در برنامه ها را بررسی کنید.

کار با Playground و بهبود عملکرد مدل های هوش مصنوعی

Playground در Azure AI Foundry محیطی تعاملی برای آزمایش مدل های هوش مصنوعی است. توسعه دهندگان می توانند بدون نیاز به پیاده سازی کامل یک برنامه، ورودی های مختلف را به مدل ارسال کنند و پاسخ های آن را بررسی کنند. این روش برای شناخت رفتار مدل ها، آزمایش قابلیت های آن ها و بررسی نحوه پاسخ گویی به درخواست های مختلف بسیار کاربردی است.

در این آموزش با Playgroundهای مختلف کار می کنید و نحوه آزمایش یک مدل DALL·E در محیط Images Playground را یاد می گیرید. همچنین یک Chat Model را در Playground آزمایش می کنید تا با نحوه تعامل با مدل های مکالمه ای آشنا شوید. این تجربه به شما کمک می کند پیش از استفاده از مدل ها در یک پروژه واقعی، رفتار و خروجی آن ها را بهتر بررسی کنید.

Prompt Flow چیست و چگونه با آن Workflow بسازیم؟

Prompt Flow ابزاری برای طراحی و مدیریت جریان های کاری مبتنی بر Prompt است که به توسعه دهندگان امکان می دهد مراحل مختلف پردازش اطلاعات و تعامل با مدل های هوش مصنوعی را به یکدیگر متصل کنند. با استفاده از این قابلیت می توان یک Workflow ایجاد کرد که شامل دریافت ورودی، اجرای دستورالعمل ها، پردازش اطلاعات و تولید خروجی باشد. این روش به ساختارمند شدن فرآیند توسعه برنامه های مبتنی بر مدل های زبانی کمک می کند.

در این آموزش با مفاهیمی مانند System Instructions، ویرایش دستورالعمل ها، ایجاد یک Prompt Flow ساده و کار با Prompt Flow Editor آشنا می شوید. همچنین کدهای Python مورد استفاده در Templateها و نحوه استفاده از Standard Prompt Flow را بررسی می کنید. آشنایی با این امکانات به شما کمک می کند جریان های کاری هوش مصنوعی را بهتر طراحی و شخصی سازی کنید.

استفاده از Serp API و استقرار Prompt Flow

یکی از قابلیت های مهم در ساخت Workflowهای هوشمند، امکان استفاده از اطلاعات و منابع خارجی است. در این آموزش با نحوه استفاده از نتایج موتور جست وجو از طریق Serp API در Prompt Flow آشنا می شوید. این قابلیت می تواند به Workflow اجازه دهد اطلاعات مرتبط را از نتایج جست وجو دریافت کند و آن ها را در فرآیند پردازش و تولید پاسخ مورد استفاده قرار دهد.

پس از طراحی و آزمایش Workflow، مرحله بعدی آماده سازی آن برای استفاده در برنامه های دیگر است. Azure AI Foundry امکان Deploy کردن Prompt Flow یا Playground را فراهم می کند. در پایان نیز با Azure AI Foundry Labs و مدل های جدید آن آشنا می شوید و منابع بیشتری برای یادگیری Azure و فناوری های هوش مصنوعی بررسی می کنید. این مباحث دید گسترده تری از امکانات و مسیرهای ادامه یادگیری در اکوسیستم Azure AI در اختیار شما قرار می دهند.