다음을 통해 공유

Python S FabrDK 및 Synapse ML(미리 보기)과 함께 에서 Azure OpenAI 사용

중요합니다

이 기능은 미리 보기로 제공됩니다.

이 문서에서는 OpenAI Python SDK 및 SynapseML을 사용하여 Fabric에서 Azure OpenAI를 사용하는 방법을 보여 줍니다.

필수 조건

OpenAI Python SDK는 기본 런타임에 설치되지 않으므로 먼저 설치해야 합니다. 환경을 런타임 버전 1.3 이상으로 변경합니다.

%pip install -U openai

채팅

이전 단계에서 설명한 셀과 별도로 이 코드를 사용하여 Fabric Notebook에 새 셀을 만들어 OpenAI 라이브러리를 설치합니다. GPT-4.1 및 GPT-4.1-mini는 대화형 인터페이스에 최적화된 언어 모델입니다. 여기에 제시된 예제는 간단한 채팅 완료 작업을 보여주며 자습서로 사용할 수 없습니다.

비고

OpenAI Python SDK의 버전에 따라 메서드 이름과 매개 변수가 다를 수 있습니다. 사용 중인 버전에 대한 공식 설명서를 참조하세요.

import openai

response = openai.ChatCompletion.create(
    deployment_id="gpt-4.1",
    messages=[
        
{
  "role": "user",
  "content": """Analyze the following text and return a JSON array of issue insights.

Each item must include:
- issue_brief (1 sentence)
- scenario
- severity (high | medium | low)
- verbatim_quotes (list)
- recommended_fix

Text:
We booked the hotel room in advance for our family trip. The check-in the great however the room service was slow and pool was closed

Return JSON only.
"""
}

    ],

)
print(f"{response.choices[0].message.role}: {response.choices[0].message.content}")

출력


assistant: [
  {
    "issue_brief": "Room service was slow during the stay.",
    "scenario": "Guests experienced delays in receiving room service after check-in.",
    "severity": "medium",
    "verbatim_quotes": [
      "the room service was slow"
    ],
    "recommended_fix": "Improve staffing or training for room service to ensure timely delivery of services."
  },
  {
    "issue_brief": "The hotel pool was unavailable during the stay.",
    "scenario": "Guests were unable to use the pool because it was closed.",
    "severity": "medium",
    "verbatim_quotes": [
      "pool was closed"
    ],
    "recommended_fix": "Notify guests in advance about facility closures and provide alternative amenities or compensation if possible."
  }
]

포함(Embeddings)

이전 단계에서 설명한 셀과 별도로 이 코드를 사용하여 Fabric Notebook에 새 셀을 만들어 openai 라이브러리를 설치합니다. 포함은 기계 학습 모델 및 알고리즘에서 쉽게 활용할 수 있는 특수한 형식의 데이터 표현입니다. 부동 소수점 숫자의 벡터로 표현되는 텍스트의 정보가 풍부한 의미 체계 의미를 포함합니다. 벡터 공간에서 두 포함 간의 거리는 두 원본 입력 간의 의미론적 유사성과 관련이 있습니다. 예를 들어 두 텍스트가 비슷한 경우 벡터 표현도 유사해야 합니다.

여기에 설명된 예제에서는 포함을 가져오는 방법을 보여주며 이는 자습서로 의도된 것은 아닙니다.

response = openai.embeddings.create(
         input="The food was delicious and the waiter...",
         model="text-embedding-ada-002"  # Or another embedding model
     )

print(response)

출력

    CreateEmbeddingResponse(
        data=[
            Embedding(
                embedding=[
                    0.0022756962571293116,
                    -0.009305915795266628,
                    0.01574261300265789,
                    ...
                    -0.015387134626507759,
                    -0.019424352794885635,
                    -0.0028009789530187845
                ],
                index=0,
                object='embedding'
        )
        ],
        model='text-embedding-ada-002',
        object='list',
        usage=Usage(
            prompt_tokens=8,
            total_tokens=8
        )
    )

관련 콘텐츠

  • Last updated on