Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
A következőkre vonatkozik: Azure Logic Apps (Használat + Standard)
Az AI-képességek gyors és növekvő szerepet játszanak az alkalmazásokban és más szoftverekben hasznos, időtakarékos vagy újszerű feladatok, például csevegési interakciók végrehajtásával. Ezekkel a képességekkel integrációs számítási feladatokat hozhat létre a vállalat vagy a szervezet szolgáltatásai, rendszerei, alkalmazásai és adatai között.
Ez az útmutató építőelemeket, példákat, mintákat és egyéb erőforrásokat tartalmaz, amelyek bemutatják, hogyan használhatók az AI-szolgáltatások, például az Azure OpenAI és az Azure AI Search, valamint egyéb szolgáltatások, rendszerek, alkalmazások és adatok, amelyek az Azure Logic Apps automatizált munkafolyamataiként létrehozott integrációs megoldásokban működnek együtt.
AI-ügynök és modellalapú munkafolyamatok (előzetes verzió)
Az Azure Logic Apps támogatja a standard logikaialkalmazás-munkafolyamatokat, amelyek az Azure OpenAI Szolgáltatásban nagy nyelvi modellekkel (LLM-ekkel) rendelkező ügynökökkel hajtják végre a feladatokat. Az ügynökök iteratív ciklusos folyamatot használnak összetett, többlépéses problémák megoldásához. A nagy nyelvi modell egy olyan program, amely betanított minták felismerésére és feladatok emberi beavatkozás nélküli végrehajtására, például:
- Az olyan információk elemzése, értelmezése és magyarázata, mint az utasítások, a kérések, a bemenetek és más adatok.
- Hozzon döntéseket az eredmények és a rendelkezésre álló adatok alapján.
- Az ügynök utasításai alapján válaszokat fogalmazhat meg és adhat vissza a kérőnek.
A Standard logikai alkalmazás létrehozása után adjon hozzá egy , az Ügynök munkafolyamattípust használó munkafolyamatot. Az Ügynök típusa egy alapértelmezett ügynököt tartalmazó részleges munkafolyamatot hoz létre. Ez az ügynök önállóan működik, de beállíthatja az ügynököt, hogy egy csevegőfelületen keresztül kommunikáljon Önnel. Az ügynök természetes nyelven kommunikál Önnel és a csatlakoztatott modellel. Az ügynök modell által generált kimeneteket is használ a munkavégzéshez – emberi interakcióval vagy anélkül. A modell segít az ügynöknek a következő képességek biztosításában:
- Fogadja el az ügynök működésével, működésével és a válaszadás módjával kapcsolatos információkat.
- Kérések fogadása és megválaszolása önállóan vagy csevegés útján.
- Feldolgozhatja a bemeneteket, elemezheti az adatokat, és választási lehetőségeket hozhat a rendelkezésre álló információk alapján.
- Válassza ki az eszközöket a kérések teljesítéséhez szükséges feladatok elvégzéséhez. Az eszköz alapvetően egy feladat végrehajtására szolgáló egy vagy több művelettel rendelkező sorozat. Az eszközök csak műveleteket használhatnak, triggereket nem.
- Alkalmazkodjon olyan környezetekhez, amelyek rugalmasságot igényelnek, és folyékonyak, dinamikusak, kiszámíthatatlanok vagy instabilak.
Több mint 1400 összekötővel hozhat létre eszközöket egy ügynökben, az ügynök-munkafolyamatok számos olyan forgatókönyvet támogatnak, amelyek nagy mértékben kihasználhatják az ügynök- és modellképességeket. A használati esetek alapján az ügynök emberi beavatkozással vagy anélkül is képes dolgozni.
További információt a következő források tartalmaznak:
Az AI-megoldások építőelemei
Ez a szakasz bemutatja a beépített műveleteket és a dokumentációra mutató hivatkozásokat, amelyekkel szabványos munkafolyamatokat hozhat létre AI-integrációs forgatókönyvekhez, például dokumentumbetöltéshez, így az ügyfelek "cseveghetnek az adatokkal".
Feljegyzés
Az AI építőelemei, például a beépített műveletek és az összekötők mind a Használat, mind a Standard munkafolyamatokhoz elérhetők. A példák, minták és erőforrások azonban standard munkafolyamatokat használnak példaként. A cikk időbeli alakulásának folyamatos figyelemmel követése további útmutatással.
Az Azure OpenAI és az Azure AI Search-összekötők például olyan műveleteket biztosítanak, amelyek kód nélküli beállítással egyszerűsítik a háttérfolyamatokat, és csökkentik az AI-képességek munkafolyamatokba való integrálásának összetettségét. Ezekhez a műveletekhez nincs szükség egyéni kódra, logikára vagy konfigurációra. Ez a kód nélküli megközelítés segít az összetett munkafolyamatok automatizálásában, legyen szó dokumentumelemzésről, adattömbökről vagy generatív AI-modellekről, így minimális erőfeszítéssel kiaknázhatja az adatokban rejlő lehetőségeket.
További információt a következő források tartalmaznak:
A tartalom előkészítése
Az alábbi műveletek segítenek előkészíteni a tartalmakat az AI-szolgáltatások, az adatbetöltés és a csevegési interakciók általi használatra:
| Név | Összekötő vagy művelet? | Képességek |
|---|---|---|
| Dokumentum elemzése | Akció (beépített) |
Jogkivonatos sztringkimenetté alakítja a tartalmat, hogy a munkafolyamat több ezer dokumentumot tudjon olvasni és elemezni olyan fájltípusokkal, mint a PDF, a DOCX, a CSV, a PPT, a HTML és más, több nyelven. Ez a művelet segít előkészíteni az Azure AI-szolgáltatások által a munkafolyamatokban használt tartalmakat. Az Azure AI-szolgáltatások, például az Azure OpenAI és az Azure AI Search összekötőműveletei például általában jogkivonatos bemenetre számítanak, és csak korlátozott számú jogkivonatot képesek kezelni. |
| Adattömb szövege | Akció (beépített) |
A jogkivonatos sztringeket darabokra osztja, hogy a későbbi műveletek könnyebben felhasználhatóak legyenek ugyanabban a munkafolyamatban. Ez a művelet segít előkészíteni az Azure AI-szolgáltatások által a munkafolyamatokban használt tartalmakat. Az Azure AI-szolgáltatások, például az Azure OpenAI és az Azure AI Search összekötőműveletei például általában jogkivonatos bemenetre számítanak, és csak korlátozott számú jogkivonatot képesek kezelni. |
| Azure OpenAI | Csatlakozó (beépített) |
Olyan műveleteket biztosít az AI-képességekhez, mint az adatok betöltése, a beágyazások generálása és a csevegés befejezése, amelyek kritikus fontosságúak a kifinomult AI-alkalmazások létrehozásához. Az Azure OpenAI természetes nyelvi feldolgozási képességeit integrálhatja az Azure AI Search intelligens keresési képességeivel és más összekötőkkel, amelyek segítségével kódírás nélkül érheti el és használhatja a vektortárolókat. |
Adatindexelés és vektoradatbázisok
Az alábbi összekötők adatindexeléshez és lekéréshez, vektoradatbázisokkal, kereséssel és standard adatbázisokkal való munkához nyújtanak műveleteket.
| Név | Összekötő | Képességek |
|---|---|---|
| Azure AI Search | Csatlakozó (beépített) |
Olyan műveleteket biztosít az AI-képességekhez, mint például az adatlekérés javítása indexeléssel, speciális vektorműveletekkel és hibrid keresési műveletekkel. |
| SQL Server | Csatlakozó (beépített) |
Műveleteket biztosít a sorok, táblák és tárolt eljárások SQL-adatbázisokban való használatához. |
| Azure Cosmos DB | Csatlakozó (Azure által felügyelt és üzemeltetett) |
Műveleteket biztosít a dokumentumok és a tárolt eljárások globálisan elosztott, rugalmas, egymástól függetlenül méretezhető és többmodelles adatbázisokban való használatához. Megjegyzés: Ezt a szolgáltatást korábban Azure DocumentDB-nek hívták. |
További erőforrások
További információt a következő források tartalmaznak:
Közel valós idejű csevegés adatokkal
Az alábbi szakaszok azt ismertetik, hogyan állíthat be közel valós idejű csevegési képességeket az adatokhoz az Azure Logic Apps és a különböző AI-szolgáltatások használatával.
Azure OpenAI-asszisztensek létrehozása az Azure Logic Appsszel
Az Azure OpenAI segítségével az Assistants API használatával egyszerűen készíthet ügynökszerű funkciókat az alkalmazásokba. Bár az ügynökök létrehozásának képessége korábban is létezett, a folyamat gyakran jelentős mérnöki, külső kódtárakat és több integrációt igényelt. Most azonban az Asszisztensek segítségével gyorsan létrehozhat testre szabott állapotalapú copilotokat, amelyek betanítottak a vállalati adataikra, és a legújabb GPT-modellek, eszközök és tudás segítségével kezelhetik a különböző feladatokat. A jelenlegi kiadás olyan funkciókat tartalmaz, mint a Fájlkeresési és tallózási eszközök, továbbfejlesztett adatbiztonsági funkciók, továbbfejlesztett vezérlők, új modellek, kiterjesztett régiótámogatás és különféle fejlesztések, amelyek megkönnyítik a prototípus-készítéstől az éles környezetig való váltást.
Mostantól létrehozhat asszisztenseket úgy, hogy migrálási függvényként meghívja az Azure Logic Apps-munkafolyamatokat. Kód írása nélkül munkafolyamatokat fedezhet fel, importálhat és hívhat meg az Azure OpenAI Studióban az Azure OpenAI Assistants játszótérről. Az Asszisztensek játszótér felsorolja és felsorolja az előfizetés összes olyan munkafolyamatát, amely jogosult a függvényhívásra.
Ha függvényhívással szeretné tesztelni az Asszisztenseket, a munkafolyamatokat mi-függvényekként importálhatja egy tallózással és a felhasználói felület kiválasztásával. A függvényspecifikációk létrehozása és más konfigurációk automatikusan lekértek a Swaggerből a munkafolyamathoz. A függvényhívás a felhasználói kérések alapján hívja meg a munkafolyamatokat, a megfelelő paraméterek pedig a definíció alapján kerülnek átadásra.
További információt a következő források tartalmaznak:
| Erőforrás típusa | Hivatkozás |
|---|---|
| Blogcikk |
-
Azure OpenAI-asszisztensek létrehozása függvényhívással - Azure AI-asszisztensek az Azure Logic Appsszel |
| Bemutató videó | Az Azure Logic Apps mint AI beépülő modul |
| Dokumentáció | Azure Logic Apps-munkafolyamatok meghívása függvényként az Azure OpenAI Assistants használatával |
Integrálás szemantikus kernellel
Ez az egyszerűsített, nyílt forráskódú fejlesztői készlet segítségével egyszerűen készíthet AI-ügynököket, és integrálhatja a legújabb AI-modelleket a C#, Python vagy Java kódbázisba. A legegyszerűbb szinten a kernel egy függőséginjektálási tároló, amely kezeli az AI-alkalmazás által futtatandó összes szolgáltatást és beépülő modult. Ha minden szolgáltatást és beépülő modult biztosít a kernelnek, az AI szükség szerint zökkenőmentesen használja ezeket az összetevőket. Központi összetevőként a kernel hatékony köztes szoftverként szolgál, amely segít a nagyvállalati szintű megoldások gyors biztosításában.
További információt a következő források tartalmaznak:
| Erőforrás típusa | Hivatkozás |
|---|---|
| Blogcikk | Standard logikai alkalmazás munkafolyamatainak integrációja beépülő modulként a Szemantic Kernellel: Részletes útmutató |
| GitHub-minta | Szemantikus kernel az Azure Logic Appshez |
| Dokumentáció | Bevezetés a Szemantic Kernel használatába |
Intelligens dokumentumgyűjtés és -feldolgozás kezelése
Az Azure AI Document Intelligence és az Azure Logic Apps segítségével intelligens dokumentumfeldolgozási munkafolyamatokat hozhat létre, ha nagy mennyiségű adattal rendelkezik, és számos különféle adattípust tárol űrlapokon és dokumentumokban. A Dokumentumintelligencia segítségével kezelheti az adatok gyűjtésének és feldolgozásának sebességét. Az Azure Logic Appsben a Dokumentumintelligencia-összekötő olyan műveleteket biztosít, amelyekkel szövegeket és egyéb információkat nyerhet ki különböző dokumentumokból.
Feljegyzés
A Dokumentumintelligencia-összekötő jelenleg Form Recognizer néven szerepel a munkafolyamat-tervező Azure Logic Apps-összekötőgyűjteményében. Az összekötő műveleteit, amelyek több-bérlős Azure-ban vannak üzemeltetve és futtatva, a katalógus Megosztott címkéje alatt találja.
További információt a következő források tartalmaznak:
| Erőforrás típusa | Hivatkozás |
|---|---|
| Bemutató videó | Számlafeldolgozás az Azure Logic Apps és az AI használatával |
| Dokumentáció |
-
Dokumentumintelligencia-munkafolyamat létrehozása az Azure Logic Appsszel - Űrlap-felismerő összekötő referenciája |
Lekéréses kiegészítésű generáció (RAG)
Az olyan feladatok eredeti kimenetének létrehozásához, mint a kérdések megválaszolása és a mondatok végrehajtása, a generatív AI-modellek vagy a nagy nyelvi modellek (például a ChatGPT) betanítása hatalmas mennyiségű statikus adat és több milliárd paraméter használatával történik. A lekérésesen bővített generáció lehetővé teszi az információlekérési képességek hozzáadását az LLM-hez, és módosíthatja annak interakcióit, hogy az LLM a modell saját betanítási adatait bővítő tartalomra hivatkozva válaszolhassa meg a felhasználói lekérdezéseket. Ezzel a képességgel az LLM tartományspecifikus vagy frissített információkat használhat, és használati eseteket valósíthat meg a csevegőrobot számára, hogy hozzáférést biztosítson a belső vállalati adatokhoz vagy a mérvadó forrás által biztosított tényadatokhoz.
A RAG kiterjeszti az LLM már meglévő hatékony képességeit adott tartományokra vagy a szervezet belső tudásbázis anélkül, hogy újra kellene betanítania a modellt. A RAG-architektúra költséghatékony megközelítést is kínál az LLM-kimenet megfelelő, pontos és hasznos javítására és megőrzésére.
Példák
Az alábbi példák olyan módszereket mutatnak be, amelyek a RAG-mintát standard munkafolyamatokkal alkalmazzák vagy implementálják az Azure Logic Appsben.
Végpontok közötti RAG-alapú AI-alkalmazás létrehozása az Azure Logic Appsszel
Végpontok közötti RAG-alapú AI-alkalmazás létrehozása az Azure Logic Apps (Standard) használatával
Csevegés biztosítási adatokkal
Ez a példa egy klasszikus RAG-mintát használ, amelyben egy munkafolyamat betölti egy biztosítótársaság dokumentumait és adatait, hogy az alkalmazottak kérdéseket tegyenek fel a biztosítási fedezet előnyeiről és lehetőségeiről.
További információt a következő források tartalmaznak:
A StackOverflow-kérdésekre adott válaszok automatizálása
Ez a példa bemutatja, hogyan válaszolhat a munkafolyamat automatikusan az új StackOverflow-kérdésekre egy adott hashtaggel az Azure OpenAI és az Azure AI Search-összekötők használatával. A minta betöltheti a korábbi bejegyzéseket és termékdokumentációt, hogy amikor új kérdés áll rendelkezésre, a megoldás automatikusan válaszoljon a tudásbázis használatával, majd kérje meg az embert, hogy hagyja jóvá a választ, mielőtt közzétenné a StackOverflow-on.
Ezt a munkafolyamatot testreszabhatja úgy, hogy a preferenciája alapján naponta, hetente vagy havonta aktiválja, és beállíthat egy saját automatizált válaszrendszert bármilyen hashtaghez, ami leegyszerűsíti a közösségi támogatást. Ezt a megoldást az Outlookban, a ServiceNow-ban vagy más platformokon lévő jegyekhez is módosíthatja az Azure Logic Apps-összekötők használatával a biztonságos hozzáférés érdekében.
További információt a következő források tartalmaznak:
| Erőforrás típusa | Hivatkozás |
|---|---|
| Blogcikk | A StackOverflow-lekérdezésekre adott válaszok automatizálása az Azure OpenAI és az Azure Logic Apps használatával |
| GitHub-minta | Megválaszolatlan StackOverflow-kérdésekre adott válaszok automatizálása |
Dokumentumok betöltése és csevegés adatokkal
Az adatok minden AI-alkalmazás alapkövét jelentik, és minden szervezet számára egyediek. Bármely AI-alkalmazás létrehozásakor a hatékony adatbetöltés kritikus fontosságú a sikerhez. Függetlenül attól, hogy hol találhatók az adatok, az AI-t integrálhatja az új és meglévő üzleti folyamatokba kevés vagy kód nélküli kód használatával, ha standard munkafolyamatokat hoz létre az Azure Logic Appsszel.
Az Azure Logic Apps több mint 1400 nagyvállalati összekötővel és -művelettel teszi lehetővé a szolgáltatások, rendszerek, alkalmazások és adatbázisok széles skáláját tartalmazó feladatok gyors elérését és végrehajtását. Ha ezeket az összekötőket az AI-szolgáltatások, például az Azure OpenAI és az Azure AI Search mellett használja, a szervezet átalakíthatja a számítási feladatokat, például a rutinfeladatok automatizálását, az ügyfelek csevegési képességeivel való interakcióját, szükség esetén hozzáférést biztosít a szervezeti adatokhoz, és intelligens elemzéseket vagy válaszokat hozhat létre. Ezen műveletek mellett az Azure Logic Apps előre összeállított munkafolyamat-sablonokat is kínál, amelyek számos gyakori adatforrásból, például a SharePointból, az Azure File Storage-ból, a Blob Storage-ból, az SFTP-ből és egyebekből származó adatokat fogadnak be, hogy segítsenek a gyors buildelésben és az alkalmazásokban.
Ha például az AI-szolgáltatásokat az Azure OpenAI és az Azure AI Search-összekötő műveleteivel integrálja a munkafolyamatokban, a szervezet zökkenőmentesen implementálhatja a lekéréssel bővített generációs (RAG) mintát. Ez az architektúra tartalmaz egy információlekérdezési rendszert, és kibővíti a betanítási adatokat egy nagy nyelvi modell (LLM) esetében úgy, hogy tartományspecifikus vagy mérvadó ismeretekre hivatkozik anélkül, hogy újra kellene tanítani a modellt, ami minimalizálja a költségeket. További információkért tekintse meg az útmutató későbbi, a retrieveal-augmented generation (RAG) szakaszát .
További információt a következő források tartalmaznak:
| Erőforrás típusa | Hivatkozás |
|---|---|
| Blogcikk | Dokumentumok betöltése generatív AI-alkalmazásokhoz több mint 1000 adatforrásból az Azure Logic Apps használatával |
| Bemutató videó | Dokumentum betöltése RAG alapján az Azure Logic Apps (Standard) használatával |
Rövid útmutató munkafolyamat-sablonokkal
Amikor új munkafolyamatot ad hozzá a Standard vagy a Consumption logikai alkalmazáshoz, kiindulópontként kiválaszthat egy előre összeállított sablont. Minden sablon egy gyakori munkafolyamat-mintát követ, amely egy adott forgatókönyvet támogat. Olyan munkafolyamat-sablonokat is létrehozhat, amelyeket aztán megoszthatja más munkafolyamat-fejlesztőkkel a GitHub-adattár sablonjaiban való közzététellel.
Az alábbi táblázat néhány példa munkafolyamat-sablont ismertet:
| Dokumentum forrása | Sablon leírása | AI-szolgáltatások |
|---|---|---|
| Azure AI Dokumentum-intelligencia | Szabvány: – Összetett dokumentumok elemzése az Azure OpenAI használatával |
- Azure OpenAI |
| Azure Blob-tárhely | Szabvány: - Fájlok betöltése és indexelése ragmintával – Dokumentumok betöltése és vektorizálása az Azure Cosmos DB for NoSQL-be ragmintával |
- Azure OpenAI - Azure AI Search |
| Azure File Storage | Szabvány: - Dokumentumok betöltése ütemezés szerint az AI-keresésbe - Fájlok betöltése és indexelése ütemezés szerint a RAG-minta használatával - Fájlok betöltése és indexelése ragmintával |
- Azure OpenAI - Azure AI Search |
| Kérelemalapú | Szabvány: – Beszélgetés a dokumentumokkal a RAG minta alkalmazásával - Dokumentumok betöltése és indexelése ragmintával |
- Azure OpenAI - Azure AI Search |
| OneDrive Vállalati verzió | Fogyasztás: – Fájlok vektorizálása ütemezés szerint a OneDrive Vállalati verziótól az AI-keresésig Szabvány: - Fájlok betöltése és indexelése ragmintával – Dokumentumok betöltése ütemezés szerint a OneDrive-ról az AI Search szolgáltatásba |
- Azure OpenAI - Azure AI Search |
| NEDV | Fogyasztás: – Üzleti partnerek szinkronizálása SharePoint-mappába az OData használatával |
|
| SFTP | Szabvány: - Fájlok betöltése és indexelése ragmintával |
- Azure OpenAI - Azure AI Search |
| SharePoint Online | Fogyasztás: -Fájlok vektorizálása kérésre a SharePoint Online-ból az AI Search szolgáltatásba Szabvány: - Fájlok betöltése és indexelése ragmintával – Dokumentumok indexelése az AI Search szolgáltatásba, lekérése és érvelés az Azure OpenAI LLM-ekkel a RAG-minta használatával. |
- Azure OpenAI - Azure AI Search |
További információt a következő források tartalmaznak: