Azure AI Services / OpenAI / Cognitive Services を用いた AI ソリューション開発。
対応ラボ 16 件 ·Microsoft Learn の試験概要 ↗
Azure Machine Learning Studio の Designer (ノーコード GUI) を使って、レストラン評価データから評点を予測する機械学習パイプラインを構築・実行・公開します。
Azure AI Services (Cognitive Services) のキーをコードに直書きしている脆弱な構成を、Key Vault + Managed Identity + ネットワーク制限で安全な構成に作り変えます。
Azure AI Vision の Python SDK を使い、Wikimedia Commons の画像から説明文・タグ・顔の境界ボックスを取得します。
Azure AI Search で養子縁組可能猫の CSV データから検索インデックスを構築し、言語検出スキルでエンリッチメント、Knowledge Store として Azure Storage Table への並行投影を実現します。
Azure AI Search の Scoring Profile (freshness 関数 + フィールド重み) と Synonym Map で、検索結果の関連性とユーザー体験を改善します。
Custom Vision の Training と Prediction リソースを作成し、customvision.ai ポータルで物体検出プロジェクトを構築する。画像にバウンディングボックスでタグ付けして独自モデルを学習・公開し、クイックテストで推論を確認する。
Azure OpenAI リソースを作成し、小型モデルをデプロイして、システム メッセージ・温度・最大応答トークンが回答にどう効くかをプレイグラウンドで比較します。生成 AI ラボの最初の 1 本。
openai SDK を使って Azure OpenAI のチャット補完を呼び出し、会話履歴の持ち回り、ストリーミング、トークン使用量の読み取りまでを Cloud Shell 上の Python で実装します。
自由文の問い合わせから JSON スキーマどおりのデータを取り出す「構造化出力」と、モデルに社内 API を呼ばせる「関数呼び出し（ツール）」を Python で実装します。生成 AI を既存システムに組み込む要の技術です。
社内規程の文書を Blob に置き、AI Search の「データのインポートとベクター化」でベクター インデックスを作り、Azure OpenAI に「自分のデータ」として接続して出典つきで回答させます。生成 AI 案件で最も多い RAG 構成を一通り組みます。
Azure OpenAI の埋め込みモデルで文章をベクター化し、コサイン類似度で「意味が近い文」を探す検索を Python だけで実装します。AI Search が裏で何をしているかを手で確かめ、チャンク分割と類似度しきい値の効き方を体験します。
Azure AI Foundry でカスタムのコンテンツ フィルターを作り、重大度のしきい値・ブロックリスト・プロンプト シールド（ジェイルブレイク検出）を設定してデプロイに適用します。責任ある AI の実装を、実際に拒否される様子を見ながら学びます。
「なんとなく良さそう」で終わらせず、根拠性・関連性・一貫性・流暢さを LLM 評価器で採点し、プロンプト変更の前後を比較します。生成 AI 案件で顧客に品質を説明するための評価パイプラインの最小形です。
Log Analytics ワークスペースを作り、Azure OpenAI の診断ログとメトリックを送って、トークン使用量・レイテンシ・エラー率を KQL で集計します。コスト超過や 429 の増加に気づける監視の土台を作ります。
Azure AI Foundry のプロジェクトを作り、エージェント サービスで「指示・知識（ファイル検索）・アクション（コード インタープリター）」を持つエージェントを構成して、プレイグラウンドと Python から動かします。チャット補完との違いを体感します。
Document Intelligence の事前構築モデルで PDF の請求書から項目を抽出し、その結果を Azure OpenAI に渡して要約と経費規程に照らしたチェックを JSON で返す、書類処理パイプラインを Python で組みます。