Como as taxonomias são estruturadas para Inferência de IA da Red Hat
Uma taxonomia é um diretório de arquivos que contém os dados que você fornece ao modelo. Ela está organizada em uma estrutura em cascata, na qual cada subdiretório, ou “ramo”, da “árvore” taxonômica termina em um “nó-folha”, que é um conjunto
de arquivos que contêm os dados relevantes. Você pode contribuir para uma taxonomia adicionando um “ramo” totalmente novo ou inserindo novos dados em um arquivo qna.yaml já existente. Para obter mais informações sobre a estrutura
da taxonomia, consulte “Sobre a taxonomia do Red Hat AI Inference ” na documentação do Red Hat AI Inference. Você também pode consultar a taxonomia do Red Hat AI Inference em GitHub.
Red Hat AI Inference Os recursos de alinhamento de modelos, geração de dados sintéticos e gerenciamento de taxonomia estão obsoletos e serão removidos em 25 de setembro de 2026. Para dar continuidade aos fluxos de trabalho de personalização e alinhamento de modelos, migre para o Red Hat® OpenShift® AI On OpenShift. Saiba mais sobre a IA d Red Hat® OpenShift®.
Para saber como criar ou adicionar itens a uma taxonomia, consulte a seção “Preparação de taxonomias ”.
Dados taxonômicos
Existem três categorias de dados na taxonomia.
- Knowledge
- Dados e fatos comprovados por fontes como livros didáticos ou enciclopédias. Ao adicionar conhecimento a uma taxonomia, é necessário fazer referência a um documento de conhecimento separado, que existe fora do diretório da taxonomia e funciona como fonte de referência.
- Competências básicas
- Habilidades básicas, como matemática, linguagem e programação, que podem ser utilizadas para adquirir mais conhecimento. Essas habilidades são geralmente desenvolvidas com base em dados públicos.
- Habilidades de composição
- Competências que combinam conhecimento e habilidades básicas para realizar tarefas mais complexas, como a análise do mercado de ações.
Para obter mais informações sobre as categorias, consulte “O que é uma ‘habilidade’?” e “O que é ‘conhecimento’?” na documentação do Red Hat AI Inference.
Arquivos de taxonomia
Existem dois tipos de arquivos de dados necessários para cada “nó folha”.
qna.yaml- Inclui perguntas e respostas relacionadas às informações contidas no documento de conhecimento. As perguntas e respostas estão organizadas em pares chave/valor.
attribution.txt- Inclui as fontes das informações adicionadas ao arquivo
Documentos de conhecimento
Qualquer conhecimento adicionado a uma taxonomia deve ser respaldado por um documento de conhecimento, que funciona como fonte de referência para as informações fornecidas ao modelo. O documento deve ser um arquivo do tipo “ Markdown ” que esteja
em um diretório separado da taxonomia. Você deve indicar o documento de conhecimento e o diretório em que ele está armazenado na seção “ document_outline ” do arquivo “ qna.yaml ”. Para obter mais informações e exemplos
de um documento de conhecimento, consulte “Preparação de seus documentos de conhecimento ” e “Exemplo de referência de arquivo de documento de conhecimento ”.
Arquivos da seção “ qna.yaml ” da Knowledge Base
O arquivo “ qna.yaml ” de conhecimento inclui perguntas e respostas baseadas nas informações contidas no documento de conhecimento correspondente. As perguntas e respostas são armazenadas como pares chave/valor, sendo necessário
um mínimo de cinco pares para cada arquivo qna.yaml. No final do arquivo qna.yaml , na seção document_outline , você deve indicar o documento de conhecimento e o diretório
em que ele está armazenado. Para conhecer todos os requisitos do arquivo “ qna.yaml ” e ver exemplos de contribuições de conhecimento, consulte o arquivo modelo “ qna.yaml ” e o “Exemplo de envio de conhecimento ”.
Arquivos de habilidades “ qna.yaml ”
A seção “Habilidades” qna.yaml contém perguntas e respostas que ensinam uma tarefa simples. Para ensinar um modelo a rimar, por exemplo, você pode incluir uma pergunta como “ What are 5 words that rhyme with skill? ”, cuja resposta seria “ spill, mill, drill, fill, chill ”. As perguntas e respostas são armazenadas como pares chave/valor, sendo necessário um mínimo de cinco pares para cada arquivo qna.yaml.
As habilidades que você adicionar podem ser “ancoradas”, ou seja, exigem informações adicionais para fornecer contexto, ou “não ancoradas”, ou seja, não exigem nenhum contexto adicional. Para habilidades fundamentais, você adiciona o contexto
no arquivo qna.yaml por meio do campo context . Ao adicionar uma competência fundamentada a uma taxonomia, ela deve estar em um ramo que comece com a palavra “ grounded ”,
como, por exemplo, “ grounded/games/sudoku ”.
Para conhecer todos os requisitos do qna.yaml e ver exemplos de contribuições de habilidades, consulte a seção “The skills files” na documentação do Red Hat AI Inference. Observe que não é necessário anexar um documento separado ao adicionar habilidades.