Poznámka:
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
Platí pro: Azure Logic Apps (Consumption + Standard)
Schopnosti umělé inteligence hrají stále rychlejší a rostoucí roli v aplikacích a dalším softwaru tím, že provádějí užitečné, časově úsporné nebo nové úkoly, jako jsou chatové interakce. Tyto funkce můžou také pracovat s dalšími službami, systémy, aplikacemi a zdroji dat, které pomáhají vytvářet integrační úlohy pro podniky a organizace.
Tato příručka obsahuje stavební bloky, příklady a další prostředky, které ukazují, jak pomocí nástrojů Foundry, jako jsou Azure OpenAI, Microsoft Foundry a Azure AI Search s Azure Logic Apps vytvářet automatizované pracovní postupy pro řešení integrace AI.
Agent AI a pracovní postupy založené na modelu
Azure Logic Apps podporuje pracovní postupy standardních aplikací logiky, které dokončí úlohy pomocí smyček agentů s velkými jazykovými modely (LLM). Agent používá proces iterativní smyčky k řešení složitých a vícekrokových problémů. LLM je vytrénovaný program, který rozpozná vzory a provádí úlohy bez lidské interakce.
LLM může například provádět následující úlohy:
- Analyzujte, interpretujte a uvažujte o informacích, jako jsou instrukce, výzvy a vstupy.
- Rozhodování na základě výsledků a dostupných dat
- Formulujte a vraťte odpovědi na zadanou výzvu podle pokynů agenta.
Po vytvoření standardní aplikace logiky můžete přidat pracovní postup, který používá typ pracovního postupu Autonomní agenti nebo Konverzační agenti . Tyto typy pracovních postupů vytvoří částečný pracovní postup, který obsahuje prázdnou akci agenta . Na základě vybraného typu pracovního postupu pak můžete agenta nastavit tak, aby fungoval bez zásahu člověka nebo s lidskou interakcí. K tomu dochází prostřednictvím integrovaného chatovacího rozhraní.
Návod
Pokud se rozhodnete začít s neagentní stavovým pracovním postupem, můžete akci agenta přidat později.
Agent používá přirozený jazyk a připojený LLM k interpretaci dříve poskytnutých instrukcí nebo lidských interakcí v reálném čase. Agent také používá k práci výstupy generované modelem. Tento model pomáhá agentu poskytovat následující funkce:
- Přijměte informace o roli agenta, o tom, jak pracovat a jak reagovat.
- Přijímat instrukce a reagovat na výzvy a žádosti.
- Zpracování vstupů, analýza dat a volby na základě dostupných informací.
- Zvolte nástroje pro dokončení úkolů potřebných ke splnění požadavků. Ve scénářích AI je nástroj posloupností s jednou nebo více akcemi, které provádějí úlohu.
- Přizpůsobit se prostředím, která vyžadují flexibilitu a jsou proměnlivá, dynamická, nepředvídatelná nebo nestabilní.
S více než 1 400 konektory dostupnými k vašemu využití pro vytváření nástrojů, které agenti mohou používat, pracovní postupy agentů podporují mnoho scénářů, které výrazně těží z možností agenta a modelu.
Další informace naleznete v následujících zdrojích:
Stavební bloky pro řešení AI
Tato část popisuje integrované operace a odkazy na dokumentaci, které vám pomůžou sestavovat standardní pracovní postupy pro scénáře integrace AI, jako je příjem dokumentů. Tyto operace umožňují zákazníkům "chatovat s daty".
Konektory Azure OpenAI a Azure AI Search například poskytují operace, které zjednodušují procesy back-endu pomocí nastavení bez kódu. Tyto operace nevyžadují použití vlastního kódu, logiky ani konfigurace.
Tento přístup bez kódu snižuje složitost integrace funkcí umělé inteligence do pracovních postupů. Můžete automatizovat složité pracovní postupy pro úlohy, jako jsou analýzy dokumentů, bloky dat nebo napájení modelů AI, abyste mohli plně využít potenciál vašich dat s minimálním úsilím.
Stavební bloky AI, jako jsou integrované operace a konektory, jsou k dispozici pro pracovní postupy Consumption i Standard. Příklady, ukázky a prostředky používají pro ilustraci standardní pracovní postupy.
Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Přehled videa | Modernizace podnikové integrace se službami Azure Integration Services |
| Přehled videa | Integrace AI do pracovních postupů s Azure Logic Apps |
| Přehled videa | Zrychlení vývoje generující umělé inteligence pomocí Azure Logic Apps – Integrace 2024 |
Příprava obsahu
Následující předdefinované akce a konektory vám pomůžou připravit obsah na spotřebu pomocí nástrojů Foundry, příjmu dat a interakcí chatu.
| Název | Možnosti |
|---|---|
| Parsování dokumentu | Tato integrovaná akce převede obsah na výstup tokenizovaného řetězce, takže pracovní postup může číst a parsovat tisíce dokumentů pomocí typů souborů, jako jsou PDF, DOCX, CSV, PPT, HTML a další v několika jazycích. Tato akce vám pomůže připravit obsah na spotřebu nástroji Foundry ve vašich pracovních postupech. Například operace konektorů pro Foundry Tools, jako jsou Azure OpenAI a Azure AI Search , obvykle očekávají tokenizovaný vstup a můžou zpracovávat pouze omezený počet tokenů. |
| Text bloku dat | Tato integrovaná akce rozdělí tokenizovaný řetězec na části pro snadnější zpracování následnými akcemi ve stejném pracovním postupu. Tato akce vám pomůže připravit obsah na spotřebu nástroji Foundry ve vašich pracovních postupech. Operace konektoru pro Foundry Tools, jako je Azure OpenAI a Azure AI Search , obvykle očekávají tokenizovaný vstup a můžou zpracovávat pouze omezený počet tokenů. |
| Azure OpenAI | Tento integrovaný konektor poskytuje operace pro funkce umělé inteligence, jako je ingestování dat, generování vložených objektů a dokončování chatu, které jsou důležité pro vytváření sofistikovaných aplikací AI. Funkce zpracování přirozeného jazyka můžete integrovat v Azure OpenAI s inteligentními funkcemi vyhledávání ve službě Azure AI Search a dalšími konektory. Tyto integrace vám pomůžou přistupovat k vektorovým úložištím a pracovat s nimi, aniž byste museli psát kód. |
Indexování dat a vektorové databáze
Následující konektory poskytují operace pro indexování a načítání dat při práci s vektorovými databázemi, vyhledáváním a standardními databázemi.
| Název | Možnosti |
|---|---|
| Azure AI Search | Tento integrovaný konektor poskytuje operace pro funkce umělé inteligence, jako je zvýšení načítání dat pomocí indexování, pokročilých vektorových operací a hybridních vyhledávacích operací. |
| SQL Server | Tento integrovaný konektor poskytuje operace pro práci s řádky, tabulkami a uloženými procedurami v databázích SQL. |
| Azure Cosmos DB | Tento spravovaný konektor poskytuje operace pro práci s dokumenty a uloženými procedurami v globálně distribuované, elastické, nezávislé škálovatelné a multimodelové databázi. Poznámka: Tato služba měla dříve název Azure DocumentDB. |
Další materiály
Další informace naleznete v následujících zdrojích:
Chat s daty téměř v reálném čase
Následující části popisují způsoby nastavení možností chatu téměř v reálném čase pro vaše data pomocí Azure Logic Apps a různých nástrojů Foundry.
Vytváření asistentů Azure OpenAI pomocí Azure Logic Apps
Pomocí Azure OpenAI můžete snadno vytvářet funkce podobné agentům ve svých aplikacích pomocí rozhraní API asistentů. I když schopnost vytvářet agenty dříve existovaly, proces často vyžadoval významné technické, externí knihovny a více integrací.
Pomocí asistentů můžete nyní rychle vytvářet přizpůsobené stavové systémy, které byly vyškoleny na podnikovém datu a zvládají různé úlohy s využitím nejnovějších generativních předtrénovaných transformerů (GPT), nástrojů a znalostí. Aktuální verze obsahuje funkce, jako jsou nástroje pro vyhledávání souborů a procházení, vylepšené funkce zabezpečení dat, vylepšené ovládací prvky, nové modely a rozšířená podpora oblastí. Tato vylepšení usnadňují přechod z vytváření prototypů na produkční prostředí.
Teď můžete vytvářet asistenty voláním pracovních postupů Azure Logic Apps jako funkcí umělé inteligence. Pracovní postupy můžete vyhledat, importovat a vyvolat v Azure OpenAI Studiu z prostředí Azure OpenAI Assistants, aniž by bylo nutné psát jakýkoli kód. Prostředí Asistentů vypíše a vylistuje všechny pracovní postupy ve vašem předplatném, které jsou způsobilé pro volání funkcí.
Pokud chcete otestovat asistenty s voláním funkcí, můžete pracovní postupy importovat jako funkce AI pomocí funkce procházení a výběru. Generování specifikací funkcí a dalších konfigurací se automaticky stahuje ze Swaggeru pro váš workflow. Volání funkce vyvolá pracovní postupy na základě výzev uživatele. Všechny příslušné parametry se předávají na základě definice.
Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Dokumentace | Volání pracovních postupů Azure Logic Apps jako funkcí pomocí pomocníků Azure OpenAI |
| Článek na blogu | Vytváření asistentů Azure OpenAI s voláním funkcí |
| Článek na blogu | Asistenti Azure AI s Využitím Azure Logic Apps |
| Ukázkové video | Azure Logic Apps jako modul plug-in AI |
Integrace se sémantickým jádrem
Tato jednoduchá opensourcová vývojová sada vám pomůže snadno sestavovat agenty AI a integrovat nejnovější modely AI do základu kódu jazyka C#, Python nebo Java. Na nejjednodušší úrovni je jádro kontejner správy závislostí, který spravuje všechny služby a pluginy, které vaše aplikace AI potřebuje pro běh.
Pokud poskytnete všechny své služby a pluginy jádru, AI tyto komponenty bez problémů použije podle potřeby. Jádro jako centrální komponenta slouží jako efektivní middleware, který vám pomůže rychle dodávat řešení na podnikové úrovni.
Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Článek na blogu | Integrace pracovních postupů standardní logické aplikace jako zásuvných modulů se sémantickým jádrem: Podrobný průvodce |
| Ukázka GitHubu | Sémantické jádro pro Azure Logic Apps |
| Dokumentace | Úvod do sémantického jádra |
Správa inteligentního shromažďování a zpracování dokumentů
Pomocí Azure Document Intelligence v nástrojích Foundry a Azure Logic Apps můžete vytvářet inteligentní pracovní postupy zpracování dokumentů. Konektor Document Intelligence poskytuje operace, které vám pomůžou extrahovat text a informace z různých dokumentů. Funkce Document Intelligence pomáhá spravovat rychlost shromažďování a zpracování obrovských objemů dat uložených ve formulářích a dokumentech s širokou škálou datových typů.
Poznámka:
Konektor Document Intelligence se aktuálně jmenuje Rozpoznávání formulářů v galerii konektorů návrháře pracovních postupů pro Azure Logic Apps. Operace konektoru, hostované a spuštěné ve víceklientském prostředí Azure, najdete v galerii pod sdíleným popiskem.
Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Dokumentace | Vytvoření pracovního postupu Document Intelligence pomocí Azure Logic Apps |
| Dokumentace | Referenční informace ke spojnici rozpoznávání formulářů |
| Ukázkové video | Zpracování faktur pomocí Azure Logic Apps a AI |
Generování s rozšířeným načítáním informací (RAG)
Generativní AI modely nebo LLM, jako je ChatGPT, jsou trénovány k generování výstupů pro úlohy, jako jsou odpovědi na otázky, a dokončování vět pomocí velkých objemů statických dat a miliard parametrů. Generování s rozšířeným načítáním přidává do LLM možnosti načítání informací a upravuje jeho interakce, aby mohlo reagovat na dotazy uživatelů odkazováním na obsah, který doplňuje jeho trénovací data.
LLM může používat RAG, aby umožnil chatbotům přístup k doménově specifickým nebo aktualizovaným informacím. RAG vám může pomoct implementovat případy použití, které zahrnují interní firemní data nebo faktické informace poskytované autoritativním zdrojem.
RAG rozšiřuje již výkonné funkce LLM na konkrétní domény nebo interní znalostní báze organizace, aniž by bylo nutné model přetrénovat. Architektura RAG také poskytuje nákladově efektivní přístup ke zlepšení a zachování relevantního, přesného a užitečného výstupu LLM.
Příklady RAG
Následující příklady ukazují způsoby použití nebo implementace vzoru RAG pomocí standardních pracovních postupů v Azure Logic Apps.
Vytvoření ucelené aplikace AI založené na RAG pomocí Azure Logic Apps
Vytvoření ucelené aplikace AI založené na RAG pomocí Azure Logic Apps (Standard)
Chat s údaji o pojištění
Tento příklad používá klasický model RAG, ve kterém pracovní postup ingestuje dokumenty a data pojišťovací společnosti, aby zaměstnanci mohli klást otázky ohledně jejich výhod a možností pokrytí plánu. Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Článek na blogu | Konektory Azure OpenAI a Azure AI Search jsou ve verzi Public Preview pro Azure Logic Apps (Standard) |
| Ukázkové video | Importovat data z dokumentu do Azure AI Search a chatovat s vašimi daty pomocí Azure Logic Apps |
| Ukázka GitHubu | Vytvoření chatu s daty – projekt standardní aplikace logiky |
Automatizace odpovědí na otázky týkající se StackOverflowu
Tento příklad ukazuje, jak může pracovní postup automaticky odpovídat na nové otázky StackOverflow, které mají konkrétní hashtag pomocí konektorů Azure OpenAI a Azure AI Search . Ukázka může ingestovat předchozí příspěvky a dokumentaci k produktu. Pokud je k dispozici nová otázka, řešení může automaticky odpovědět pomocí znalostní báze a pak požádat člověka, aby odpověď schválil před publikováním na StackOverflow.
Tento pracovní postup můžete přizpůsobit tak, aby aktivoval denní, týdenní nebo měsíční podporu a zjednodušil podporu komunity nastavením vlastního automatizovaného systému odpovědí pro libovolný hashtag. Toto řešení můžete také přizpůsobit pro lístky v Outlooku, ServiceNow nebo jiných platformách pomocí konektorů Azure Logic Apps pro zabezpečený přístup.
Další informace naleznete v následujících zdrojích:
| Typ prostředku | Odkaz |
|---|---|
| Článek na blogu | Automatizace odpovědí na dotazy StackOverflow pomocí Azure OpenAI a Azure Logic Apps |
| Ukázka GitHubu | Automatizace odpovědí na nezodpovězené otázky na StackOverflow |
Ingestování dokumentů a chatování s daty
Data jsou základním kamenem pro libovolnou aplikaci AI a jsou jedinečná pro každou organizaci. Při vytváření aplikace AI je efektivní příjem dat kritický pro úspěch. Bez ohledu na to, kde se vaše data nacházejí, můžete AI integrovat do nových a stávajících obchodních procesů vytvořením standardních pracovních postupů, které používají jen málo nebo žádný kód.
Více než 1 400 podnikových konektorů a operací umožňuje používat Azure Logic Apps k rychlému přístupu a provádění úloh pomocí široké škály služeb, systémů, aplikací a databází. Když tyto konektory používáte s Nástroji Foundry, jako je Azure OpenAI a Azure AI Search, může vaše organizace transformovat úlohy takto:
- Automatizace rutinních úloh
- Vylepšete interakce zákazníků s možnostmi chatu.
- V případě potřeby poskytněte přístup k datům organizace.
- Generování inteligentních přehledů nebo odpovědí
Když například integrujete Foundry Tools pomocí operací konektoru Azure OpenAI a Azure AI Search ve vašich pracovních postupech, může vaše organizace bez problémů implementovat model RAG. RAG minimalizuje náklady pomocí systému načítání informací, který odkazuje na konkrétní doménu nebo autoritativní znalosti a rozšíří trénování LLM bez nutnosti přetrénování modelu. Další informace najdete v tématu Retrieval-augmented generation (RAG) a následující zdroje:
| Typ prostředku | Odkaz |
|---|---|
| Článek na blogu | Ingestování dokumentů pro generování aplikací umělé inteligence z více než 1 000 zdrojů dat pomocí Azure Logic Apps |
| Ukázkové video | Ingestování dokumentu založeného na RAG s využitím Azure Logic Apps (Standard) |
Rychlý start se šablonami pracovních postupů
Azure Logic Apps, aby podpořily integraci umělé inteligence a pomohly vám rychle vytvářet aplikace, obsahují předem připravené šablony pracovních postupů, které zpracovávají data z mnoha běžných zdrojů, jako je SharePoint, Azure File Storage, Blob Storage a Protokol zabezpečeného přenosu souborů (SFTP). Když do aplikace logiky Standard nebo Consumption přidáte nový pracovní postup, můžete jako výchozí bod vybrat předem připravenou šablonu.
Každá šablona se řídí běžným vzorem pracovního postupu, který podporuje konkrétní scénář. Můžete také vytvořit šablony pracovních postupů, které pak můžete sdílet s ostatními vývojáři pracovních postupů tak, že je publikujete v úložišti šablon GitHubu.
Následující tabulka popisuje některé ukázkové šablony pracovních postupů:
| Zdroj dokumentu | Popis šablony | Použité nástroje Foundry |
|---|---|---|
| Analýza dokumentů | Standard: Analýza složitých dokumentů pomocí Azure OpenAI | Azure OpenAI |
| Azure Blob Storage | Standardní: - Ingestování a indexování souborů pomocí vzoru RAG. – Ingestování a vektorizace dokumentů do služby Azure Cosmos DB for NoSQL pomocí vzoru RAG |
– Azure OpenAI – Azure AI Search |
| Azure File Storage | Standardní: - Ingestování dokumentů do vyhledávání AI podle plánu. - Ingestování a indexování souborů podle plánu pomocí vzoru RAG. - Ingestování a indexování souborů pomocí vzoru RAG. |
– Azure OpenAI – Azure AI Search |
| Založené na žádostech | Standardní: - Chatujte s dokumenty pomocí vzoru RAG. - Ingestování a indexování dokumentů pomocí vzoru RAG. |
– Azure OpenAI – Azure AI Search |
| OneDrive pro firmy | Spotřeba: – Vektorizovat soubory z OneDrive for Business do AI vyhledávání podle plánu Standardní: - Ingestování a indexování souborů pomocí vzoru RAG. – Přenos dokumentů z OneDrivu do AI vyhledávání pravidelně podle plánu. |
– Azure OpenAI – Azure AI Search |
| SAP | Spotřeba: – Synchronizujte obchodní partnery se složkou SharePointu pomocí OData. |
|
| SFTP | Standard: Ingestování a indexování souborů pomocí vzoru RAG. | – Azure OpenAI – Azure AI Search |
| SharePoint Online | Spotřeba: – Vektorizace souborů ze SharePointu Online na vyhledávání AI na vyžádání. Standardní: - Ingestování a indexování souborů pomocí vzoru RAG. – Indexujte dokumenty do vyhledávání AI. Použijte vzor RAG pro načtení a argumentaci s LLM Azure OpenAI. |
– Azure OpenAI – Azure AI Search |
Další informace naleznete v následujících zdrojích: