적용 대상: Azure Logic Apps(사용량 + 표준)
AI 기능은 채팅 상호 작용과 같은 유용하거나 시간이 절약되거나 새로운 작업을 수행하여 애플리케이션 및 기타 소프트웨어에서 빠르게 증가하는 역할을 합니다. 또한 이러한 기능을 통해 엔터프라이즈 또는 조직의 서비스, 시스템, 앱 및 데이터에 통합 워크로드를 빌드할 수 있습니다.
이 가이드에서는 Azure Logic Apps에서 자동화된 워크플로로 빌드된 통합 솔루션에서 함께 작동하는 다른 서비스, 시스템, 앱 및 데이터와 함께 Azure OpenAI 및 Azure AI Search와 같은 AI 서비스를 사용하는 방법을 보여 주는 구성 요소, 예제, 샘플 및 기타 리소스를 제공합니다.
AI 에이전트 및 모델 기반 워크플로(미리 보기)
Azure Logic Apps는 Azure OpenAI Service에서 LLM(대규모 언어 모델)이 있는 에이전트를 사용하여 작업을 완료하는 표준 논리 앱 워크플로를 지원합니다. 에이전트는 반복 루프 프로세스를 사용하여 복잡한 다단계 문제를 해결합니다. 큰 언어 모델은 패턴을 인식하고 사용자 상호 작용 없이 작업을 수행하도록 학습된 프로그램입니다. 예를 들면 다음과 같습니다.
- 정보를 분석하고 해석하며 지침, 프롬프트, 입력 및 기타 데이터에 대해 사고합니다.
- 결과 및 사용 가능한 데이터에 따라 결정을 내립니다.
- 에이전트의 지침에 따라 프롬프트에 답변을 작성하고 다시 반환합니다.
표준 논리 앱을 만든 후 에이전트 워크플로 유형을 사용하는 워크플로를 추가합니다. 에이전트 유형은 기본 에이전트를 포함하는 부분 워크플로를 만듭니다. 이 에이전트는 자율적으로 작동하지만 채팅 인터페이스를 통해 사용자와 상호 작용하도록 에이전트를 설정할 수 있습니다. 에이전트는 자연어를 사용하여 사용자 및 연결된 모델과 통신합니다. 또한 에이전트는 모델 생성 출력을 사용하여 사람의 상호 작용 여부에 관계없이 작업을 수행합니다. 이 모델은 에이전트가 다음 기능을 제공하는 데 도움이 됩니다.
- 에이전트가 수행하는 작업, 작동 방법 및 응답 방법에 대한 정보를 수락합니다.
- 자율적으로 또는 채팅을 통해 요청(프롬프트)을 수신하고 응답합니다.
- 사용 가능한 정보에 따라 입력을 처리하고, 데이터를 분석하고, 선택합니다.
- 요청을 수행하는 데 필요한 작업을 완료하는 도구를 선택합니다. 기본적으로 도구 는 작업을 완료하는 하나 이상의 작업이 있는 시퀀스입니다. 도구는 트리거가 아닌 작업만 사용할 수 있습니다.
- 유연성이 필요하고 유동적이고, 동적이거나, 예측할 수 없거나, 불안정한 환경에 적응합니다.
에이전트에서 도구를 빌드하는 데 사용할 수 있는 1,400개 이상의 커넥터 를 사용하여 에이전트 워크플로는 에이전트 및 모델 기능의 이점을 크게 활용할 수 있는 광범위한 시나리오를 지원합니다. 사용 사례에 따라 에이전트는 사람의 상호 작용 여부에 관계없이 작업을 수행할 수 있습니다.
자세한 내용은 다음 리소스를 참조하세요.
AI 솔루션의 구성 요소
이 섹션에서는 기본 제공 작업 및 문서 수집과 같은 AI 통합 시나리오를 위한 표준 워크플로를 빌드하는 데 사용할 수 있는 설명서에 대한 링크를 설명하여 고객이 "데이터와 채팅"할 수 있도록 합니다.
참고 항목
기본 제공 작업 및 커넥터와 같은 AI 구성 요소는 소비 및 표준 워크플로 모두에 사용할 수 있습니다. 그러나 예제, 샘플 및 리소스는 표준 워크플로를 예제로 사용합니다. 이 문서는 시간이 지남에 따라 더 많은 지침으로 발전함에 따라 계속 지켜봐 주시기 바랍니다.
예를 들어 Azure OpenAI 및 Azure AI Search 커넥터는 코드 없는 설정으로 백 엔드 프로세스를 간소화하고 AI 기능을 워크플로에 통합하는 복잡성을 줄이는 작업을 제공합니다. 이러한 작업에는 사용자 지정 코드, 논리 또는 구성을 사용할 필요가 없습니다. 이 코드 없는 접근 방식을 사용하면 작업에서 문서 구문 분석, 데이터 청크 또는 생성 AI 모델 전원을 공급하는 등 복잡한 워크플로를 자동화할 수 있으므로 최소한의 노력으로 데이터의 잠재력을 최대한 활용할 수 있습니다.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 비디오 개요 |
-
Azure Integration Services와 엔터프라이즈 통합 현대화 - Azure Logic Apps를 사용하여 워크플로에 AI 통합 - Azure Logic Apps를 사용하여 생성 AI 개발 가속화 - 2024 통합 |
콘텐츠 준비
다음 작업을 통해 AI 서비스, 데이터 수집 및 채팅 상호 작용에서 사용할 콘텐츠를 준비할 수 있습니다.
| 속성 | 커넥터 또는 작업? | 기능 |
|---|---|---|
| 문서 구문 분석 | 행동 (기본 제공) |
워크플로가 PDF, DOCX, CSV, PPT, HTML 등의 파일 형식을 사용하여 여러 언어로 수천 개의 문서를 읽고 구문 분석할 수 있도록 콘텐츠를 토큰화된 문자열 출력으로 변환합니다. 이 작업은 워크플로에서 Azure AI 서비스에서 사용할 콘텐츠를 준비하는 데 도움이 됩니다. 예를 들어 Azure OpenAI 및 Azure AI Search와 같은 Azure AI 서비스에 대한 커넥터 작업은 일반적으로 토큰화된 입력을 예상하며 제한된 수의 토큰만 처리할 수 있습니다. |
| 청크 텍스트 | 행동 (기본 제공) |
토큰화된 문자열을 조각으로 분할하여 후속 작업을 동일한 워크플로에서 더 쉽게 사용할 수 있도록 합니다. 이 작업은 워크플로에서 Azure AI 서비스에서 사용할 콘텐츠를 준비하는 데 도움이 됩니다. 예를 들어 Azure OpenAI 및 Azure AI Search와 같은 Azure AI 서비스에 대한 커넥터 작업은 일반적으로 토큰화된 입력을 예상하며 제한된 수의 토큰만 처리할 수 있습니다. |
| Azure OpenAI | 커넥터 (기본 제공) |
정교한 AI 애플리케이션을 만드는 데 중요한 데이터 수집, 포함 생성 및 채팅 완성과 같은 AI 기능에 대한 작업을 제공합니다. 코드를 작성하지 않고도 벡터 저장소에 액세스하고 작업하는 데 도움이 되는 Azure AI Search 및 기타 커넥터의 지능형 검색 기능과 Azure OpenAI의 자연어 처리 기능을 통합할 수 있습니다. |
데이터 인덱싱 및 벡터 데이터베이스
다음 커넥터는 벡터 데이터베이스, 검색 및 표준 데이터베이스를 사용하여 데이터 인덱싱 및 검색 작업을 제공합니다.
| 속성 | 커넥터 | 기능 |
|---|---|---|
| Azure AI 검색 | 커넥터 (기본 제공) |
인덱싱, 고급 벡터 작업 및 하이브리드 검색 작업을 사용하여 데이터 검색 향상과 같은 AI 기능을 위한 작업을 제공합니다. |
| SQL Server | 커넥터 (기본 제공) |
SQL 데이터베이스에서 행, 테이블 및 저장 프로시저를 사용하기 위한 작업을 제공합니다. |
| Azure Cosmos DB | 커넥터 (Azure 관리 및 호스트) |
전역적으로 분산되고 탄력적이고 독립적으로 확장 가능한 다중 모델 데이터베이스에서 문서 및 저장 프로시저를 사용하기 위한 작업을 제공합니다. 참고: 이 서비스는 이전에 Azure DocumentDB로 명명되었습니다. |
추가 리소스
자세한 내용은 다음 리소스를 참조하세요.
데이터와 거의 실시간으로 채팅
다음 섹션에서는 Azure Logic Apps 및 다양한 AI 서비스를 사용하여 데이터에 대해 거의 실시간으로 채팅 기능을 설정할 수 있는 방법을 설명합니다.
Azure Logic Apps를 사용하여 Azure OpenAI Assistants 빌드
Azure OpenAI를 사용하면 Assistants API를 사용하여 애플리케이션에 에이전트와 같은 기능을 쉽게 빌드할 수 있습니다. 에이전트를 빌드하는 기능은 이전에 존재했지만 프로세스에 중요한 엔지니어링, 외부 라이브러리 및 여러 통합이 필요한 경우가 많습니다. 그러나 이제 Assistants를 사용하면 엔터프라이즈 데이터에 대해 학습되고 최신 GPT 모델, 도구 및 지식을 사용하여 다양한 작업을 처리할 수 있는 사용자 지정된 상태 저장 부조종사로 신속하게 만들 수 있습니다. 현재 릴리스에는 파일 검색 및 찾아보기 도구, 향상된 데이터 보안 기능, 향상된 컨트롤, 새 모델, 확장된 지역 지원 및 프로토타입에서 프로덕션으로 쉽게 이동할 수 있는 다양한 향상된 기능이 포함되어 있습니다.
이제 Azure Logic Apps 워크플로를 AI 함수로 호출하여 도우미를 빌드할 수 있습니다. 코드를 작성하지 않고 Azure OpenAI Assistants 플레이그라운드에서 Azure OpenAI Studio에서 워크플로를 검색, 가져오기 및 호출할 수 있습니다. Assistants 플레이그라운드는 함수 호출에 적합한 구독의 모든 워크플로를 열거하고 목록으로 만듭니다.
함수 호출을 사용하여 길잡이를 테스트하려면 찾아보기 및 선택 환경을 사용하여 워크플로를 AI 함수로 가져올 수 있습니다. 함수 사양 생성 및 기타 구성은 워크플로에 대해 Swagger에서 자동으로 가져옵니다. 함수 호출은 사용자 프롬프트에 따라 워크플로를 호출하지만, 모든 적절한 매개 변수는 정의에 따라 전달됩니다.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 블로그 문서 |
-
함수 호출을 사용하여 Azure OpenAI 도우미 빌드 - Azure Logic Apps를 사용하는 Azure AI Assistants |
| 데모 비디오 | AI 플러그 인으로서의 Azure Logic Apps |
| 설명서 | Azure OpenAI Assistants를 사용하여 Azure Logic Apps 워크플로를 함수로 호출 |
의미 체계 커널과 통합
이 간단한 오픈 소스 개발 키트를 사용하면 AI 에이전트를 쉽게 빌드하고 최신 AI 모델을 C#, Python 또는 Java 코드베이스에 통합할 수 있습니다. 가장 간단한 수준에서 커널은 AI 애플리케이션을 실행하는 데 필요한 모든 서비스 및 플러그 인을 관리하는 종속성 주입 컨테이너입니다. 커널에 모든 서비스 및 플러그 인을 제공하는 경우 AI는 필요에 따라 이러한 구성 요소를 원활하게 사용합니다. 중앙 구성 요소인 커널은 엔터프라이즈급 솔루션을 신속하게 제공하는 데 도움이 되는 효율적인 미들웨어 역할을 합니다.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 블로그 문서 | 표준 논리 앱 워크플로를 의미 체계 커널과 플러그 인으로 통합: 단계별 가이드 |
| GitHub 샘플 | Azure Logic Apps용 의미 체계 커널 |
| 설명서 | 의미 체계 커널 소개 |
지능형 문서 수집 및 처리 관리
Azure AI Document Intelligence 및 Azure Logic Apps를 사용하면 양식 및 문서에 저장되는 다양한 데이터 형식으로 대량의 데이터가 있는 경우 지능형 문서 처리 워크플로를 빌드할 수 있습니다. 문서 인텔리전스를 사용하면 데이터 수집 및 처리 속도를 관리할 수 있습니다. Azure Logic Apps에서 Document Intelligence 커넥터는 다양한 문서에서 텍스트 및 기타 정보를 추출하는 데 도움이 되는 작업을 제공합니다.
참고 항목
Document Intelligence 커넥터는 현재 Azure Logic Apps용 워크플로 디자이너의 커넥터 갤러리에서 Form Recognizer로 명명되었습니다. 갤러리의 공유 레이블 아래에서 다중 테넌트 Azure에서 호스트되고 실행되는 커넥터의 작업을 찾을 수 있습니다.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 데모 비디오 | Azure Logic Apps 및 AI를 사용하여 송장 처리 |
| 설명서 |
-
Azure Logic Apps를 사용하여 문서 인텔리전스 워크플로 만들기 - Form Recognizer 커넥터 참조 |
RAG(Retrieval-augmented Generation)
질문에 답변하고 문장을 완성하는 등의 작업에 대한 원래 출력을 생성하기 위해 생성 AI 모델 또는 ChatGPT와 같은 LLM(대규모 언어 모델)은 방대한 양의 정적 데이터와 수십억 개의 매개 변수를 사용하여 학습됩니다. 검색 보강 생성 은 LLM에 정보 검색 기능을 추가하고 해당 상호 작용을 수정하여 LLM이 모델의 학습 데이터를 보강하는 콘텐츠를 참조하여 사용자 쿼리에 응답할 수 있도록 하는 방법입니다. 이 기능을 사용하면 LLM은 도메인별 또는 업데이트된 정보를 사용하고 내부 회사 데이터에 대한 챗봇 액세스 또는 신뢰할 수 있는 원본에서 제공하는 사실 정보에 대한 챗봇 액세스를 제공하기 위한 사용 사례를 구현할 수 있습니다.
RAG는 모델을 다시 학습할 필요 없이 LLM의 이미 강력한 기능을 특정 도메인 또는 조직의 내부 기술 자료 확장합니다. 또한 RAG 아키텍처는 LLM 출력을 관련성이 높고 정확하며 유용하게 유지하는 비용 효율적인 접근 방식을 제공합니다.
예제
다음 예제에서는 Azure Logic Apps에서 표준 워크플로를 사용하여 RAG 패턴을 적용하거나 구현하는 방법을 보여 줍니다.
Azure Logic Apps를 사용하여 엔드 투 엔드 RAG 기반 AI 애플리케이션 만들기
Azure Logic Apps(표준)를 사용하여 엔드 투 엔드 RAG 기반 AI 애플리케이션 빌드
보험 데이터와 채팅
이 예제에서는 워크플로가 보험 회사의 문서 및 데이터를 수집하는 클래식 RAG 패턴을 사용하여 직원이 플랜 적용 범위에 대한 혜택 및 옵션에 대해 질문할 수 있도록 합니다.
자세한 내용은 다음 리소스를 참조하세요.
StackOverflow 질문에 대한 답변 자동화
이 예제에서는 Azure OpenAI 및 Azure AI Search 커넥터를 사용하여 워크플로가 특정 해시 태그를 사용하여 새 StackOverflow 질문에 자동으로 답변하는 방법을 보여 줍니다. 샘플은 이전 게시물 및 제품 설명서를 수집하여 새 질문을 사용할 수 있는 경우 솔루션이 기술 자료 사용한 다음, StackOverflow에 게시하기 전에 사용자에게 응답을 승인하도록 요청하여 자동으로 답변할 수 있도록 할 수 있습니다.
기본 설정에 따라 매일, 매주 또는 매월 트리거하도록 이 워크플로를 사용자 지정하고, 커뮤니티 지원을 간소화하는 모든 해시태그에 대해 고유한 자동 응답 시스템을 설정할 수 있습니다. 보안 액세스를 위해 Azure Logic Apps 커넥터를 사용하여 Outlook, ServiceNow 또는 기타 플랫폼의 티켓에 이 솔루션을 적용할 수도 있습니다.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 블로그 문서 | Azure OpenAI 및 Azure Logic Apps를 사용하여 StackOverflow 쿼리에 대한 응답 자동화 |
| GitHub 샘플 | 답변이 없는 StackOverflow 질문에 대한 응답 자동화 |
문서 수집 및 데이터로 채팅
데이터는 모든 AI 애플리케이션의 초석이며 각 조직에 대해 고유합니다. AI 애플리케이션을 빌드할 때 효율적인 데이터 수집은 성공에 매우 중요합니다. 데이터가 어디에 있든, Azure Logic Apps를 사용하여 표준 워크플로를 빌드하여 코드를 거의 또는 전혀 사용하지 않고 AI를 신규 및 기존 비즈니스 프로세스에 통합할 수 있습니다.
1,400개가 넘는 엔터프라이즈 커넥터 및 작업을 통해 Azure Logic Apps를 사용하면 광범위한 서비스, 시스템, 애플리케이션 및 데이터베이스를 사용하여 작업에 빠르게 액세스하고 수행할 수 있습니다. Azure OpenAI 및 Azure AI Search와 같은 AI 서비스와 함께 이러한 커넥터를 사용하는 경우 조직은 일상적인 작업 자동화, 채팅 기능과의 고객 상호 작용 향상, 필요한 경우 조직 데이터에 대한 액세스 제공, 지능형 인사이트 또는 응답 생성과 같은 워크로드를 변환할 수 있습니다. 이러한 작업과 함께 Azure Logic Apps는 SharePoint, Azure File Storage, Blob Storage, SFTP 등과 같은 많은 공통 데이터 원본에서 데이터를 수집하여 신속하게 빌드하고 애플리케이션을 빌드하는 데 도움이 되는 미리 빌드된 워크플로 템플릿도 제공합니다.
예를 들어 워크플로에서 Azure OpenAI 및 Azure AI Search 커넥터 작업을 사용하여 AI 서비스를 통합하면 조직에서 RAG(검색 보강 세대) 패턴을 원활하게 구현할 수 있습니다. 이 아키텍처는 정보 검색 시스템을 포함하며, 모델을 다시 학습할 필요 없이 도메인별 또는 신뢰할 수 있는 지식을 참조하여 LLM(대규모 언어 모델)에 대한 학습 데이터를 보강하여 비용을 최소화합니다. 자세한 내용은 이 가이드의 뒷부분에 있는 RAG(검색 보강 생성) 섹션 을 참조하세요.
자세한 내용은 다음 리소스를 참조하세요.
| 리소스 종류 | 링크 |
|---|---|
| 블로그 문서 | Azure Logic Apps를 사용하여 1,000개 이상의 데이터 원본에서 생성 AI 애플리케이션에 대한 문서 수집 |
| 데모 비디오 | Azure Logic Apps(표준)를 사용하여 RAG 기반 문서 수집 |
워크플로 템플릿을 사용하는 빠른 시작
표준 또는 소비 논리 앱에 새 워크플로를 추가할 때 미리 빌드된 템플릿을 시작점으로 선택할 수 있습니다. 각 템플릿은 특정 시나리오를 지원하는 일반적인 워크플로 패턴을 따릅니다. 또한 템플릿 GitHub 리포지토리에 게시하여 다른 워크플로 개발자와 공유할 수 있는 워크플로 템플릿을 만들 수도 있습니다.
다음 표에서는 몇 가지 예제 워크플로 템플릿에 대해 설명합니다.
| 문서 원본 | 템플릿 설명 | AI 서비스 |
|---|---|---|
| Azure AI 문서 인텔리전스 | 표준: - Azure OpenAI를 사용하여 복잡한 문서 분석 |
- 애저 오픈AI |
| Azure Blob Storage (애저 블롭 스토리지) | 표준: - RAG 패턴을 사용하여 파일 수집 및 인덱싱 - RAG 패턴을 사용하여 NoSQL용 Azure Cosmos DB로 문서 수집 및 벡터화 |
- Azure OpenAI - Azure AI Search |
| Azure File Storage | 표준: - 일정에 따라 AI Search로 문서 수집 - RAG 패턴을 사용하여 일정에 따라 파일 수집 및 인덱싱 - RAG 패턴을 사용하여 파일 수집 및 인덱싱 |
- Azure OpenAI - Azure AI Search |
| 요청 기반 | 표준: - RAG 패턴을 사용하여 문서와 채팅 - RAG 패턴을 사용하여 문서 수집 및 인덱싱 |
- Azure OpenAI - Azure AI Search |
| 비즈니스용 OneDrive | 소비: - 비즈니스용 OneDrive에서 AI Search로 일정에 따라 파일 벡터화 표준: - RAG 패턴을 사용하여 파일 수집 및 인덱싱 - OneDrive에서 AI Search로 일정에 따라 문서 수집 |
- Azure OpenAI - Azure AI Search |
| 수액 | 소비: - OData를 사용하여 비즈니스 파트너를 SharePoint 폴더에 동기화 |
|
| SFTP | 표준: - RAG 패턴을 사용하여 파일 수집 및 인덱싱 |
- Azure OpenAI - Azure AI Search |
| SharePoint 온라인 | 소비: -SharePoint Online에서 AI Search로 요청 시 파일 벡터화 표준: - RAG 패턴을 사용하여 파일 수집 및 인덱싱 - RAG 패턴과 Azure OpenAI LLM을 사용하여 AI Search에 문서를 인덱싱하고 검색 및 추론합니다. |
- Azure OpenAI - Azure AI Search |
자세한 내용은 다음 리소스를 참조하세요.