首页 / 主题

人工智能：模型与实际任务

语言模型、自动化、机器学习，以及文本、图像和音频处理：原理说明、指南与实用建议。

了解不同方法，选择模型并评估结果。本栏目涵盖上下文管理、输出可靠性、自动化及不同类型的数据处理。搜索与RAG只是其中一个方向。时间序列与预测归入数学与模型栏目。

内容

9 篇内容

本文介绍如何在 Azure AI 搜索中设置多模态搜索，通过文本和图像的向量化实现跨模态检索。涵盖创建索引、选择模型（如 CLIP）、生成嵌入的方法，以及执行混合查询以提升相关性。

azure-ai-search / vector-search / multimodal-search / clip / openai / hybrid-search

探索语义搜索的原理、它对嵌入的依赖性，以及为何看起来相似的文本可能无法提供所需答案的原因。了解向量搜索、混合搜索及其在信息检索中的应用。

semantic search / vector search / embeddings / AI / information retrieval / natural language processing / hybrid search / Azure AI Search

了解如何在 AI 模型的小型问题数据集上有效评估精确率和召回率。本指南使用 scikit-learn 涵盖了概念、计算方法和实际注意事项。

ai / precision / recall / evaluation / small dataset / machine learning / scikit-learn / classification

本指南提供逐步操作，用于创建索引、生成嵌入向量，并执行结合全文搜索与向量搜索的混合查询。通过 Azure AI Search 实现语义相关性与关键词匹配的协同优化。

azure-ai-search / hybrid-search / vector-search / semantic-reranker / index-schema / embeddings

本文解释了如何在检索增强生成（RAG）系统中选择有效的分块边界和重叠，比较了固定大小和文档感知策略。使用假设的支持说明示例，它演示了跨语义单元分割的风险，并展示了元数据和重叠如何保留上下文。该指南基于 Microsoft Azure 关于向量搜索和 RAG 工作流中分块的文档。

RAG / chunking / Azure AI Search / information retrieval / document processing

引用标识符仅证明来源已被检索，而非证明其支持特定主张。本文通过假设的政策示例，详细介绍了如何将答案分解为原子主张、定位支持段落，以及如何将检索检查与 groundedness（基于事实的可靠性）检查区分开来，以确保 RAG 系统的输出真实可靠。

RAG / citation verification / groundedness / retrieval evaluation / prompt engineering / LLM evaluation

比较三个相似度计算在小向量上的表现，观察归一化何时改变排序。

这是一份技术指南，解释了为什么来自大语言模型 (LLM) 的语法正确 JSON 对于生产系统来说是不够的，以及 JSON Schema 如何提供必要的结构和类型保证。

LLM / JSON / JSON Schema / Data Validation / Software Engineering / Python

理解语言模型如何利用检索内容，以及为什么引用不等于正确。

AI / RAG / Retrieval