MS_AzureOpenAIService - NetDevInfraWGinOSSConsortium/NetDevInfraWiki GitHub Wiki

Azure OpenAI Service

概要

  • Azure OpenAI Service は、Microsoft Azureの一部として提供される
    サービスで、OpenAI の高度な人工知能（AI）モデルを
    Azureプラットフォーム上で利用可能にするものです。

  • 具体的には、GPT-3 やその後継モデルなどの自然言語処理（NLP）モデルを利用して、
    テキスト生成、言語翻訳、質問応答、要約、感情分析など、
    多様なアプリケーションを開発できます。

  • 主な特徴と利点は以下の通りです：

    • 高性能な AI モデル:
      GPT-3 やその後のバージョンなど、OpenAI の最先端の AI モデルを利用できます。
      これにより、自然な言語生成や高度な理解力を持つアプリケーションを構築可能です。

    • スケーラビリティ:
      Azure のクラウドインフラストラクチャを利用することで、
      大規模なデータ処理や高トラフィックに対応できます。
      必要に応じてリソースを拡張・縮小することが容易です。

    • セキュリティとコンプライアンス:
      Microsoft Azureのセキュリティフレームワークを活用し、
      データのプライバシーとセキュリティを確保できます。
      多くの業界標準や規制にも対応しています。

    • 統合とカスタマイズ:

      • Azure の他のサービス（例えば、
        Azure Cognitive Servicesや
        Azure Machine Learning）と
        簡単に統合できるため、包括的な AI ソリューションを構築しやすくなっています。
      • さらに、モデルのカスタマイズやトレーニングもサポートされており、
        特定のビジネスニーズに合わせた調整が可能です。
      • ※ 法人利用において、特に重要な点に、リージョンの指定があり、
        コレをサポートしている（グローバル標準デプロイでない、
        標準デプロイでサポートされているモデルを選択する）。

    • API ベースのアクセス:
      RESTful API を通じて AI モデルにアクセスできるため、
      さまざまなアプリケーションやプラットフォームから簡単に利用できます。

  • Azure OpenAI Service を利用することで、企業は高度な AI 機能を迅速に導入し、
    業務効率の向上、カスタマーエクスペリエンスの改善、
    新しいビジネスモデルの創出などを実現できます。

補足（データが学習に使われない点が本質）: 「セキュリティとコンプライアンス」
として挙げられている内容のうち、法人利用で最も重視されるのは
入力したプロンプトや出力が OpenAI / Microsoft のモデル学習に
使用されないという契約上の保証である。
加えて、

  • リージョンの固定（本文の「※」の項目。データの保存先を国内に留める）
  • Private Endpoint / VNET 統合によるネットワーク的な閉域化
    （Azure Private Linkを参照）
  • コンテンツ フィルタと不正使用監視のオプトアウト申請

といった点が、パブリックの OpenAI API との実務上の差になる。

詳細

実際に構築してみる。

Azure CLI 利用手順で構築

移行メモ（未記述）: Azure CLIによる構築手順は、
元ページでは見出し（「...」が 2 つ）のみで本文が書かれていない。
原文のまま残す。
参考までに、CLI では az cognitiveservices account create
（--kind OpenAI）でリソースを作成し、
az cognitiveservices account deployment create でモデルをデプロイする。

MS のポータル利用手順で構築

  • ポータルで Azure OpenAI を検索
  • Azure OpenAI の作成ボタンを押下する。

移行メモ（誤字）: 元ページの「AzureOpneAI」は
「Azure OpenAI」の誤りと解して修正した（2 箇所）。

リソースの作成

  • 基本情報としてリソース作成に関する入力欄に入力を行い ［次へ］
  • サブスクリプション、リソース グループ、リージョン、名前、価格レベル

ネットワーク セキュリティの構成

必要に応じて、後で構成するため、［次へ］

構成確認＋リソース作成

  • ［次へ］ → ［確認と送信］ → ［作成］
  • ［デプロイが完了しました］（この時点でデプロイはまだされていない）
  • ［リソースに移動］ → ［Azure AI Foundry ポータルに移動］
  • （この状態で［Azure OpenAI］というリソースができている状態）

補足（「デプロイ」が 2 つの意味で出てくる）: この手順が
分かりにくいのは、「デプロイ」という語が 2 つの意味で使われているためである。

意味
［デプロイが完了しました］ ARM のリソース デプロイ（Azure リソースが作られた）
下記「モデルをデプロイ」 モデル デプロイ（そのリソース上に推論エンドポイントを立てる）

前者が終わっても後者は未実施であり、
元ページの「（この時点でデプロイはまだされていない）」という注記は
この 2 つ目を指している。

モデルをデプロイ

Azure AI Foundry ポータルで、使用可能ないくつかのモデルから選択してデプロイする。

  • ［Azure OpenAI］リソースの左メニューの［共有リソース］から［デプロイ］を選択する。

    • とりま、モデル［gpt-4o］を種類［グローバル標準］でデプロイする

      • デプロイ名は既定値から要変更、また、種類［リージョン］選ぶと
        意味不なクォータ画面に飛ぶ。
      • ［グローバル標準］ではリソースの場所は自動的に決まるが、
        選択したモデルにより［Azure OpenAI］と同じリージョンか
        別のリージョンかが異なる。

    • ［Azure OpenAI］と同じリージョンの場合、［Azure OpenAI］リソース内に作成される。
      別のリージョンの場合、［AI Foundry］という別のリソースができて、
      その中にデプロイされる。

    • ［Azure OpenAI］リソースの［共有リソース］や
      ［AI Foundry］リソースの［モデル + エンドポイント］から、
      作成したモデルに遷移しプレイグラウンドに移動する。

      • ［チャット プレイグラウンド］で、チャットがテストでき、
      • ［コードの表示］を押下すると、
        Python による WebAPI テストコードが表示されることを確認する。
      • ［キー認証］タブに遷移すると、API キーがコピーでき、
        コードもソレに対応したものになる。
      • from openai import AzureOpenAI の pip は、
        「pip install openai」で OK

補足（デプロイ種類の違い）: ［グローバル標準］と［標準（リージョン）］の
違いは、推論がどこで実行されるかである。

種類 推論の実行場所 特徴
グローバル標準 Microsoft が世界中から選ぶ クォータが潤沢、新モデルが早く来る
標準（データゾーン / リージョン） 指定した範囲内 データ所在地を統制できる。クォータは厳しい

概要で触れられている「法人利用でリージョンの指定が重要」というのは
この後者を選ぶ話で、
元ページが「意味不なクォータ画面に飛ぶ」と書いているのは、
リージョン指定にすると そのリージョンの TPM（Tokens Per Minute）
クォータが足りないケースが多いためである。

WebAPI の動作確認

  • 上記で取得したコードに API キーを組込み
    「コチラ」の
    Python 仮想環境を使用して実行すると良い。
  • Jupyter 環境を作るのが面倒だったんで、nano で x.py ファイルに
    上記のテストコードを書き込んで、「python x.py」で実行して動作確認できた。

補足（API キーよりマネージド ID）: 動作確認は API キーで良いが、
実運用では Microsoft Entra ID のマネージド IDを使い、
Cognitive Services OpenAI User ロールを割り当てるのが推奨である
（キーをコードや環境変数に置かずに済む）。
Python では DefaultAzureCredential を
AzureOpenAI(azure_ad_token_provider=...) に渡す形になる。

埋込モデルをデプロイ

  • 上記「モデルをデプロイ」の手順と同じ。
  • コチラは、基本的に同一のリソース内に作成される。
    • ［Azure OpenAI］リソースの場合、［Azure OpenAI］リソース内（同一リージョン）
    • ［AI Foundry］リソースの場合、［AI Foundry］リソース内（同一リージョン）

補足（埋込モデルの用途）: 埋込（embedding）モデルは
テキストをベクトルに変換するもので、
**RAG（検索拡張生成）**の検索側で使う。
Azure では Azure AI Searchの
ベクトル検索と組み合わせる構成が標準的である
（Azure AI 資格（AI-900）の
「RAG」の節も参照）。

参考

構築

github.com

開発基盤部会 Wiki

テキスト生成系（Transformer 系）
テキスト生成系（Transformer系）

本 Wiki 内

Tags: インフラストラクチャ, クラウド, BI/AI, Azure

このWikiは「Open棟梁Project」,「OSSコンソーシアム 開発基盤部会」によって運営されています。

⚠️ **GitHub.com Fallback** ⚠️