適用対象: Azure Logic Apps (従量課金プラン + Standard)
AI 機能は、チャットによる対話など、便利で時間を節約できるタスクや斬新なタスクを実行することで、アプリケーションやその他のソフトウェアで果たす役割が急速に拡大しています。 これらの機能は、企業または組織内のサービス、システム、アプリ、データ全体にわたって統合ワークロードを構築するためにも役立ちます。
このガイドでは、Azure Logic Apps で自動化されたワークフローとして構築された統合ソリューションで連携する他のサービス、システム、アプリ、データと共に、Azure OpenAI や Azure AI 検索などの AI サービスを使用する方法を示すのに役立つ構成要素、例、サンプル、その他のリソースについて説明します。
AI エージェントとモデルを利用したワークフロー (プレビュー)
Azure Logic Apps では、Azure OpenAI Service で大規模な言語モデル (LLM) を持つエージェントを使用してタスクを完了する標準ロジック アプリ ワークフローがサポートされています。 エージェントは、反復的なループ 処理を使用して、複雑な複数ステップの問題を解決します。 大規模な言語モデルは、パターンを認識し、人間の操作なしでジョブを実行するようにトレーニングされたプログラムです。次に例を示します。
- 指示、プロンプト、入力、その他のデータなどの情報に関する分析、解釈、および理由。
- 結果と使用可能なデータに基づいて意思決定を行います。
- エージェントの指示に従い、プロンプトに対する回答を作成して戻します。
標準ロジック アプリを作成したら、 エージェント ワークフローの種類を使用するワークフローを追加します。 エージェントの種類では、既定のエージェントを含む部分的なワークフローが作成されます。 このエージェントは自律的に動作しますが、チャット インターフェイスを介して対話するようにエージェントを設定できます。 エージェントは自然言語を使用して、ユーザーと接続されたモデルと通信します。 また、エージェントは、モデルによって生成された出力を使用して、人間の操作の有無にかかわらず作業を行います。 このモデルは、エージェントが次の機能を提供するのに役立ちます。
- エージェントの動作、操作方法、応答方法に関する情報を受け入れます。
- 自律的またはチャットを介して、要求 (プロンプト) を受信して応答します。
- 使用可能な情報に基づいて、入力の処理、データの分析、選択を行います。
- 要求を満たすために必要なタスクを完了するツールを選択します。 基本的に、 ツール は、タスクを完了する 1 つ以上のアクションを含むシーケンスです。 ツールでは、トリガーではなくアクションのみを使用できます。
- 柔軟性を必要とし、流動的、動的、予測不能、不安定な環境に適応します。
エージェントでツールを構築するために使用できる 1,400 以上のコネクタ を使用すると、エージェント ワークフローは、エージェントとモデルの機能から大きなメリットを得られるさまざまなシナリオをサポートします。 エージェントは、ユース ケースに基づいて、人間の操作の有無にかかわらず作業を実行できます。
詳細については、次のリソースを参照してください。
AI ソリューションの構成要素
このセクションでは、組み込みの操作と、ドキュメント インジェストなどの AI 統合シナリオの標準ワークフローを構築するために使用できるドキュメントへのリンクについて説明します。これにより、顧客は "データとチャット" できるようになります。
注
組み込みの操作やコネクタなどの構成要素は、従量課金と Standard の両方のワークフローで使用できます。 ただし、例、サンプル、リソースでは、例として Standard ワークフローを使用します。 時間の経過と共にこの記事を進化させ、さらに詳しいガイダンスを提供していきますので、随時ご確認ください。
たとえば、Azure OpenAI および Azure AI 検索コネクタは、コードレス セットアップでバックエンドプロセスを簡略化し、AI 機能をワークフローに統合する際の複雑さを軽減する操作を提供します。 これらの操作を使用するために、カスタム コード、ロジック、または構成は必要ありません。 このノー コード アプローチは、タスクがドキュメント解析、データ チャンク、または生成 AI モデルの強化のいずれであるかにかかわらず、複雑なワークフローを自動化するのに役立つため、最小限の労力でデータの潜在能力を最大限に引き出すのに役立ちます。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| ビデオの概要 |
-
Azure 統合サービスを使用してエンタープライズ統合を最新化する - Azure Logic Apps を使用して AI をワークフローに統合する - Azure Logic Apps を使用して生成 AI の開発を加速する - Integrate 2024 |
コンテンツを準備する
次の操作は、AI サービス、データ インジェスト、チャットによる対話で使用するためにコンテンツを準備するのに役立ちます。
| 名前 | コネクタまたは操作 | 機能 |
|---|---|---|
| ドキュメントの解析 | アクション (組み込み) |
コンテンツをトークン化された文字列出力に変換し、ファイルの種類が PDF、DOCX、CSV、PPT、HTML などで、複数の言語の何千ものドキュメントをワークフローで読み取って解析できるようにします。 このアクションは、ワークフロー内の Azure AI サービスで使用するためにコンテンツを準備するのに役立ちます。 たとえば、Azure OpenAI や Azure AI 検索などの Azure AI サービス用のコネクタ操作では、通常、トークン化された入力が想定され、限られた数のトークンのみを処理できます。 |
| テキストをチャンクする | アクション (組み込み) |
同じワークフロー内で後続のアクションがより簡単に使用できるように、トークン化された文字列を分割します。 このアクションは、ワークフロー内の Azure AI サービスで使用するためにコンテンツを準備するのに役立ちます。 たとえば、Azure OpenAI や Azure AI 検索などの Azure AI サービス用のコネクタ操作では、通常、トークン化された入力が想定され、限られた数のトークンのみを処理できます。 |
| Azure OpenAI | コネクタ (組み込み) |
高度な AI アプリケーションを作成するために不可欠な AI 機能の操作 (データ インジェスト、埋め込みの生成、チャットの入力候補など) を提供します。 Azure OpenAI の自然言語処理機能を、コードを記述する必要なくベクトル ストアにアクセスして操作するのに役立つ Azure AI 検索やその他のコネクタのインテリジェント検索機能と統合できます。 |
データのインデックス作成とベクトル データベース
次のコネクタは、ベクトル データベース、検索、標準データベースを操作してデータのインデックス作成と取得を行うための操作を提供します。
| 名前 | コネクタ | 機能 |
|---|---|---|
| Azure AI 検索 | コネクタ (組み込み) |
インデックス作成によるデータ取得の強化、高度なベクトル操作、ハイブリッド検索操作など、AI 機能の操作を提供します。 |
| SQL Server | コネクタ (組み込み) |
SQL データベース内の行、テーブル、ストアド プロシージャを操作するための操作を提供します。 |
| Azure Cosmos DB | コネクタ (Azure で管理およびホスト) |
グローバルに分散されたデータベース、エラスティック データベース、個別にスケーラブルなデータベース、マルチモデル データベース内のドキュメントとストアド プロシージャを操作するための操作を提供します。 注; このサービスは、以前は Azure DocumentDB という名前でした。 |
その他のリソース
詳細については、次のリソースを参照してください。
ほぼリアルタイムのデータとのチャット
次のセクションでは、Azure Logic Apps とさまざまな AI サービスを使用して、データに対するほぼリアルタイムのチャット機能を設定する方法について説明します。
Azure Logic Apps を使用して Azure OpenAI アシスタントを構築する
Azure OpenAI を使用すると、Assistants API を使用して、エージェントに似た機能をアプリケーションに簡単に構築できます。 エージェントを構築する機能は以前から存在していましたが、そのプロセスには、多くの場合、大規模なエンジニアリング、外部ライブラリ、および複数の統合が必要でした。 しかし、アシスタントを使用すると、最新の GPT モデル、ツール、知識を使用して、エンタープライズ データでトレーニングされ、さまざまなタスクを処理できるカスタマイズされたステートフルな Copilot を迅速に作成できるようになりました。 現在のリリースには、ファイル検索と参照、強化されたデータ セキュリティ機能、改善されたコントロール、新しいモデル、拡張されたリージョン サポート、プロトタイプから運用環境に簡単に移行できるさまざまな拡張機能などの機能が含まれています。
Azure Logic Apps ワークフローを AI 関数として呼び出して、アシスタントを構築できるようになりました。 コードを記述することなく、Azure OpenAI Studio の Azure OpenAI アシスタント プレイグラウンドからワークフローの検出、インポート、呼び出しを行うことができます。 Assistants プレイグラウンドによって、サブスクリプション内のワークフローのうち関数呼び出しの対象となるものすべてが列挙されて一覧表示されます。
関数呼び出しでアシスタントをテストするには、参照と選択のエクスペリエンスを使用して、ワークフローを AI 関数としてインポートできます。 関数仕様の生成やその他の構成は、ワークフローの Swagger から自動的にプルされます。 関数呼び出しでは、ワークフローはユーザー プロンプトに基づいて呼び出されますが、すべての適切なパラメーターは定義に基づいて渡されます。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| ブログ記事 |
-
関数呼び出しで Azure OpenAI アシスタントを構築する - Azure Logic Apps を使用する Azure AI アシスタント |
| デモ ビデオ | AI プラグインとしての Azure Logic Apps |
| ドキュメント | Azure OpenAI アシスタントを使用して Azure Logic Apps ワークフローを関数として呼び出す |
セマンティック カーネルと統合する
この軽量でオープンソースの開発キットは、AI エージェントを簡単に構築し、最新の AI モデルを C#、Python、または Java のコードベースに統合するのに役立ちます。 最も単純なレベルのカーネルは、AI アプリケーションで実行する必要があるすべてのサービスとプラグインを管理する依存関係挿入コンテナーです。 すべてのサービスとプラグインをカーネルに提供すると、AI は、必要に応じて、これらのコンポーネントをシームレスに使用します。 中央コンポーネントとしてのカーネルは、エンタープライズレベルのソリューションを迅速に提供するのに役立つ効率的なミドルウェアとして機能します。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| ブログ記事 | Standard ロジック アプリ ワークフローをプラグインとしてセマンティック カーネルと統合する: ステップバイステップ ガイド |
| GitHub サンプル | Azure Logic Apps 用のセマンティック カーネル |
| ドキュメント | セマンティック カーネルの概要 |
インテリジェントなドキュメントの収集と処理を管理する
さまざまなデータ型の大量のデータがフォームやドキュメントに格納されている場合、Azure AI Document Intelligence と Azure Logic Apps を使用すると、インテリジェント ドキュメント処理ワークフローを構築できます。 Document Intelligence は、データの収集と処理の速度を管理するのに役立ちます。 Azure Logic Apps では、Document Intelligence コネクタによって、さまざまなドキュメントからテキストやその他の情報を抽出するのに役立つ操作が提供されます。
注
Document Intelligence コネクタは、現在、Azure Logic Apps のワークフロー デザイナーのコネクタ ギャラリーでは Form Recognizer という名前です。 マルチテナント Azure でホストおよび実行されるコネクタの操作は、ギャラリー内の [共有] ラベルの下にあります。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| デモ ビデオ | Azure Logic Apps と AI を使用した請求書処理 |
| ドキュメント |
-
Azure Logic Apps を使用して Document Intelligence ワークフローを作成する - Form Recognizer コネクタのリファレンス |
検索拡張生成 (RAG)
質問への回答や文章の完成などのタスクのためのオリジナルの出力を生成するために、ChatGPT などの生成 AI モデルまたは大規模言語モデル (LLM) は、膨大な量の静的データと数十億ものパラメーターを使用してトレーニングされます。 取得拡張生成は、検索拡張生成は、情報取得機能を LLM に追加し、LLM の対話を変更して、LLM が、モデル自身のトレーニング データを拡張するコンテンツを参照してユーザーのクエリに応答できるようにする方法です。 この機能により、LLM は、ドメイン固有の情報または更新された情報を使用し、社内データや信頼できるソースによって提供された事実情報へのチャットボット アクセスを提供するためのユース ケースを実装できます。
RAG は、モデルを再トレーニングすることなく、LLM の既に強力な機能を特定の分野や組織の内部ナレッジ ベースに拡張します。 RAG のアーキテクチャは、LLM の出力を改善し、その関連性、正確性、有用性を維持するための費用対効果の高いアプローチも提供します。
例
以下の例は、Azure Logic Apps で Standard ワークフローを使用して、RAG パターンを適用または実装する方法を示しています。
Azure Logic Apps を使用して RAG ベースのエンド ツー エンド AI アプリケーションを作成する
Azure Logic Apps (Standard) を使用して RAG ベースのエンド ツー エンド AI アプリケーションを構築する
保険データとのチャット
この例では、ワークフローで保険会社のドキュメントとデータを取り込み、従業員がプランの補償範囲の利点やオプションについて質問できるようにする従来の RAG パターンを使用します。
詳細については、次のリソースを参照してください。
StackOverflow の質問に対する回答を自動化する
この例では、Azure OpenAI および Azure AI 検索コネクタを使用して、ワークフローが特定のハッシュタグが付いた新しい StackOverflow の質問に自動的に回答する方法を示します。 このサンプルでは、以前の投稿や製品ドキュメントを取り込むことができるため、新しい質問が利用可能になると、ソリューションはナレッジ ベースを使用し、StackOverflow に投稿する前に応答の承認を人間に求めて、自動的に回答することができます。
このワークフローは、好みに応じて毎日、毎週、または毎月トリガーされるようにカスタマイズでき、任意のハッシュタグに対して独自の自動応答システムを設定して、コミュニティ サポートを効率化できます。 また、安全なアクセスのために Azure Logic Apps コネクタを使用して、このソリューションを Outlook、ServiceNow、またはその他のプラットフォームのチケットに適応させることもできます。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| ブログ記事 | Azure OpenAI と Azure Logic Apps を使用して StackOverflow のクエリに対する応答を自動化する |
| GitHub サンプル | StackOverflow の未回答の質問に対する応答を自動化する |
ドキュメントを取り込んでデータとチャットする
データは、あらゆる AI アプリケーションの基礎であり、組織ごとに固有です。 AI アプリケーションを構築する場合、効率的なデータ インジェストは成功に不可欠です。 データが存在する場所に関係なく、Azure Logic Apps を使用して Standard ワークフローを構築すると、コードをほとんどまたはまったく使用しないで、AI を新規および既存のビジネス プロセスに統合できます。
1,400 を超えるエンタープライズ コネクタと操作が用意されているため、Azure Logic Apps を使用すると、さまざまなサービス、システム、アプリケーション、データベースにすばやくアクセスしてタスクを実行できます。 これらのコネクタを Azure OpenAI や Azure AI 検索などの AI サービスと共に使用すると、組織は、日常的なタスクの自動化、チャット機能による顧客との対話の強化、必要に応じた組織データへのアクセスの提供、インテリジェントな分析情報や応答の生成などのワークロードを変革できます。 これらの操作に加えて、Azure Logic Apps では、SharePoint、Azure File Storage、Blob Storage、SFTP などの多くの一般的なデータ ソースからデータを取り込む事前構築済みのワークフロー テンプレートも提供されており、アプリケーションを迅速に構築するのに役立ちます。
たとえば、ワークフローで Azure OpenAI および Azure AI 検索コネクタ操作を使用して AI サービスを統合すると、組織は取得拡張生成 (RAG) パターンをシームレスに実装できます。 このアーキテクチャには情報取得システムが含まれており、大規模言語モデル (LLM) を再トレーニングする必要なく、ドメイン固有または信頼できるナレッジを参照してモデルのトレーニング データを拡張し、コストを最小限に抑えます。 詳細については、このガイドで後述する「取得拡張生成 (RAG)」セクションを参照してください。
詳細については、次のリソースを参照してください。
| リソースの種類 | リンク |
|---|---|
| ブログ記事 | Azure Logic Apps を使用して 1,000 以上のデータ ソースから生成 AI アプリケーション用のドキュメントを取り込む |
| デモ ビデオ | Azure Logic Apps (Standard) を使用して RAG に基づいてドキュメントを取り込む |
ワークフロー テンプレートを使用したクイックスタート
Standard ロジックアプリまたは従量課金ロジックアプリに新しいワークフローを追加する場合は、あらかじめ用意されたテンプレートを開始点として選択できます。 各テンプレートは、特定のシナリオをサポートする一般的なワークフロー パターンに従います。 また、ワークフロー テンプレートを作成し、それをテンプレート GitHub リポジトリに公開して、他のワークフロー開発者と共有することもできます。
次の表に、いくつかのワークフロー テンプレートの例を示します。
| ドキュメント ソース | テンプレートの説明 | AI サービス |
|---|---|---|
| Azure AI ドキュメントインテリジェンス | 標準： - Azure OpenAI を使用して複雑なドキュメントを分析する |
- Azure OpenAI の |
| Azure Blob Storage (アジュール・ブロブ・ストレージ) | 標準： - RAG パターンを使用してファイルを取り込み、インデックスを作成する - RAG パターンを使用して Azure Cosmos DB for NoSQL にドキュメントを取り込んでベクター化する |
- Azure OpenAI Azure AI 検索 |
| Azure File Storage | 標準： - スケジュールに従って AI Search にドキュメントを取り込む - RAG パターンを使用してスケジュールに従ってファイルを取り込み、インデックスを作成する - RAG パターンを使用してファイルを取り込み、インデックスを作成する |
- Azure OpenAI Azure AI 検索 |
| 要求ベース | 標準： - RAG パターンを使用してドキュメントとチャットする - RAG パターンを使用してドキュメントを取り込み、インデックスを作成する |
- Azure OpenAI Azure AI 検索 |
| OneDrive for Business | 消費： - OneDrive for Business から AI Search にスケジュールに従ってファイルをベクター化する 標準： - RAG パターンを使用してファイルを取り込み、インデックスを作成する - OneDrive から AI Search にスケジュールに従ってドキュメントを取り込む |
- Azure OpenAI Azure AI 検索 |
| SAP（エスエーピー） | 消費： - OData を使用してビジネス パートナーを SharePoint フォルダーに同期する |
|
| SFTP | 標準： - RAG パターンを使用してファイルを取り込み、インデックスを作成する |
- Azure OpenAI Azure AI 検索 |
| SharePoint オンライン | 消費： -SharePoint Online から AI Search への要求に応じてファイルをベクター化する 標準： - RAG パターンを使用してファイルを取り込み、インデックスを作成する - RAG パターンを使用して、Azure OpenAI LLM を使用して AI Search にドキュメントのインデックスを作成し、取得し、理由を指定する |
- Azure OpenAI Azure AI 検索 |
詳細については、次のリソースを参照してください。