Phi ਮਾਈਕਰੋਸਾਫਟ ਦੁਆਰਾ ਵਿਕਸਤ ਖੁੱਲੇ ਸਰੋਤ ਵਾਲੇ AI ਮਾਡਲਾਂ ਦੀ ਇੱਕ ਸਿਰੀਜ਼ ਹੈ।
Phi ਇਸ ਵੇਲੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵੀ ਛੋਟਾ ਭਾਸ਼ਾ ਮਾਡਲ (SLM) ਹੈ, ਜੋ ਬਹੁ-ਭਾਸ਼ਾ, ਤਰਕ, ਪਾਠ/ਗੱਲਬਾਤ ਪੈਦਾ ਕਰਨ, ਕੋਡਿੰਗ, ਚਿੱਤਰਾਂ, ਆਡੀਓ ਅਤੇ ਹੋਰ ਸਥਿਤੀਆਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਬੈਂਚਮਾਰਕ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।
ਤੁਸੀਂ Phi ਨੂੰ ਕਲਾਉਡ ਜਾਂ ਐਜ ਡਿਵਾਈਸਾਂ 'ਤੇ ਡਿਪਲੌਇ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਘੱਟ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਨਾਲ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨ ਆਸਾਨੀ ਨਾਲ ਬਣਾਉਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹੋ।
ਇਹ ਸਰੋਤ ਵਰਤਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ ਹੇਠ ਲਿਖੇ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰੋ:
- ਰੇਪੋਜ਼ਟਰੀ ਫੋਰਕ ਕਰੋ: ਕਲਿੱਕ ਕਰੋ
- ਰੇਪੋਜ਼ਟਰੀ ਕਲੋਨ ਕਰੋ:
git clone https://github.com/microsoft/PhiCookBook.git
- ਮਾਈਕਰੋਸਾਫਟ AI ਡਿਸਕੋਰਡ ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਅਤੇ ਮਾਹਿਰਾਂ ਅਤੇ ਹੋਰ ਡਿਵੈਲਪਰਾਂ ਨਾਲ ਮਿਲੋ
-
ਪਰਚਿਆਵ
-
ਵੱਖਰੇ ਮਾਹੌਲ ਵਿੱਚ ਫਾਈ ਦਾ ਇੰਫਰੈਂਸ
-
ਫਾਈ ਪਰਿਵਾਰ ਦਾ ਇੰਫਰੈਂਸ
-
ਫਾਈ ਦਾ ਮੁਲਾਂਕਣ
-
RAG ਐਜ਼ੂਰ AI ਸਰਚ ਨਾਲ
-
ਫਾਈ ਐਪਲੀਕੇਸ਼ਨ ਡਿਵੈਲਪਮੈਂਟ ਸੈਂਪਲ
- ਟੈਕਸਟ ਅਤੇ ਚੈਟ ਐਪਲੀਕੇਸ਼ਨਜ਼
- ਫਾਈ-4 ਸੈਂਪਲ 🆕
- ਫਾਈ-3 / 3.5 ਸੈਂਪਲ
- ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਫਾਈ3, ONNX ਰਨਟਾਈਮ ਵੈਬ ਅਤੇ ਵੈਬGPU ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲੋਕਲ ਚੈਟਬੋਟ
- OpenVINO ਚੈਟ
- ਮਲਟੀ ਮਾਡਲ - ਇੰਟਰਐਕਟਿਵ ਫਾਈ-3-ਮਿਨੀ ਅਤੇ OpenAI ਵਿਸਪਰ
- MLFlow - ਇੱਕ ਰੈਪਰ ਬਣਾਉਣਾ ਅਤੇ MLFlow ਨਾਲ ਫਾਈ-3 ਦੀ ਵਰਤੋਂ
- ਮਾਡਲ ਅਪਟਿਮਾਈਜ਼ੇਸ਼ਨ - Olive ਦੀ ਵਰਤੋਂ ਕਰਕੇ ONNX ਰਨਟਾਈਮ ਵੈਬ ਲਈ ਫਾਈ-3-ਮਿਨ ਮਾਡਲ ਨੂੰ ਕਿਵੇਂ ਅਪਟਿਮਾਈਜ਼ ਕਰਨਾ ਹੈ
- ਫਾਈ-3 ਮਿਨੀ-4k-ਇਨਸਟਰੱਕਟ-ONNX ਨਾਲ WinUI3 ਐਪ
- WinUI3 ਮਲਟੀ ਮਾਡਲ AI ਪਾਵਰਡ ਨੋਟਸ ਐਪ ਸੈਂਪਲ
- ਕਸਟਮ ਫਾਈ-3 ਮਾਡਲਾਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਅਤੇ ਪ੍ਰੌਮਪਟਫਲੋ ਨਾਲ ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ
- ਐਜ਼ੂਰ AI ਫਾਉਂਡਰੀ ਵਿੱਚ ਕਸਟਮ ਫਾਈ-3 ਮਾਡਲਾਂ ਨੂੰ ਫਾਈਨ-ਟਿਊਨ ਅਤੇ ਪ੍ਰੌਮਪਟਫਲੋ ਨਾਲ ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ
- ਮਾਈਕਰੋਸਾਫਟ ਦੇ ਜਵਾਬਦੇਹ AI ਸਿਧਾਂਤਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਿਆਂ ਐਜ਼ੂਰ AI ਫਾਉਂਡਰੀ ਵਿੱਚ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਫਾਈ-3 / ਫਾਈ-3.5 ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ
- ਟੈਕਸਟ ਅਤੇ ਚੈਟ ਐਪਲੀਕੇਸ਼ਨਜ਼
-
[📓] Phi-3.5-mini-instruct ਭਾਸ਼ਾ ਅਨੁਮਾਨ ਨਮੂਨਾ (ਚੀਨੀ/ਅੰਗ੍ਰੇਜ਼ੀ) - Phi-3.5-Instruct WebGPU RAG Chatbot - Windows GPU ਦੀ ਵਰਤੋਂ ਕਰਕੇ Phi-3.5-Instruct ONNX ਨਾਲ Prompt Flow ਹੱਲ ਬਣਾਉਣਾ - Microsoft Phi-3.5 tflite ਦੀ ਵਰਤੋਂ ਕਰਕੇ Android ਐਪ ਬਣਾਉਣਾ - ਸਥਾਨਕ ONNX Phi-3 ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Microsoft.ML.OnnxRuntime ਨਾਲ Q&A .NET ਉਦਾਹਰਨ - Semantic Kernel ਅਤੇ Phi-3 ਨਾਲ Console Chat .NET ਐਪ
-
Azure AI Inference SDK ਕੋਡ ਅਧਾਰਿਤ ਨਮੂਨੇ
-
ਉੱਚ ਸਤਰ ਦੀ ਦਲੀਲ ਦੇ ਨਮੂਨੇ
- Phi-4 ਨਮੂਨੇ 🆕
-
ਡੈਮੋ
-
ਵਿਜ਼ਨ ਨਮੂਨੇ
- Phi-4 ਨਮੂਨੇ 🆕
- Phi-3 / 3.5 ਨਮੂਨੇ
- [📓]Phi-3-vision-ਚਿੱਤਰ ਟੈਕਸਟ ਤੋਂ ਟੈਕਸਟ
- Phi-3-vision-ONNX
- [📓]Phi-3-vision CLIP Embedding
- ਡੈਮੋ: Phi-3 ਰੀਸਾਇਕਲਿੰਗ
- Phi-3-vision - ਵਿਜੁਅਲ ਭਾਸ਼ਾ ਸਹਾਇਕ - Phi3-Vision ਅਤੇ OpenVINO ਨਾਲ
- Phi-3 Vision Nvidia NIM
- Phi-3 Vision OpenVino
- [📓]Phi-3.5 Vision ਬਹੁ-ਫ੍ਰੇਮ ਜਾਂ ਬਹੁ-ਚਿੱਤਰ ਨਮੂਨਾ
- Microsoft.ML.OnnxRuntime .NET ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਥਾਨਕ ONNX ਮਾਡਲ ਨਾਲ Phi-3 Vision
- Microsoft.ML.OnnxRuntime .NET ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੈਨੂ ਅਧਾਰਿਤ Phi-3 Vision ਸਥਾਨਕ ONNX ਮਾਡਲ
-
ਆਡੀਓ ਨਮੂਨੇ
-
MOE ਨਮੂਨੇ
-
ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ ਨਮੂਨੇ
- Phi-4 ਨਮੂਨੇ 🆕
-
Multimodal Mixing ਨਮੂਨੇ
- Phi-4 ਨਮੂਨੇ 🆕
-
-
ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ ਸੈਂਪਲਜ਼
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਸਿਥੀ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਵਿਰੁੱਧ RAG
- ਫਾਈਨ-ਟਿਊਨਿੰਗ: ਫਾਈ-3 ਨੂੰ ਉਦਯੋਗ ਦਾ ਮਾਹਿਰ ਬਣਾਉਣਾ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: VS Code ਲਈ AI ਟੂਲਕਿਟ ਦੀ ਵਰਤੋਂ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: Azure Machine Learning Service ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: Lora ਦੀ ਵਰਤੋਂ ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: QLora ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: Azure AI Foundry ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: Azure ML CLI/SDK ਨਾਲ
- ਮਾਈਕਰੋਸਾਫਟ ਓਲਿਵ ਨਾਲ ਫਾਈਨ-ਟਿਊਨਿੰਗ
- ਮਾਈਕਰੋਸਾਫਟ ਓਲਿਵ ਹੈਂਡਸ-ਆਨ ਲੈਬ ਨਾਲ ਫਾਈਨ-ਟਿਊਨਿੰਗ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3-ਵਿਜ਼ਨ: Weights ਅਤੇ Bias ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3: Apple MLX Framework ਨਾਲ
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3-ਵਿਜ਼ਨ (ਆਧਿਕਾਰਿਕ ਸਹਿਯੋਗ)
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3 ਅਤੇ Kaito AKS, Azure Containers (ਆਧਿਕਾਰਿਕ ਸਹਿਯੋਗ)
- ਫਾਈਨ-ਟਿਊਨਿੰਗ ਫਾਈ-3 ਅਤੇ 3.5 ਵਿਜ਼ਨ
-
ਹੈਂਡਸ-ਆਨ ਲੈਬ
-
ਅਕਾਦਮਿਕ ਖੋਜ ਪੇਪਰ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ
- Textbooks Are All You Need II: ਫਾਈ-1.5 ਤਕਨੀਕੀ ਰਿਪੋਰਟ
- ਫਾਈ-3 ਤਕਨੀਕੀ ਰਿਪੋਰਟ: ਤੁਹਾਡੇ ਫ਼ੋਨ ਤੇ ਸਥਾਨਕ ਤੌਰ ਤੇ ਇਕ ਬਹੁਤ ਸਮਰੱਥ ਭਾਸ਼ਾ ਮਾਡਲ
- ਫਾਈ-4 ਤਕਨੀਕੀ ਰਿਪੋਰਟ
- ਛੋਟੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਵਾਹਨ-ਅੰਦਰ ਫੰਕਸ਼ਨ-ਕਾਲਿੰਗ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰਨਾ
- (WhyPHI) ਫਾਈ-3 ਨੂੰ Multiple-Choice ਪ੍ਰਸ਼ਨ ਜਵਾਬ ਲਈ ਫਾਈਨ-ਟਿਊਨ ਕਰਨਾ: ਢੰਗ, ਨਤੀਜੇ, ਅਤੇ ਚੁਣੌਤੀਆਂ
ਤੁਸੀਂ ਮਾਈਕਰੋਸਾਫਟ ਫਾਈ ਦੀ ਵਰਤੋਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰ ਡਿਵਾਈਸਾਂ ਲਈ E2E ਹੱਲ ਬਣਾਉਣ ਬਾਰੇ ਸਿੱਖ ਸਕਦੇ ਹੋ। ਫਾਈ ਨੂੰ ਖੁਦ ਅਨੁਭਵ ਕਰਨ ਲਈ, ਮਾਡਲਾਂ ਨਾਲ ਖੇਡਣਾ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਆਪਣੀਆਂ ਜ਼ਰੂਰਤਾਂ ਲਈ ਫਾਈ ਨੂੰ ਕਸਟਮਾਈਜ਼ ਕਰੋ। Azure AI Foundry Azure AI Model Catalog ਵਿੱਚ ਜਾਓ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, Azure AI Foundry ਸ਼ੁਰੂਆਤ ਦੇਖੋ।
ਪਲੇਗ੍ਰਾਊਂਡ
ਹਰ ਮਾਡਲ ਲਈ ਇੱਕ ਖਾਸ ਪਲੇਗ੍ਰਾਊਂਡ ਹੈ ਜਿਸ ਵਿੱਚ ਤੁਸੀਂ ਟੈਸਟ ਕਰ ਸਕਦੇ ਹੋ: Azure AI Playground।
ਤੁਸੀਂ ਮਾਈਕਰੋਸਾਫਟ ਫਾਈ ਦੀ ਵਰਤੋਂ ਅਤੇ ਵੱਖ-ਵੱਖ ਹਾਰਡਵੇਅਰ ਡਿਵਾਈਸਾਂ ਲਈ E2E ਹੱਲ ਬਣਾਉਣ ਬਾਰੇ ਸਿੱਖ ਸਕਦੇ ਹੋ। ਫਾਈ ਨੂੰ ਖੁਦ ਅਨੁਭਵ ਕਰਨ ਲਈ, ਮਾਡਲ ਨਾਲ ਖੇਡਣਾ ਸ਼ੁਰੂ ਕਰੋ ਅਤੇ ਆਪਣੀਆਂ ਜ਼ਰੂਰਤਾਂ ਲਈ ਫਾਈ ਨੂੰ ਕਸਟਮਾਈਜ਼ ਕਰੋ। GitHub Model Catalog ਵਿੱਚ ਜਾਓ। ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, GitHub Model Catalog ਸ਼ੁਰੂਆਤ ਦੇਖੋ।
ਪਲੇਗ੍ਰਾਊਂਡ
ਹਰ ਮਾਡਲ ਲਈ ਇੱਕ ਖਾਸ ਮਾਡਲ ਟੈਸਟ ਕਰਨ ਲਈ ਖੇਡ ਦਾ ਮੈਦਾਨ ਉਪਲਬਧ ਹੈ।
ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ Hugging Face 'ਤੇ ਵੀ ਲੱਭ ਸਕਦੇ ਹੋ।
ਖੇਡ ਦਾ ਮੈਦਾਨ
Hugging Chat ਖੇਡ ਦਾ ਮੈਦਾਨ
Microsoft ਆਪਣੇ ਗਾਹਕਾਂ ਦੀ ਮਦਦ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਢੰਗ ਨਾਲ AI ਉਤਪਾਦ ਵਰਤਣ ਵਿੱਚ ਵਚਨਬੱਧ ਹੈ। ਅਸੀਂ ਆਪਣੇ ਸਿੱਖਣਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਭਰੋਸੇਮੰਦ ਸਾਥਾਂ ਦੀ ਰਚਨਾ ਕਰਨ ਲਈ Transparency Notes ਅਤੇ Impact Assessments ਵਰਗੇ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਇਹ ਸਾਧਨ ਬਹੁਤ ਸਾਰੇ https://aka.ms/RAI 'ਤੇ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ।
Microsoft ਦਾ ਜ਼ਿੰਮੇਵਾਰ AI ਲਈ ਰਵੱਈਆ ਸਾਡੇ AI ਦੇ ਸਿਧਾਂਤਾਂ 'ਤੇ ਅਧਾਰਿਤ ਹੈ: ਨਿਆਂਸੰਗਤਾ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਸੁਰੱਖਿਆ, ਸ਼ਾਮਿਲਤਾ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ ਜਵਾਬਦੇਹੀ।
ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ, ਚਿੱਤਰ, ਅਤੇ ਬੋਲਣ ਵਾਲੇ ਮਾਡਲ - ਜਿਵੇਂ ਕਿ ਇਸ ਨਮੂਨੇ ਵਿੱਚ ਵਰਤੇ ਗਏ ਹਨ - ਕਈ ਵਾਰ ਅਨਿਆਇਕ, ਅਭਰੋਸੇਯੋਗ ਜਾਂ ਨੁਕਸਾਨਦਾਇਕ ਢੰਗ ਨਾਲ ਵਤੀਰਾ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਨਾਲ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ। ਕਿਰਪਾ ਕਰਕੇ Azure OpenAI ਸੇਵਾ Transparency note ਨੂੰ ਵੇਖੋ ਤਾਂ ਜੋ ਜੋਖਮਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਮਿਲੇ।
ਇਹ ਜੋਖਮ ਘਟਾਉਣ ਲਈ ਸਿਫਾਰਸ਼ੀ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਆਪਣੇ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਇੱਕ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀ ਸ਼ਾਮਿਲ ਕਰੋ ਜੋ ਨੁਕਸਾਨਦਾਇਕ ਵਤੀਰੇ ਦੀ ਪਛਾਣ ਕਰ ਸਕੇ ਅਤੇ ਰੋਕ ਸਕੇ। Azure AI Content Safety ਇੱਕ ਸਵਤੰਤਰ ਸੁਰੱਖਿਆ ਲੇਅਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਵਿੱਚ ਉਪਭੋਗਤਾ ਜਾਂ AI ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਨੁਕਸਾਨਦਾਇਕ ਸਮੱਗਰੀ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ। Azure AI Content Safety ਵਿੱਚ ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ APIs ਸ਼ਾਮਿਲ ਹਨ ਜੋ ਤੁਹਾਨੂੰ ਨੁਕਸਾਨਦਾਇਕ ਸਮੱਗਰੀ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੇ ਹਨ। Azure AI Foundry ਦੇ ਅੰਦਰ, Content Safety ਸੇਵਾ ਤੁਹਾਨੂੰ ਵੱਖ-ਵੱਖ ਮੋਡੈਲਿਟੀਜ਼ ਵਿੱਚ ਨੁਕਸਾਨਦਾਇਕ ਸਮੱਗਰੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਨਮੂਨਾ ਕੋਡ ਦੇਖਣ, ਖੋਜਣ ਅਤੇ ਅਜ਼ਮਾਉਣ ਦੀ ਸਹੂਲਤ ਦਿੰਦੀ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੀ quickstart documentation ਤੁਹਾਨੂੰ ਸੇਵਾ ਲਈ ਬੇਨਤੀ ਭੇਜਣ ਦਾ ਤਰੀਕਾ ਦਿਖਾਉਂਦੀ ਹੈ।
ਇੱਕ ਹੋਰ ਪਹਲੂ ਜੋ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਯੋਗ ਹੈ ਉਹ ਹੈ ਸਮੁੱਚੀ ਐਪਲੀਕੇਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ। ਮਲਟੀ-ਮੋਡਲ ਅਤੇ ਮਲਟੀ-ਮਾਡਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਨਾਲ, ਅਸੀਂ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਅਰਥ ਇਹ ਲੈਂਦੇ ਹਾਂ ਕਿ ਪ੍ਰਣਾਲੀ ਤੁਹਾਡੇ ਅਤੇ ਤੁਹਾਡੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਉਮੀਦਾਂ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਨੁਕਸਾਨਦਾਇਕ ਨਤੀਜੇ ਪੈਦਾ ਨਾ ਕਰਨਾ ਸ਼ਾਮਿਲ ਹੈ। ਆਪਣੇ ਸਮੁੱਚੇ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਨ ਕਰਨ ਲਈ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ Performance and Quality and Risk and Safety evaluators ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇ। ਤੁਸੀਂ custom evaluators ਬਣਾਉਣ ਅਤੇ ਅੰਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਵੀ ਰੱਖਦੇ ਹੋ।
ਤੁਸੀਂ ਆਪਣੇ ਵਿਕਾਸ ਵਾਲੇ ਮਾਹੌਲ ਵਿੱਚ Azure AI Evaluation SDK ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੀ AI ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਮੁਲਾਂਕਨ ਕਰ ਸਕਦੇ ਹੋ। ਇੱਕ ਟੈਸਟ ਡਾਟਾਸੈਟ ਜਾਂ ਟਾਰਗਟ ਦੇ ਨਾਲ, ਤੁਹਾਡੀ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਬਿਲਟ-ਇਨ ਜਾਂ ਤੁਹਾਡੇ ਚੋਣ ਦੇ custom evaluators ਨਾਲ ਮਾਪੇ ਜਾਂਦੇ ਹਨ। ਆਪਣੇ ਸਿਸਟਮ ਦਾ ਮੁਲਾਂਕਨ ਕਰਨ ਲਈ Azure AI Evaluation SDK ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰਨ ਲਈ, ਤੁਸੀਂ quickstart guide ਨੂੰ ਫੋਲੋ ਕਰ ਸਕਦੇ ਹੋ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਅੰਕਣ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ Azure AI Foundry ਵਿੱਚ ਨਤੀਜੇ ਵੇਖ ਸਕਦੇ ਹੋ।
ਇਹ ਪ੍ਰੋਜੈਕਟ ਪ੍ਰੋਜੈਕਟਾਂ, ਉਤਪਾਦਾਂ ਜਾਂ ਸੇਵਾਵਾਂ ਲਈ ਟ੍ਰੇਡਮਾਰਕ ਜਾਂ ਲੋਗੋ ਸ਼ਾਮਿਲ ਕਰ ਸਕਦਾ ਹੈ। Microsoft ਟ੍ਰੇਡਮਾਰਕਸ ਜਾਂ ਲੋਗੋਜ਼ ਦੀ ਅਧਿਕ੍ਰਿਤ ਵਰਤੋਂ Microsoft's Trademark & Brand Guidelines ਦੇ ਅਨੁਸਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਇਸ ਪ੍ਰੋਜੈਕਟ ਦੇ ਸੋਧੇ ਹੋਏ ਸੰਸਕਰਣਾਂ ਵਿੱਚ Microsoft ਟ੍ਰੇਡਮਾਰਕਸ ਜਾਂ ਲੋਗੋਜ਼ ਦੀ ਵਰਤੋਂ ਗਲਤਫਹਮੀ ਪੈਦਾ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ ਜਾਂ Microsoft ਦੇ ਸਪਾਂਸਰਸ਼ਿਪ ਦਾ ਸੰਕੇਤ ਨਹੀਂ ਦੇਣਾ ਚਾਹੀਦਾ। ਕਿਸੇ ਵੀ ਤੀਜੀ ਪੱਖ ਦੇ ਟ੍ਰੇਡਮਾਰਕਸ ਜਾਂ ਲੋਗੋਜ਼ ਦੀ ਵਰਤੋਂ ਉਹਨਾਂ ਤੀਜੀ ਪੱਖ ਦੀਆਂ ਨੀਤੀਆਂ ਦੇ ਅਧੀਨ ਹੈ।
ਅਸਵੀਕਾਰਨਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ ਮਸ਼ੀਨ-ਅਧਾਰਿਤ AI ਅਨੁਵਾਦ ਸੇਵਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਲਈ ਯਤਨਸ਼ੀਲ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਜਾਗਰੂਕ ਰਹੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚੱਜੇ ਪੱਖ ਹੋ ਸਕਦੇ ਹਨ। ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਨਾਲ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।