Azure AI 資格（AI-102）のバックアップ(No.11)

「マイクロソフト系技術情報 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

戻る
- Azure AI 資格（AI-900）
- Azure AI 資格（AI-102）

目次 †

目次
概要
詳細
参考

↑

概要 †

コース AI-102T00-A: Azure で AI ソリューションを開発する

↑

生成 AI アプリを開発 †

https://learn.microsoft.com/ja-jp/training/paths/create-custom-copilots-ai-studio/

↑

計画と準備 †

https://learn.microsoft.com/ja-jp/training/modules/prepare-azure-ai-development/

AI 機能
- 生成AI ≒ LLM
- （LLM）エージェント
- 画像処理、音声処理、（NLP）自然言語処理
- 情報抽出（OCRやDocument Intelligence、構造化出力）
- 意思決定支援（BI/AI、データ・アナリシス）
- LLM関連キーワード：LLM、SLM、自然言語処理、マルチモーダル、エージェント、構造化出力

Available Foundry Tools
（事前構築済みの拡張ツール群）
- OpenAI
- Vision、Speech、Language、Translator
- AI Face、AI Custom Vision
- Document Intelligence
- Content Understanding
- Microsoft Foundry Content Safety
- AI Search

Microsoft Foundry プロジェクト
- 鋳造所プロジェクト
  - Microsoft Foundryのモデル、Agent Service
  - Tools、評価と責任ある AI 開発のためのツール
- ハブベースのプロジェクト
  - 鋳造所プロジェクトを含む
  - Prompt Flow、ファインチューニングなど
  - Azure Storage と Azure Key Vaultを含む

開発者ツールと SDK

開発ツールと環境
- Microsoft Foundry for VS Code 拡張機能
- GitHub と GitHub Copilot

プログラミング言語、API、SDK
- Microsoft Foundry SDK（統合的利用）
- Foundry Tools SDK（個別利用）
- Microsoft Foundry Models API
- Microsoft Foundry Agent Service

責任ある人工知能 (AI) の原則
引き続き重要：責任ある人工知能 (AI) の原則

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry ポータルへサインイン
プロジェクトの作成
- モデル選択とプロジェクト作成
- モデルのデプロイ
- プロジェクトの初期画面のplaygroundでテスト

管理センターでリソースを確認
- 左ナビゲーションから Management center を開く。
- Foundry リソースとプロジェクトの構成を確認。
- リソースグループへで作成された Azure リソースを確認。

プロジェクトのエンドポイントとキーを確認
- Foundry プロジェクト
- デプロイ済みモデル
- Azure OpenAI / Azure AI Services

モデルの動作確認（Chat Playground）
- 左メニューの Playgrounds → Chat を開く。
- デプロイした gpt‑4o が選択されていることを確認。
- Setup ペインでシステムメッセージを設定：
- 例としてプロンプトを入力し、応答を確認。

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

モデルの選択・デプロイ †

https://learn.microsoft.com/ja-jp/training/modules/explore-models-azure-ai-studio/

モデルカタログからモデルを選択する。
- GitHub
- Hugging Face
- Microsoft Foundry（主要なエンタープライズ要件が満たす）

LLM系ユースケース
- 音声：テキスト変換・テキスト読上
- 機械翻訳
- テキスト分類
- エンティティ抽出
- テキストの要約
- 質問の回答
- 理由の解説

モデル選択
ユースケースに最適なモデルを選択

タスクの種類
- モダリティ、ツール
- 地域固有およびドメイン特化のモデル

精度/オープン性
- オープンモデルと独自モデルの間で柔軟性とパフォーマンスのバランスを取る
- 精度・パフォーマンスでモデルをフィルター処理

デプロイ
- 大規模/小規模
- パフォーマンス（必要になるリソース的な意味で）

パフォーマンスのベンチマーキング
- 精度：0/1なので主には分類問題
- 一貫性：人間の言語に近いか？
- 流暢さ：自然に聞こえるか？
- グラウンデッドネス：検証データで入出力のアラインメントを測定
- GPT類似性：検証データで出力のセマンティック類似性を定量化
- 品質インデックス：0-1 の比較集計スコア
- 費用：トークンあたりの価格

スケーリング
プロトタイプをスケーリングする際の考慮事項
- モデルのデプロイ
- モデルの監視と最適化
- プロンプト管理
- モデルライフサイクル

デプロイオプション
Microsoft Foundry を使用して言語モデルをエンドポイントにデプロイする

標準デプロイ: Microsoft Foundry プロジェクトリソースでホスト
サーバーレスコンピューティング: Microsoft Foundry ハブプロジェクトの Microsoft が管理する専用サーバーレスエンドポイントでホスト
マネージドコンピューティング: モデルは、Microsoft Foundry ハブプロジェクトのマネージドVMでホスト

	サポート・モデル	ホスティング	課金基準
標準	Foundry モデル	Foundry リソース	トークン
サーバーレス	Foundry モデル	Hub内のリソース	トークン
マネージド	OSS、カスタム	Hub内のリソース	コンピューティング

プロンプト・エンジニアリングで出力最適化
プロンプト・パターンを適用してモデルの出力を最適化する
- （システムプロンプトで）モデルにペルソナを指示
- （システムプロンプト、ユーザープロンプトで）モデルをガイド
- （システムプロンプト、ユーザープロンプトで）出力形式を指定
- （システムプロンプトで）モデルに理由を求める。
- （ユーザープロンプトで）モデルにコンテキストを追加。

モデル最適化戦略
RAGとファインチューニングがある。

演習
ポータルで準備してPython（WebAPI）でテスト
- モデル探索（Model Catalogの理解）
- モデル比較（Compare models機能）

Foundryプロジェクト作成
- gpt-4o の Overview から Use this model
- プロジェクト作成（ファウンドリーリソース名、サブスクリプション/リソースグループ/リージョン
- gpt-4o を自動デプロイ、TPM（Tokens Per Minute）制限を設定（50K）

デプロイ・テスト
- gpt-4o の
- Phi-4-reasoning （考え方の明示が得意）

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

※ モデルのデプロイの一例はコチラを参考にできる。

↑

Microsoft Foundry SDK †

https://learn.microsoft.com/ja-jp/training/modules/ai-foundry-sdk/

Microsoft Foundry SDK とは
プロジェクト接続を操作する
チャットクライアントを作成

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry プロジェクトに GPT‑4o をデプロイ
クライアントアプリの準備（Cloud Shell）
- GitHub リポジトリを clone
- Python 仮想環境を作成し、必要なライブラリをインストール
- .env ファイルを編集し、エンドポイント・モデル名を設定
- az login して python chat-app.py する方式。

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

プロンプトフロー †

https://learn.microsoft.com/ja-jp/training/modules/get-started-prompt-flow-ai-studio/

ライフサイクル

初期化
- 目的定義
- サンプルデータセットを収集
- 基本的なプロンプトを作成
- フローを設計

実験
- 実行
- 評価
- 改善
- 進む（↓）

評価と絞込
評価/問題特定/最適化

プロダクションで運用
最適化/デプロイ/監視

評価と絞込
評価/問題特定/最適化

プロンプトフロー

3つの部分
何れもノードの部分でエッジではない。
- 入力
- ノード
- 出力

3つのツール
- LLM ツール
- Python ツール
- プロンプトツール

3つの種類
- 標準フロー
- チャットフロー
- 評価フロー

ランタイムと接続

ランタイム
Python コードや LLM 呼び出しを実行するための計算環境

接続
・種類（Azure OpenAI、OpenAI、Azure AI Search、Serp、Custom）
・探索（権限付与して接続、キーはAzure Key Vault二格納）

バリエーションと監視オプション

バリエーション（連続的）とバリアント（離散的）
- LLM ツールでサポートされ以下の利点がある。
- LLM生成の品質向上：LLMノードのバリエーション（プロンプトと設定）
- 生産性の向上：バリエーションの迅速な作成・管理・適用
- 時間と労力を節約：プロンプトバージョンのバリアント
- 簡単な比較：結果を並べて比較し最も効果的なバリアントを選択

デプロイ後の評価メトリックの監視オプション
- 整合性: 出力が入力または追加コンテキストとどの程度一致しているかを測定
- 関連性: 出力が特定の入力にどの程度関連しているかを評価
- 一貫性: 出力テキストの論理フローと読みやすさを評価
- 流暢性: 出力テキストの文法と言語の精度を評価
- 類似性: 推論値と正解値のコンテキストとセマンティックの一致を定量化

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry Hub / Project の作成（基盤準備）
- Prompt flow 機能は Hub ベースの Project が必須
- リージョンは East US 2 / Sweden Central 推奨（Quota 回避）

リソース認可設定（Blob Storage へのアクセス）
- プロンプトフローはファイル（YAML/フォルダ）として Blob に保存
- 読み取り権限がないと、プロンプトフロー作成・実行時にエラーに

生成 AI モデル（GPT-4o）のデプロイ
- 「デプロイ済みモデル」を参照
- 保護のためTPM（Tokens Per Minute）を設定

プロンプトフロー作成（チャットフロー定義）
- 「入力 → LLM → 出力」という会話フロー
- Inputs：question（今回のユーザ発話）、chat_history（過去の会話）
- Chat LLM tool：Azure OpenAI（gpt-4o）を呼び出す
- Outputs：assistant の回答

プロンプト設計（会話文脈の組み込み）
system メッセージ、chat_history をループで展開し再投入

フローのテスト（Chat UI）
- デプロイ前でも即時対話テスト可能
- プロンプト調整 → 即再実行、という試行錯誤が可能

フロー・デプロイ（API 化）
- 作成したプロンプトフローを外部アプリから呼べる API にする
- Testペインで再テスト、Consumeペインから接続情報、サンプルコード取得実行

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

RAG ベースのソリューション †

https://learn.microsoft.com/ja-jp/training/modules/build-copilot-ai-studio/

RAGとは「LLMのRAG - 開発基盤部会 Wiki」

グラウンディングという単語が使用されるが、コレは、生成を外部の事実に接地させる事。

グラウンディングデータの追加
- Azure Blob Storage
- Azure Data Lake Storage Gen2
- Microsoft OneLake?

検索インデックスにAzure AI Search の以下のを使用して統合
- キーワード検索
- セマンティック検索（ベクトル検索）
- ハイブリッド検索（キーワード＋セマンティック）

インデックスを定義
- WebAPIからRAGを使用
- プロンプトフローからRAGを使用

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry ハブとプロジェクトの作成

RAG に必要な 2 種類のモデルをデプロイ
- Embedding モデルと生成モデル
- Global Standard デプロイで、TPM（Tokens Per Minute）を抑えめに設定

独自データ（PDF）をプロジェクトに追加
- 旅行会社の架空パンフレット（PDF）をローカルにダウンロード
- Foundry の Data + Indexes からフォルダごとアップロード
- データセット名を brochures（パンフレット）として登録

Azure AI Search によるベクトルインデックス作成
- 新規 Azure AI Search リソースを作成し接続
- Embedding モデルとして text-embedding-ada-002 を指定
- brochures データを元にベクトル検索対応インデックス：brochures-indexを作成

Playground で RAG の効果を確認
- gpt-4o を使用しデータ未接続で質問 → 一般的な回答
- 次にハイブリッド検索に設定したbrochures-indexを接続
- 同じ質問を再実行 → PDF内容に基づいた回答に変化

クライアントアプリの準備（Cloud Shell）
- GitHub リポジトリを clone
- Python 仮想環境を作成し、必要なライブラリをインストール
- .env ファイルを編集し、を設定
- python rag-app.py する。

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

ファインチューニング †

https://learn.microsoft.com/ja-jp/training/modules/finetune-model-copilot-ai-studio/

ファインチューニング（FT）

FTとは「LLMのFT - 開発基盤部会 Wiki」

RAG vs FT
プロンプトエンジニアリングではダメな場合はFT

データ準備

種類
- システムメッセージ
- ユーザーメッセージ
- アシスタントの応答

留意点
- 個人情報や機密情報はすべて削除する。
- 大規模なトレーニングデータセットを作成する。
- データセットに多様なサンプルセットを含める。

基本モデル選択の考慮点
- モデルの機能
- トレーニングデータ
- 制限と偏り
- 言語サポート

FTジョブ構成
- 基本モデルを選択
- トレーニングデータ選択
- 検証データ選択（省略可能）
- 詳細オプションを構成
  - バッチサイズ
  - 学習率
  - エポック数
  - シード（再現性を制御）

演習
全てポータルで実施

モデルをデプロイしてChat Playgroundでテスト

準備
- 計画：SupervisedでXXXを実施
- 例：応答スタイルを学習させる
- ベースモデルの挙動を理解
- 学習データの理解

実施後
- ファインチューニングの実施
- FT後のモデルの評価

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

責任ある生成 AI ソリューションの実装 †

https://learn.microsoft.com/ja-jp/training/modules/responsible-ai-studio/

※ PMP：計画 - リスク - 開発基盤部会 Wiki

NIST AI Risk Management Frameworkの機能に密接に対応したリスク計画
- 生成された出力に存在する「リスクの脅威の損害」を測定
- 損害の発生・影響を最小限に抑え、ユーザーにコミュニケーションを確保。
- デプロイと運用の準備計画を定義して従うことで、ソリューションを責任を持って管理。

潜在的な損害をマップ
- 潜在的な損害を特定
- 特定された損害に優先順位を付ける
- 優先順位付けされた損害をテストして検証
- 検証済みの損害を文書化して共有

テスト
- 推論を繰り返し、出力を分類、潜在的な損害を測定。
- 手動テストと自動テストでシナリオ検証する。

潜在的な損害を軽減

モデルレイヤー
- 適切な（サイズ、事前学習）ポテンシャルのベースモデルを使用し
- 適切にファインチューニング学習しシナリオのスコープに適合したモデル

安全システムレイヤー
- コンテンツフィルター：4 カテゴリ(ヘイト、性的、暴力、自傷行為)、4 重大度レベル (安全、低、中、高) に分類
- 不正使用検出アルゴリズム、迅速な対応を可能にするアラート通知

コンテキスト・レイヤー
- モデルの動作パラメタ
- システム・プロンプト
- RAG

UXレイヤー
- UI
- マニュアル類

リリース・エンジニアリング

プレリリースレビューを完了する
ソリューションをリリースして操作する

Microsoft Foundry Content Safety
- プロンプト・シールド：入力攻撃のリスクをスキャン
- 根拠性検出：出力が入力に固定されているかどうかを検出
- 保護されたマテリアルの検出：既知の著作権で保護されたコンテンツをスキャン
- カスタムカテゴリ：新しいまたは既知のパターンのカスタム・カテゴリを定義

演習
全てポータルで実施

モデルをデプロイしてChat Playgroundでテスト
- 既定のコンテンツ・フィルターの挙動確認（自傷に関する質問/銀行強盗の計画/差別的ジョーク）
- 「完全には防げないケースがある」ことを確認しカスタム・コンテンツ・フィルターの作成

潜在的な損害を軽減
- カスタム・コンテンツ・フィルター：4カテゴリすべて最高ブロックレベルに設定
- Prompt Shield（不正使用検出アルゴリズム）も有効化
- 既定のコンテンツ・フィルターより強力な安全制御が働くことを確認

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

パフォーマンス評価 †

https://learn.microsoft.com/ja-jp/training/modules/evaluate-models-azure-ai-studio/

評価対象
- モデル
- チャット・フロー

ベンチマーク
- カタログ・スペック的な意味での
- 項目：精度 / 一貫性 / 流暢性 / GPT 類似度

評価

手動評価
- モデルをデプロイしてChat Playgroundでテストする。
- 人間により関連性 / 情報の質・量 / エンゲージメントなどを評価する。
- 「モデル、パラメタ」「システムメッセージ、ユーザーメッセージ」を変更する。

自動評価のメトリック

AI支援メトリック
・一般的な品質：ベンチマークの項目と同じ
・リスクと安全性：コンテンツ・フィルターの項目と同じ

自然言語処理メトリック
F1スコア、BLEU、METEOR、ROUGE

演習
全てポータルで実施

モデルをデプロイ

手動評価
- JSONLをダウンロード＆アップロード
- Question、ExpectedResponse?にマッピング
- 人間が結果を評価する。

自動評価
- 評価タイプ：Evaluate a model
- JSONLをダウンロード＆アップロード
- 使用する評価指標を追加
- 評価結果確認（Metricsタブ：全体、Dataタブ：レコード毎）

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

AI エージェントを開発 †

https://learn.microsoft.com/ja-jp/training/paths/develop-ai-agents-on-azure/

↑

AzureのAIエージェント開発 †

https://learn.microsoft.com/ja-jp/training/modules/ai-agent-fundamentals/

シナリオ：単一エージェント、マルチ・エージェント
AI エージェントとは：コチラ

経費エージェント
ユーザーの請求可能な経費に関する質問を受けRAGりつつLLMに送信し経費請求を生成

経費ポリシー情報を含むナレッジストアをRAGる。
プログラム関数を実行して経費明細書を自動的に送信する。
ビジネスルールと請求金額に基づいて適切な承認者を知らせる。

旅行代理店マルチエージェント
ユーザーの旅行詳細からフライトとホテルを予約し、経費エージェントで出張費の経費請求

外部の旅行サービスAPIを通じてフライトやホテルを予約
適切な領収書を使用して、経費エージェントを通じて経費請求を開始
手動による介入なしで、旅行予約と経費申請のワークフロー全体を完了

リスクと保護
- データとプライバシーの漏洩：機密データが外部に公開されるのを防ぐための適切な制御が不足
- プロンプト・インジェクションとマニピュレーション攻撃：悪意のあるユーザーの意図した動作を超過させる入力
- 未承認のアクセスと特権のエスカレーション：アクセス制御が弱く意図したスコープを超えてアクションを実行
- データ・ポイズニング：学習またはRAGのデータをハッキングし安全でない出力させた。
- サプライ・チェーンの脆弱性：外部ツールの脆弱性がワークフローに影響を与えた。
- 自律的なアクションへの過度の依存：検証や監視なしで不適切なアクションを実行。
- 監査性とログ記録が不十分：データ・アクセスしたか、何時、誰がアクセスしたかを把握できない。
- モデル反転と出力漏れ：モデルの出力から学習データの内容を逆算し復元、モデルが本来出力すべきでない情報を出力

セキュリティ保護のベストプラクティス
- アクセスを厳密に制御する：RBAC と最小限の特権のアクセス許可
- すべての入力を検証する：インジェクション攻撃をキャッチしてブロックするフィルターとバリデーションのレイヤーを追加
- 人間の監視を追加：機密性の高い操作を人間が関与する承認でセーフガード
- すべてを追跡する：包括的なログ記録と追跡可能性を維持
- サプライ・チェーンを監視：サードパーティの依存関係と統合を定期的に監査
- モデルを正常な状態に保つ：モデルを継続的に再トレーニングして検証

エージェント・フレームワーク

LLMエージェント
- OpenAI Agents SDK
- CrewAI
- LangGraph?
- AutoGen?

その他
- M365 Copilot Studio Lite：EUC
- Microsoft Copilot Studio：Power Platform系ローコード
- Microsoft 365 agents SDK：プログラミング初級
- Microsoft Foundry Agent Service：ソリューション開発用SaaS＋SDK
- Microsoft Agent Framework：プログラミング上級

演習
全てポータルで実施

モデルをデプロイ

エージェントを作成

（自然言語文字列で）エージェントの Instructions（役割定義）を設定

あなたは企業経費精算のAIアシスタントです。
経費ポリシーデータに基づいて、経費に関する質問に答えます。
ユーザーが経費請求を希望する場合、メールアドレス、請求内容、請求金額を取得し、請求内容をユーザーがダウンロードできるテキストファイルに書き込みます。

ナレッジとして文書（docx）を追加、ツールとしてコード・インタプリタを追加
経費請求テキストファイルはコード・インタプリタで準備し、ダウンロードできるようにリンクを提供

エージェントの実行
- Playground 上で会話テスト
- [コード]タブのサンプルコードを取得してVS Code Web で実行可能。

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

Microsoft Foundry Agent Service †

https://learn.microsoft.com/ja-jp/training/modules/develop-ai-agent-azure/

ソリューション開発用SaaS＋SDK

SaaS：スケーラビリティ、24・365

ユースケースの例：
自動化、意思決定など
- 個人生産性
- リサーチャー
- デベロッパー
- セールス
- カスタマーサービス

機能
- 自動ツール呼び出し
- 安全に管理されたデータ
- すぐに使用できるツール
- モデルの選択
- エンタープライズレベルのセキュリティ
- カスタマイズ可能なストレージソリューション

リソース

基本セットアップ
Azure AI ハブ、Azure AI プロジェクト、Foundry Tools リソース

標準セットアップ
基本セットアップに加えて、Azure Key Vault、Azure AI Search、Azure Storage。

ツール

ナレッジ
- Bing検索
- ファイル検索（VDB）
- Azure AI Search
- Microsoft Fabric

アクション
- コード・インタプリタ
- カスタム関数
- Azure Functions
- OpenAPI3.0（WebAPI）

セキュリティリスク（既出）
アプリ開発（演習を参照）

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry プロジェクトを作成
Foundry プロジェクトのエンドポイントをメモ
GitHub リポジトリからサンプルアプリを取得
https://github.com/MicrosoftLearning/mslearn-ai-agents/blob/main/Labfiles/02-build-ai-agent/

パッケージをインストールし、.envを構成

agent.py にコードを追加
- インポートの追加：AgentsClient?、CodeInterpreterTool? などを読み込む。
- Foundry プロジェクトへ接続：DefaultAzureCredential? を使って認証。
- コード・インタプリタがアップロード・ファイル（リソース）を参照できるように。

エージェントの作成

・モデル：gpt-4o
・Instructions：データ分析
・Tools：コード・インタプリタとそのリソース

プロンプト

・Instructions：あなたは、アップロードされたファイル内のデータを分析するAIエージェントです。必要に応じてPythonを使用して統計指標を計算します。
・ToolsのResource：以下が書かれたファイル（data.txt）
  Category,Cost
  Accommodation, 674.56
  Transportation, 2301.00
  Meals, 267.89
  Misc., 34.50
・チャットに入力するプロンプト例~
  ・最もコストが高いカテゴリーは何ですか?~
  ・カテゴリ別にコストを示すテキストベースの棒グラフを作成する~
  ・コストの標準偏差はいくらですか?

開始処理
・会話スレッドの作成
・エージェントにプロンプトを送信

終了処理
・実行ステータスで失敗を確認
・エージェントの最後のメッセージを表示
・会話スレッドからメッセージを時系列で表示
・不要になったエージェントとスレッドを削除

Azure にログインしてアプリを実行
```
az login
python agent.py
```

エージェントと対話し、データ分析を実行
コード・インタプリタを使って Python を実行し、統計値やチャートを生成。

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

VSC の Microsoft Foundry 拡張機能 †

https://learn.microsoft.com/ja-jp/training/modules/develop-ai-agents-vs-code/

Visual Studio Code 用の Microsoft Foundry 拡張機能を使用したエージェント開発

機能：以下の統合エクスペリエンスを提供
- エージェントの検出と管理
- エージェントデザイナ（直感的デザイナ→YAML）
- ツールの追加（ツールライブラリ、MCPサーバー）
- 統合テスト - 組込プレイグラウンドでテスト
- デプロイパイプライン - エージェントを直接デプロイ
- コード生成 - エージェントをアプリに統合するサンプルコードを生成

演習
ポータルで準備してVSC/Python（WebAPI）でテスト

VS Code に Foundry 拡張を入れる
Foundry プロジェクトを作成
Foundry プロジェクトのエンドポイントをメモ
デザイナでエージェントを作成（名前/モデル/指示）、MCP ツールを追加
エージェントを Foundry にデプロイして Playground で動作確認
エージェントをアプリに統合するサンプルコードを生（実行はしない）
会話履歴とスレッドを表示

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

カスタム・ツールをエージェントに統合 †

https://learn.microsoft.com/ja-jp/training/modules/build-agent-with-custom-tools/

Microsoft Foundry Agent Service で使用できるカスタムツールオプション
- カスタム関数
- OpenAPI Specツール
- Azure Functions
- Azure Logic Apps

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry プロジェクトを作成
Foundry プロジェクトのエンドポイントをメモ
GitHub リポジトリからサンプルアプリを取得
https://github.com/MicrosoftLearning/mslearn-ai-agents/tree/main/Labfiles/03-ai-agent-functions

パッケージをインストールし、.envを構成

user_functions.py にカスタム関数を実装
- support ticket を生成してファイル保存する関数
- submit_support_ticket() を追加。
- その関数を user_functions セットに登録。

agent.py にコードを追加（コチラの演習とほぼ同様）
コードの違いは、user_functionsをインポートしてtoolsetに加える点。

Azure にログインしてアプリを実行
```
az login
python agent.py
```

エージェントと対話し、サポート回答をアプリフォルダで受信

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

マルチエージェント・ソリューション †

https://learn.microsoft.com/ja-jp/training/modules/develop-multi-agent-azure-ai-foundry/

接続されているエージェント
- ツール化されたエージェントのようなもの
- 複雑なオーケストレーションなしで、モジュール式のマルチエージェント・システムを簡単に構築できる。

マルチエージェント・ソリューションの設計

主エージェント
処理に最適な接続されたエージェントを決定し実行するオーケストレーターとして機能

ユーザー入力の解釈
適切な接続済みエージェントの選択
関連するコンテキストと手順の転送
結果の集計または要約
接続されたエージェントの責任

接続済みエージェント
単一の責任ドメインに焦点を当て処理を実行するエージェントとして機能

明確なプロンプトに基づいて特定のアクションを完了する
ツール (必要な場合) を使用してタスクを完了する
メインエージェントに結果を返す

演習
ポータルで準備してPython（WebAPI）でテスト

Foundry プロジェクトを作成
Foundry プロジェクトのエンドポイントをメモ
GitHub リポジトリからサンプルアプリを取得
https://github.com/MicrosoftLearning/mslearn-ai-agents/tree/main/Labfiles/03b-build-multi-agent-solution

パッケージをインストールし、.envを構成

agent_triage.pyにコードを追加
- インポートの追加：AgentsClient?、CodeInterpreterTool? などを読み込む。
- Foundry プロジェクトへ接続：DefaultAzureCredential? を使って認証。

特定の役割を果たす複数のエージェントを作成するコードを追加

・チケットの優先順位を設定するエージェントを作成
・チケットを適切なチームに割り当てるエージェントを作成
・チケットの労力を見積もるエージェントを作成

接続されたエージェントを使用してサポートチケット処理をトリアージするエージェントを作成

・サポート エージェント用に接続されたエージェント ツールを作成（ConnectedAgentTool）
・作成したエージェント ツールを使用するエージェントを定義する

開始処理
・会話スレッドの作成
・エージェントにプロンプトを送信

終了処理
・実行ステータスで失敗を確認
・エージェントの最後のメッセージを表示
・会話スレッドからメッセージを時系列で表示
・不要になったエージェントとスレッドを削除

Azure にログインしてアプリを実行
```
az login
python agent_triage.py
```

エージェントと対話し、サポート回答をアプリフォルダで受信

クリーンアップ（課金防止）
- Azure Portal で、演習で使用したリソースグループを開く。
- Delete resource group を実行し、すべての関連リソースを削除。

↑

Azure Language の基本機能
テキストから言語検出、感情分析、抽出（キー・フレーズ、名前付きエンティティ、エンティティリンク）

機能
- 感情分析：0-1の肯定/中立/否定の3値
- キー・フレーズ：名刺に限らない。
- エンティティ：人、場所、住所、日時、組織、URI系
- エンティティリンク：同音異義語などWikiにリンクするので違いが解る。

演習
ポータルで準備してPython（WebAPI）でテスト

↑

Q&A †

https://learn.microsoft.com/ja-jp/training/modules/create-question-answer-solution-ai-language/

Azure Language の質問に回答する機能（Q＆A サービス）

KBのタイプ
- タイトルとリンク
- 構造化されたテキスト
- 定義済みのチャットパターン

RAGのIndex
Azure AI Search：クエリ（質問、top(-K)、しきい値、メタデータでフィルタ）

精度向上施策
- マルチターン会話の実装（フォローアップ・プロンプトと応答を定義）
- アクティブ・ラーニング（学習し代替質問のKB追加を提案する）
- シノニム定義、

演習
ポータルで準備してPython（WebAPI）でテスト

↑

CLU †

https://learn.microsoft.com/ja-jp/training/modules/build-language-understanding-model/

Azure Language の会話言語理解（CLU）モデルを構築

事前構成済みの機能（前述の①の機能）
概要、固有表現認識、PII検出、キーフレーズ抽出、感情分析、言語検出など

学習済み機能
- トレーニングとデプロイを行う必要がある。
- 会話言語理解 (CLU)、カスタム固有表現認識、カスタムテキスト分類、質問応答

エンティティ定義
- エンティティ定義（発話、意図（インテント）、種類（学習/リスト））
- 発話のパターンを定義して類似した発話の意図を区別できる。
- 1 つのエンティティにつき、最大 5 つの事前構築済みコンポーネントを使用できる。

演習はポータルで準備してPython（WebAPI）でテスト
- Azure Language リソースを作成：モデルをホストするクラウド環境を準備
- Language Studio でプロジェクト作成：NLU モデルの「器」を作る
- 発話・意図の登録：モデルに「意図分類」を学習させる
- モデルをトレーニング & デプロイ：実際に使える形にする
- エンティティ定義：発話から詳細情報（場所・曜日・日付）を抽出
- 再トレーニング & 再デプロイ：エンティティ対応後のモデルを更新

↑

分類 †

https://learn.microsoft.com/ja-jp/training/modules/custom-text-classification/

2 種類のプロジェクト：単一ラベル分類、複数ラベル分類
分類問題のモデルの評価と改善（一般論）
APIペイロード（JSONインターフェイス）
データ（ラベル定義、タグを付け）、モデル（トレーニング、表示、改善、デプロイ最大10）、WebAPIで分類実行
WebAPIが特徴的で、分類テキストをPOSTで送信した後、operation-location応答ヘッダにGETして結果を取得

演習はポータルで準備してPython（WebAPI）でテスト

Azure リソースの準備
- Language Service の作成
- ストレージアカウントの確認（StorageV2）
- RBACの設定

学習データの準備
- サンプル記事のダウンロード
- ストレージ・アカウントへのアップロード
- コンテナ設定（匿名アクセスの一時的許可）

Language Studio プロジェクトの作成
- リソース選択
- プロジェクトタイプ（Single label classification）
- コンテナの接続
- プロジェクト基本情報の設定

データのラベル付け
- クラス（4分類）の作成
- 各記事へのラベル付与
- Training / Testing の割り当て
- ラベルの保存

モデルのトレーニング
- トレーニングジョブの作成
- 手動データ分割の利用
- トレーニング完了の確認

モデルの評価
- モデル性能の確認
- 誤分類の確認
- 改善ポイントの把握

モデルのデプロイ
- デプロイメントの作成
- デプロイ名とモデルの指定
- API利用準備

Cloud Shell でのアプリ開発
- Cloud Shell（PowerShell）の起動
- GitHub リポジトリの取得
- Python 仮想環境の構築
- .env の設定（エンドポイント・キー）
- classify-text.py の編集
- SDK を使った分類コードの追加
- プログラムの実行と結果確認