Detaillierter Kursinhalt
Modul 1: Entwicklung generativer KI-Lösungen mit Azure OpenAI Service
Erste Schritte mit Azure OpenAI Service
- Access Azure OpenAI Service
- Use Azure OpenAI Studio
- Erforschung der Arten von generativen AI-Modellen
- Einsatz von generativen KI-Modellen
- Abschlüsse vs. Chat
- Verwenden Sie Aufforderungen, um Vervollständigungen von Modellen zu erhalten
- Testen Sie Modelle in den Spielwiesen von Azure OpenAI Studio
Erstellen Sie natürlichsprachliche Lösungen mit Azure OpenAI Service
- Integrieren Sie Azure OpenAI in Ihre Anwendung
- Use Azure OpenAI REST API
- Use Azure OpenAI SDK
Promptes Engineering mit Azure OpenAI Service anwenden
- Verstehen Sie promptes Engineering
- Effektivere Prompts schreiben
- Zero-Shot- vs. Few-Shot-Lernen
- Gedankenkettenanregung
- Bereitstellung von Kontext zur Verbesserung der Genauigkeit
- System Messages
- Funktion Aufrufen
Code mit Azure OpenAI Service generieren
- Code aus natürlicher Sprache konstruieren
- Vervollständigung des Codes und Unterstützung des Entwicklungsprozesses
- Behebung von Fehlern und Verbesserung Ihres Codes
Bilder generieren mit Azure OpenAI Service
- Was ist DALL-E?
- DALL-E im Azure OpenAI Studio erforschen
- Verwenden Sie die Azure OpenAI REST API, um DALL-E-Modelle zu nutzen
Implementierung von Retrieval Augmented Generation (RAG) mit Azure OpenAI Service
- Verstehen Sie Retrieval Augmented Generation (RAG) mit Azure OpenAI Service
- Fügen Sie Ihre eigene Datenquelle hinzu
- Chatten Sie mit Ihrem Modell anhand Ihrer eigenen Daten
Grundlagen einer verantwortungsvollen generativen KI
- Planen Sie eine verantwortungsvolle generative KI-Lösung
- Mögliche Schäden identifizieren
- Potenzielle Schäden messen
- Mögliche Schäden abmildern
- Betreiben Sie eine verantwortungsvolle generative KI-Lösung
Modul 2: Entwicklung eigener Copiloten mit Azure AI Studio
Einführung in Azure AI Studio
- Zentrale Funktionen und Möglichkeiten von Azure AI Studio
- Azure AI Hubs & Projekte
- Bereitstellung und Verwaltung von Azure AI-Ressourcen
- Azure AI Studio: Anwendungsfälle und Szenarien
Erstellen Sie eine RAG-basierte Copilot-Lösung mit Ihren eigenen Daten mit Azure AI Studio
- Identifizieren Sie die Notwendigkeit, Ihr Sprachmodell mit Retrieval Augmented Generation (RAG) zu fundieren
- Indizieren Sie Ihre Daten mit Azure AI Search, um sie für Sprachmodelle durchsuchbar zu machen
- Erstellen Sie einen Kopiloten mit RAG auf Ihren eigenen Daten im Azure AI Studio
- RAG in Prompt Flow verwenden
Einführung in die Entwicklung von Copiloten mit Prompt Flow im Azure AI Studio
- Prompt-Flow Überblick, Integration und Anwendungsfälle
- Verstehen der Grundlagen des Prompt Flow und der Kernkomponenten
- Prompt-Ablaufvarianten verwenden
- Verstehen des Entwicklungszyklus bei der Erstellung von Sprachmodellanwendungen.
- Verwendung von LangChain in Prompt Flow
Integrieren Sie ein fein abgestimmtes Sprachmodell in Ihren Copiloten im Azure AI Studio
- Feinabstimmung Übersicht
- Wann ist die Feinabstimmung sinnvoll?
- Feinabstimmung eines Sprachmodells im Azure AI Studio
Bewerten Sie die Leistung Ihres benutzerdefinierten Copiloten im Azure AI Studio
- Bewertung der Modellleistung
- Verstehen der Modell-Benchmarks
- Verwendung von Bewertungen zur Überwachung und Verbesserung Ihres Modells
Modul 3: Entwicklung von KI-Agenten mit Azure OpenAI und dem Semantic Kernel SDK
Erstellen Sie Ihren Kernel
- Den Zweck des Semantic Kernel verstehen
- Verstehen der Grundlagen des Promptens und der Techniken für effektivere Prompts
- Verwendung von OpenAI, Azure OpenAI und großen Sprachmodellen von Drittanbietern
Verleihen Sie Ihrem KI-Agenten mit nativen Funktionen Fähigkeiten
- Verstehen der nativen Funktionen im Semantic Kernel SDK
- Implementierung nativer Funktionen mit Prompts
- Verwendung von yaml-basierten Prompts
- Verkettung nativer Funktionen
- Verwendung von Vor- und Nachhaken
Plugins für den Semantischen Kernel erstellen
- Verstehen des Zwecks von Semantic Kernel Plugins
- Eingebaute Plugins (ConversationSummary, FileIO, Http, Math, Time)
- Implementierung von Plugins für Datenabruf und Aufgabenautomatisierung
- Persistieren von Daten mit Plugins
Bereitstellung von Status und Historie über den Kernelspeicher
- Den Zweck des Kernelspeichers verstehen
- Semantischer Kernel-Speicher: Prozessbegleitend & Konnektoren
- Hochleistungsspeicher mit Azure Cosmos DB DiskANN
- Kernel-Speicher & Retrieval Augmented Generation (RAG)
- Streaming von Antworten auf einseitige Anwendungen
Intelligente Planer verwenden
- Die Planer im Semantic Kernel SDK verstehen
- Verwendung und Optimierung von Planern zur Automatisierung von Funktionsaufrufen
- Erfahren Sie, wie Sie mit dem Semantic Kernel SDK automatisch Funktionen aufrufen können
- Funktionsaufruf als Planer-Ersatz
- Automatischer vs. manueller Funktionsaufruf
- Verwendung von Funktionsfiltern und Funktionsaufrufhelfern
Integration von KI-Diensten mit semantischem Kernel
- Text zu Bild & Bild zu Text
- Audio in Text verwenden
- Umarmendes Gesicht mit semantischem Kernel verwenden
- Integration von Prompt-Flow mit semantischem Kernel
Implementierung von Copiloten und Assistenten mit Semantic Kernel
- Assistent Überblick
- OpenAI-Assistent Spezifikation
- Erledigung von Mehrschrittaufgaben mit dem Assistenten
- Verwendung von Personas mit Assistant
- Implementierung von Multi-Assistent-Lösungen
Modul 4: Überwachung und Bereitstellung von LLM-Anwendungen
- Verstehen des Bereitstellungsprozesses für LLM-Anwendungen
- Einführungen in Azure Container Apps
- Bereitstellung von LLM-Anwendungen in Azure Container Apps
- Azure OpenAI Apps mit Azure Container Apps skalieren
- Azure Container Apps Dynamische Sitzungen
- Überwachung und Verwaltung von LLM-Anträgen