מדריך

מודל AI מתפקד בצורה גרועה עבור קבוצה דמוגרפית ספציפית עקב תת-ייצוג בנתוני האימון.

→השתמש בלוח המחוונים של Azure Machine Learning Responsible AI כדי לזהות ולמדוד אי-שוויון בהגינות (לדוגמה, שוויון דמוגרפי). צמצם הטיה באמצעות הגדלת נתונים, דגימה מחדש או שימוש באלגוריתמים מודעים להגינות.

למה: הגינות דורשת יחס שווה בכל הקבוצות. הסרה פשוטה של תכונות מוגנות אינה מספקת מכיוון שמשתני מתווך עדיין יכולים לקודד הטיה.

מקור↗

רגולטורים דורשים הסבר לכל החלטת דחיית הלוואה מונעת AI.

→השתמש בטכניקות פרשנות והסבר של מודלים כמו SHAP (SHapley Additive exPlanations) באמצעות לוח המחוונים של Responsible AI כדי ליצור ציוני חשיבות תכונה עבור תחזיות בודדות.

למה: שקיפות עוסקת בהפיכת החלטות AI למובנות. מדדי דיוק מצטברים אינם מספיקים להסברת תוצאות פרטניות.

מערכת AI בעלת סיכון גבוה (לדוגמה, אבחון רפואי) זקוקה לפיקוח אנושי לפני ביצוע המלצותיה.

→יישם זרימת עבודה של "אדם בלולאה" שבה אדם מוסמך בודק, מאשר או מבטל המלצות שנוצרו על ידי AI.

למה: אחריות מבטיחה שבני אדם אחראים בסופו של דבר לתוצאות מערכת ה-AI, במיוחד ביישומים קריטיים.

יש למנוע מצ'אטבוט מבוסס AI לספק עצה מזיקה או שגויה בתחומים רגישים כמו שירותי בריאות.

→יישם בדיקות קפדניות, ניטור ביצועים וסינון תוכן. קבע גבולות תפעוליים כדי למנוע שימוש בהקשרים בלתי מיועדים או מזיקים.

למה: אמינות ובטיחות דורשות שמערכות AI יפעלו באופן עקבי ולא יגרמו נזק.

חלץ תובנות, ישויות ויחסים ניתנים לחיפוש ממצבור גדול והטרוגני של מסמכים לא מובנים (קובצי PDF, DOCX, תמונות).

→השתמש ב-Azure AI Search. צור צינור העשרה המשתמש בכישורי AI (לדוגמה, OCR, זיהוי ישויות, זיהוי שפות) כדי לאנדקס תוכן לחיפוש סמנטי.

למה: כריה של ידע מיועדת ליצירת אינדקס מובנה וניתן לחיפוש מנתונים לא מובנים, לא רק לעיבוד מסמכים בודדים.

מקור↗

נטר נתוני חיישנים בזמן אמת מציוד מפעל כדי לזהות דפוסים חריגים המעידים על כשל מתקרב.

→השתמש בשירות Azure Anomaly Detector. הזרם נתוני סדרות זמן ל-API השירות כדי לזהות חריגים בזמן אמת.

למה: Anomaly Detector הוא שירות מובנה המותאם לזיהוי דפוסים חריגים בנתוני סדרות זמן מבלי לדרוש אימון מודל מותאם אישית.

מערכת בדיקת איכות מבוססת AI ברצפת ייצור דורשת זמני היסק של פחות מ-50 אלפיות השנייה וחייבת לפעול למרות קישוריות אינטרנט לסירוגין.

→פרוס מודל AI ממוטב (לדוגמה, בפורמט ONNX) למכשיר קצה (כמו Azure IoT Edge) לצורך היסק מקומי.

למה: Edge AI עומד בדרישות של השהיה נמוכה ופעולה לא מקוונת על ידי עיבוד נתונים באופן מקומי, הימנעות מנסיעות רשת הלוך ושוב לענן.

חזה ערך מספרי רציף, כגון מחיר בית או הכנסות ממכירות עתידיות.

→השתמש באלגוריתם רגרסיה (לדוגמה, רגרסיה לינארית, עצים מחוזקים). הערך באמצעות מדדים כמו Root Mean Squared Error (RMSE) או Mean Absolute Error (MAE).

למה: רגרסיה מיועדת לשאלות "כמה?" או "מה הכמות?". השתמש בסיווג לשאלות "איזו קטגוריה?".

חזה קטגוריה בדידה, כגון האם עסקה היא "הונאה" או "לגיטימית".

→השתמש באלגוריתם סיווג (לדוגמה, רגרסיה לוגיסטית, יער אקראי). עבור שתי קטגוריות, השתמש בסיווג בינארי. עבור 3+, השתמש בסיווג רב-מחלקתי. הערך באמצעות מטריצת בלבול, דיוק ורגישות (recall).

למה: סיווג חוזה תווית מתוך קבוצה מוגדרת מראש של קטגוריות.

גלה קיבוצים טבעיים בערכת נתוני לקוחות כדי ליצור פלחי שיווק ממוקדים, ללא קטגוריות מוגדרות מראש.

→השתמש באלגוריתם אשכולות בלתי מפוקח כמו K-Means. הנתונים אינם מתויגים.

למה: אשכולות היא טכניקה בלתי מפוקחת המשמשת למציאת מבנה בנתונים לא מתויגים. השתמש בה כשאין לך יעד מוגדר מראש לחזות.

צוות עם מומחיות מוגבלת בלמידת מכונה צריך לבנות מודל במהירות על ידי בדיקה אוטומטית של אלגוריתמים והיפר-פרמטרים מרובים.

→השתמש בלמידת מכונה אוטומטית (AutoML) ב-Azure Machine Learning. ציין את המשימה (סיווג, רגרסיה) ותן ל-AutoML לעבור על מודלים כדי למצוא את המבצע הטוב ביותר.

למה: AutoML ממכן את המשימות גוזלות הזמן של בחירת אלגוריתמים וכוונון היפר-פרמטרים, ומאיץ את פיתוח המודל.

מקור↗

מדען נתונים אזרח צריך לבנות צינור ML באמצעות ממשק ויזואלי, ללא קוד, של גרירה ושחרור.

→השתמש במעצב של Azure Machine Learning. חבר מודולים מובנים מראש עבור הטמעת נתונים, טרנספורמציה, אימון וניקוד על בד ויזואלי.

למה: המעצב הוא הפתרון ללא קוד/קוד נמוך לבניית צינורות ML, בניגוד לגישת ה-SDK מבוססת הקוד.

מדען נתונים זקוק לסביבת פיתוח אינטראקטיבית (Jupyter) ולמשאב מדרגי, רב-צמתי לאימון באצווה.

→השתמש במופע מחשוב של Azure ML לפיתוח אינטראקטיבי. השתמש באשכול מחשוב של Azure ML לאימון מדרגי ומבוזר.

למה: מופעי מחשוב הם תחנות עבודה בעלות צומת יחיד לפיתוח. אשכולות מחשוב הם משאבים מרובי צמתים, בעלי קנה מידה אוטומטי לאימון בייצור ולהיסק באצווה.

מודל חייב לספק תחזיות מיידיות עבור יישום אינטרנט, בעוד שאחר צריך לנקד מיליוני רשומות במהלך הלילה.

→פרוס את מודל יישום האינטרנט לנקודת קצה מנוהלת מקוונת בזמן אמת. פרוס את מודל הניקוד באצווה לנקודת קצה באצווה.

למה: נקודות קצה מקוונות מיועדות להיסק סינכרוני בעל השהיה נמוכה. נקודות קצה באצווה מיועדות לניקוד אסינכרוני בעל תפוקה גבוהה של מערכי נתונים גדולים.

מודל זיהוי הונאות שאומן על נתונים עם 99% עסקאות שאינן הונאה מתפקד בצורה גרועה, ומפספס את רוב מקרי ההונאה בפועל.

→טפל בחוסר איזון חמור של מחלקות. טכניקות כוללות דגימת יתר של מחלקת המיעוט (לדוגמה, SMOTE), דגימת חסר של מחלקת הרוב, או שימוש בפונקציות הפסד משוקללות מחלקות.

למה: עם נתונים לא מאוזנים, מודל יכול להשיג דיוק גבוה על ידי חיזוי פשוט של מחלקת הרוב. התמקד במדדים כמו recall ו-precision עבור מחלקת המיעוט.

זהה מספר פריטים על מסוע במחסן וספק את מיקום כל פריט עם תיבת תוחמת.

→השתמש במודל זיהוי אובייקטים. משימה זו מחזירה גם תווית מחלקה וגם קואורדינטות עבור תיבת תוחמת עבור כל אובייקט שנמצא.

למה: זיהוי אובייקטים עונה על השאלה "מה נמצא בתמונה הזו והיכן הוא נמצא?". סיווג תמונות עונה רק על השאלה "מה נמצא בתמונה הזו?".

המר לדפוס דיגיטלי פרוטוקולי ישיבות מועצת העיר הכתובים בכתב יד מתמונות סרוקות כדי להפוך אותם לניתנים לחיפוש.

→השתמש בשירות Azure AI Vision עם ה-API לקריאה (OCR). הוא תומך הן בטקסט מודפס והן בכתב יד.

למה: OCR (זיהוי תווים אופטי) היא המשימה הספציפית לחילוץ טקסט מתמונות. Read API הוא מנוע ה-OCR המתקדם ביותר של Azure.

זהה את הגבולות המדויקים של גידול בסריקת MRI, וסווג כל פיקסל כ"גידול" או "רקמה בריאה".

→השתמש בפילוח תמונות. טכניקה זו מסווגת כל פיקסל בתמונה, ומספקת קווי מתאר מדויקים של אובייקטים.

למה: פילוח מספק פרטים ברמת הפיקסל, שהוא מדויק יותר מתיבות התוחמות מזיהוי אובייקטים.

בנה מודל לסיווג 50 סוגים ספציפיים של מנות מטבח באמצעות 75 תמונות מתויגות בלבד לכל קטגוריה.

→השתמש בשירות Azure AI Custom Vision. הוא משתמש בלמידת העברה (transfer learning) לבניית סיווגים מותאמים אישית יעילים עם מערכי נתונים קטנים.

למה: Custom Vision אידיאלי למשימות סיווג ספציפיות לתחום כאשר יש לך נתוני אימון מוגבלים, מה שמונע את הצורך במודל גדול וכללי.

מקור↗

מערכת אבטחה חייבת לזהות אדם, לקבוע את גילו המשוער, ולוודא שהוא אדם חי, לא תמונה.

→השתמש בשירות Azure AI Face. השתמש בזיהוי פנים עבור תכונות (גיל, משקפיים) וזיהוי חיות (liveness detection) למניעת התחזות.

למה: שירות הפנים מספק יכולות מיוחדות לזיהוי פנים, ניתוח תכונות, אימות, זיהוי ומניעת התחזות שחסרות לשירותי ראייה כלליים.

חלץ אוטומטית נתונים מובנים (שם ספק, מספר חשבונית, פריטי שורה, סך הכל) מאלפי חשבוניות בפורמטים שונים.

→השתמש ב-Azure AI Document Intelligence (לשעבר Form Recognizer) עם מודל החשבוניות המובנה שלו.

למה: Document Intelligence בנוי במיוחד כדי להבין את מבנה המסמך ולחלץ זוגות מפתח-ערך וטבלאות, הרבה מעבר למה ש-OCR פשוט יכול לעשות.

נתח ספריית וידאו כדי ליצור אוטומטית אינדקס ניתן לחיפוש של מילים מדוברות, דוברים מזוהים, טקסט חזותי ונושאים.

→השתמש ב-Azure AI Video Indexer. הוא משלב מספר מודלי AI (דיבור לטקסט, OCR, זיהוי פנים, מודלים של נושאים) לשירות יחיד לניתוח וידאו עמוק.

למה: Video Indexer הוא השירות המקיף לחילוץ תובנות רב-מודליות מתוכן וידאו, לא רק ניתוח פריימים בודדים.

חנות קמעונאית רוצה לנתח תנועת הולכי רגל על ידי ספירת מספר האנשים הנכנסים לאזור קידום מכירות ספציפי בווידאו בזמן אמת.

→השתמש ביכולת הניתוח המרחבי של Azure AI Vision. הגדר אזורים ואירועי חציית קווים לניטור תנועת אנשים.

למה: ניתוח מרחבי מיועד להבנת תנועת אנשים במרחבים פיזיים באמצעות הזנות וידאו, משימה מיוחדת מעבר לזיהוי אובייקטים כללי.

יישום צריך לזהות ולתייג אוטומטית אזכורים של חברות, אנשים ומיקומים ספציפיים בתוך מאמרי חדשות.

→השתמש בתכונת זיהוי ישויות בשם (NER) של שירות Azure AI Language.

למה: NER מזהה ומקטלג ישויות ידועות לסוגים מוגדרים מראש באופן ספציפי. חילוץ ביטויי מפתח מוצא נושאים חשובים אך אינו מקטלג אותם.

נתח ביקורת מוצר כדי לקבוע לא רק את הסנטימנט הכללי, אלא גם ש"חיי הסוללה" נתפסו באופן חיובי ו"המסך" באופן שלילי.

→השתמש בניתוח סנטימנט עם תכונת כריית דעות בשירות Azure AI Language.

למה: כריית דעות (סנטימנט מבוסס היבטים) מספקת תובנות גרעיניות על ידי קישור סנטימנט לתכונות ספציפיות (יעדים) בתוך הטקסט.

צור צ'אטבוט שעונה על שאלות לקוחות באמצעות מסמכי שאלות נפוצות קיימים ומדריכי מוצר של החברה כבסיס ידע.

→השתמש בתכונת מענה לשאלות מותאם אישית של Azure AI Language. הזרם את המסמכים כדי ליצור בסיס ידע שהשירות יכול לשאול.

למה: מענה לשאלות נועד למצוא את התשובה הטובה ביותר מתוך קורפוס טקסט נתון, וזה אידיאלי לתרחישים של שאלות נפוצות ובסיסי ידע.

בנה עוזר וירטואלי שמבין כוונות משתמשים כמו "איפוס סיסמה" או "הזמנת טיסה" ומחלץ ישויות רלוונטיות (לדוגמה, יעד, תאריך).

→השתמש בהבנת שפה שיחתית (CLU) ב-Azure AI Language כדי לבנות מודל מותאם אישית שממפה אמירות לכוונות וישויות.

למה: CLU בנוי במיוחד להבנת הכוונה השיחתית באמירות קצרות, וזה שונה מניתוח מסמכים ארוכים.

מקור↗

קטלג אוטומטית הודעות דוא"ל נכנסות לתמיכה לקטגוריות מוגדרות מראש כמו "חיוב", "טכני" או "בירור חשבון".

→השתמש בתכונת סיווג טקסט מותאם אישית של Azure AI Language. אמן מודל עם דוגמאות מתויגות עבור כל קטגוריה.

למה: זוהי משימת סיווג מסמכים קלאסית. סיווג מותאם אישית מאפשר לך להגדיר קטגוריות עסקיות משלך.

יישום מופעל קולי צריך להמיר פקודות מדוברות לטקסט ולאחר מכן ליצור תגובה מדוברת הנשמעת טבעית.

→השתמש בשירות Azure AI Speech. השתמש ב-API של דיבור לטקסט עבור תמלול וב-API של טקסט לדיבור עבור סינתזה.

למה: שירות הדיבור הוא המרכז המרכזי לכל משימות ה-AI הקשורות לדיבור, כולל תמלול, סינתזה, תרגום וזיהוי דוברים.

מערכת אבטחה מבוססת קול צריכה לוודא שאדם המדבר הוא מי שהוא טוען שהוא.

→השתמש בתכונת זיהוי הדובר של Azure AI Speech כדי לבצע אימות דובר מול טביעת קול רשומה.

למה: זיהוי דובר מזהה או מאמת אדם לפי מאפייני הקול הייחודיים שלו, שונה מתימצות מה שהוא אומר.

פלטפורמת מסחר אלקטרוני צריכה לתרגם תיאורי מוצרים ל-30 שפות שונות תוך שמירה על עיצוב HTML.

→השתמש בשירות Azure AI Translator. הוא תומך בתרגום טקסט ומסמכים ביותר מ-100 שפות ויכול לשמור על עיצוב.

למה: מתרגם הוא השירות הייעודי והמדרגי לתרגום רב לשוני, מותאם יותר למשימה זו ממודל שפה כללי.

פרוס צ'אטבוט לערוצים מרובים, כולל אתר אינטרנט של חברה, Microsoft Teams ו-Slack, ממאגר קוד יחיד.

→השתמש בשירות Azure Bot. הוא מספק מסגרת ומחברי ערוצים לניהול תקשורת על פני פלטפורמות שונות.

למה: שירות הבוטים מטפל במורכבות של התאמת ליבת AI שיחתית (כמו CLU או QnA) לפרוטוקולים הספציפיים של פלטפורמות צ'אט שונות.

צ'אטבוט חייב לענות על שאלות אך ורק בהתבסס על בסיס הידע הפנימי והמתעדכן לעיתים קרובות של החברה, ולא על הידע הכללי שאומן עליו מראש.

→יישם את תבנית Retrieval-Augmented Generation (RAG). השתמש ב-Azure AI Search כדי לאחזר מסמכים רלוונטיים והעבר אותם כהקשר למודל Azure OpenAI כדי ליצור תשובה מבוססת.

למה: RAG מבסס את המודל בנתונים ספציפיים ועכשוויים ללא אימון מחדש יקר, מפחית הזיות ומבטיח דיוק עובדתי ממקור מהימן.

מפתח צריך שמודל GPT יגיב בפורמט ספציפי (לדוגמה, JSON).

→השתמש בהנחיה מרובת דוגמאות (few-shot prompting). ספק 2-3 דוגמאות של פורמט הקלט-פלט הרצוי ישירות בהנחיה לפני הבקשה בפועל.

למה: הנחיה מרובת דוגמאות מנחה את התנהגות המודל ומבנה הפלט באמצעות דוגמאות בתוך ההקשר, וזה מהיר וזול יותר מכוונון עדין (fine-tuning).

שפר את דיוק המודל בבעיית הסקה מרובת שלבים (לדוגמה, בעיית מילים במתמטיקה).

→השתמש בהנחיה מסוג "שרשרת מחשבה" (Chain-of-Thought - CoT) על ידי הוספת ביטוי כמו "חשוב שלב אחר שלב" להנחיה.

למה: CoT מעודד את המודל לפרק את הבעיה ולהציג את ההסקה שלו, מה שמשפר משמעותית את הביצועים במשימות לוגיות מורכבות.

שלוט ביצירתיות לעומת החיזוי של פלט טקסט של מודל גנרטיבי.

→כוונן את הפרמטר `temperature`. ערך נמוך (~0.1) הופך את הפלט לדטרמיניסטי וממוקד יותר. ערך גבוה (~0.9) הופך אותו ליצירתי ואקראי יותר.

למה: טמפרטורה שולטת ישירות באקראיות בחירת האסימונים, ומאפשרת לך לכוונן את סגנון הפלט למקרה השימוש הספציפי (לדוגמה, סיכום עובדתי לעומת כתיבה יצירתית).

ארגון צריך להשתמש במודלי GPT-4 ו-DALL-E של OpenAI בתוך סביבת Azure המאובטחת שלו, עם רשת פרטית וניהול זהויות משולב.

→השתמש בשירות Azure OpenAI. הוא מספק מודלי OpenAI עם אבטחה ברמה ארגונית של Azure, תאימות, זמינות אזורית וסינון תוכן.

למה: Azure OpenAI מספק מעטפת מאובטחת ומוכנה לארגונים סביב מודלי OpenAI, המשלבת אותם במערכת האקולוגית של Azure.

מקור↗

בנה מערכת חיפוש שמוצאת מסמכים על בסיס משמעות סמנטית, לא רק התאמות מילות מפתח (לדוגמה, "תחזוקת רכב" מוצא "מרווחי טיפול ברכב").

→השתמש במודל הטמעות של Azure OpenAI (לדוגמה, `text-embedding-ada-002`) כדי להמיר מסמכים ושאילתות לווקטורים מספריים. השתמש במסד נתונים וקטורי (כמו Azure AI Search) כדי למצוא את הווקטורים הקרובים ביותר על ידי דמיון קוסינוס.

למה: הטמעות לוכדות את המשמעות הסמנטית של טקסט, ומאפשרות חיפושים המבוססים על דמיון רעיוני ולא על חפיפה לקסיקלית.

יישום המשתמש ב-Azure OpenAI חייב למנוע אוטומטית יצירת תוכן הקשור לאלימות, דברי שטנה, תוכן מיני או פגיעה עצמית.

→הסתמך על סינון התוכן המובנה, המופעל על ידי Azure AI Content Safety. הגדר את רמות החומרה (נמוכה, בינונית, גבוהה) עבור כל קטגוריית נזק.

למה: Azure OpenAI כולל מערכת בטיחות חובה, רב-שכבתית המסננת הן הנחיות והן השלמות כדי להתיישר עם עקרונות AI אחראיים.

צוות שיווק צריך ליצור תמונות מוצר מותאמות אישית עבור קמפייני פרסום מתיאורי טקסט.

→השתמש במודל DALL-E הזמין דרך שירות Azure OpenAI. צור הנחיה מפורטת המתארת את התמונה הרצויה.

למה: DALL-E הוא מודל ליצירת תמונות מטקסט, שתוכנן במיוחד ליצירת תמונות חדשניות מהנחיות בשפה טבעית.

עוזר AI גנרטיבי צריך לגשת לנתונים בזמן אמת (לדוגמה, מחירי מניות נוכחיים) או לבצע פעולות (לדוגמה, קביעת פגישה) על ידי קריאה ל-API חיצוניים.

→השתמש ביכולת קריאת פונקציות של מודלי Azure OpenAI. הגדר פונקציות זמינות בבקשת ה-API; המודל ייצור אובייקט JSON מובנה המציין איזו פונקציה לקרוא עם אילו ארגומנטים.

למה: קריאת פונקציות מאפשרת למודלי שפה גדולים (LLMs) לקיים אינטראקציה עם כלים ו-API חיצוניים, ומתגברת על מגבלת נתוני האימון הסטטיים שלהם ומאפשרת להם לבצע פעולות.

צוות צריך לבנות, להעריך ולפרוס יישום AI גנרטיבי מורכב על ידי תזמור קריאות LLM, סקריפטים של Python ותבניות הנחיה בזרימת עבודה ויזואלית.

→השתמש ב-Azure AI Foundry (לשעבר AI Studio) ובתכונת זרימת ההנחיה שלה. בנה את היישום כגרף ויזואלי של כלים מחוברים.

למה: זרימת הנחיה היא כלי התזמור לבנייה ובדיקה של יישומי מודלי שפה גדולים (LLM) מורכבים, שרשור מספר רכיבים לזרימת עבודה ניתנת לשחזור.

צוות IT צריך לבנות Copilot מותאם אישית לשימוש פנימי שיכול לענות על שאלות עובדים ולהשתלב עם מערכות ארגוניות (לדוגמה, ServiceNow, SAP) באמצעות פלטפורמת low-code.

→השתמש ב-Microsoft Copilot Studio. הוא מספק ממשק גרפי low-code לבניית Copilots מותאמים אישית עם מחברים מובנים מראש ויכולות AI גנרטיביות.

למה: Copilot Studio מפשט את המורכבות של בניית עוזרי AI ברמה ארגונית, ומאפשר פיתוח מהיר ללא קידוד נרחב.