はじめに
Part 1、Part 2と進めてきて、基本的なAIアプリが作れるようになりましたね！
Part 3では、いよいよ本番運用に向けた重要なテーマを扱います。「AIアプリってどうやって品質を測るの？」「本番で何か問題が起きたらどうする？」そんな疑問に答えていきます。
この記事で学ぶこと:
- AIアプリの品質評価方法
- トレーシング機能で動作を可視化
- 複数のAIサービスとの連携
- 本番環境へのデプロイ準備
- セキュリティとベストプラクティス
AIアプリの評価 - どうやって品質を測る？
普通のプログラムなら「期待通りの出力が返ってきたらOK」ですよね。でもAIは毎回違う答えを返すので、評価が難しいんです。
評価が必要な理由
例えばこんな問題:
質問: 「東京の人口は？」
AIの応答1: 「約1400万人です」 ← 正解！
AIの応答2: 「首都である東京には多くの人が住んでいます」 ← 質問に答えてない...
AIの応答3: 「大阪は...」 ← 完全に間違い！
どうやってこれを自動でチェックする？
Azure AI Foundryの評価機能
Azure AI Foundryには、AIアプリを評価する機能が組み込まれています。
評価できること:
- 関連性（Relevance）: 質問に対して適切な答えか？
- 一貫性（Coherence）: 論理的で理解しやすいか？
- 流暢性（Fluency）: 自然な文章か？
- 根拠性（Groundedness）: 提供した情報に基づいているか？（RAGの場合）
- 安全性（Safety）: 有害なコンテンツを含んでいないか？
基本的な評価コード
# evaluation_basic.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from azure.ai.projects.models import Evaluation
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
# テストデータを準備
test_cases = [
{
"question": "東京の人口は？",
"expected_type": "具体的な数値"
},
{
"question": "Pythonとは何ですか？",
"expected_type": "プログラミング言語の説明"
},
{
"question": "地球温暖化の原因は？",
"expected_type": "科学的な説明"
}
]
# それぞれの質問をAIに投げて、応答を取得
results = []
for test in test_cases:
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[{"role": "user", "content": test["question"]}]
)
answer = response.choices[0].message.content
results.append({
"question": test["question"],
"answer": answer,
"expected_type": test["expected_type"]
})
print(f"\n質問: {test['question']}")
print(f"回答: {answer}")
print(f"期待: {test['expected_type']}")
評価指標の実装
もう少し高度な評価を実装してみましょう。
# advanced_evaluation.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
def evaluate_response(question, answer, criteria):
"""
AIの応答を別のAIに評価させる
（AI-as-a-Judge パターン）
"""
evaluation_prompt = f"""
以下の質問と回答を評価してください。
質問: {question}
回答: {answer}
評価基準: {criteria}
1から5のスコアを付けてください（5が最高）。
また、簡潔な理由も述べてください。
フォーマット:
スコア: [1-5]
理由: [評価理由]
"""
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[
{"role": "system", "content": "あなたは厳格な評価者です。"},
{"role": "user", "content": evaluation_prompt}
],
temperature=0.3 # 評価は一貫性が重要なので低めに設定
)
return response.choices[0].message.content
# テストケース
qa_pair = {
"question": "機械学習とは何ですか？",
"answer": "機械学習は、コンピュータがデータから自動的に学習し、パターンを見つけ出す技術です。"
}
# 複数の観点で評価
criteria_list = [
"正確性: 技術的に正確な説明か",
"わかりやすさ: 初心者でも理解できるか",
"完全性: 重要な要素を網羅しているか"
]
print(f"質問: {qa_pair['question']}")
print(f"回答: {qa_pair['answer']}\n")
for criteria in criteria_list:
print(f"\n=== {criteria} ===")
evaluation = evaluate_response(
qa_pair['question'],
qa_pair['answer'],
criteria
)
print(evaluation)
AI-as-a-Judge パターンとは？
- AIの応答を、別のAIに評価させる手法
- 人間が全部チェックするのは大変なので、AIに一次評価をしてもらう
- 最終的には人間がサンプルをチェックして、評価AIの精度を確認
バッチ評価
複数のテストケースを一気に評価する実用的なコードです。
# batch_evaluation.py
import os
import json
from datetime import datetime
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
model_name = os.getenv("MODEL_DEPLOYMENT_NAME")
# テストスイート（テストケースの集まり）
test_suite = [
{"id": 1, "question": "東京の人口は？", "category": "事実確認"},
{"id": 2, "question": "Pythonの特徴は？", "category": "技術説明"},
{"id": 3, "question": "環境問題の解決策は？", "category": "意見・提案"},
{"id": 4, "question": "1+1は？", "category": "計算"},
{"id": 5, "question": "おすすめの本は？", "category": "推薦"}
]
def run_test_suite(test_suite, model_name):
"""テストスイートを実行"""
results = []
for test in test_suite:
print(f"テスト {test['id']}/{len(test_suite)} を実行中...")
try:
# AIに質問
response = project.inference.get_chat_completions(
model=model_name,
messages=[{"role": "user", "content": test["question"]}],
temperature=0.7
)
answer = response.choices[0].message.content
# 簡易評価（文字数チェック）
length_ok = len(answer) > 20 # 20文字以上
result = {
"test_id": test["id"],
"category": test["category"],
"question": test["question"],
"answer": answer,
"answer_length": len(answer),
"length_ok": length_ok,
"timestamp": datetime.now().isoformat()
}
results.append(result)
except Exception as e:
results.append({
"test_id": test["id"],
"category": test["category"],
"question": test["question"],
"error": str(e),
"timestamp": datetime.now().isoformat()
})
return results
# テストを実行
print("=== テストスイート実行開始 ===\n")
results = run_test_suite(test_suite, model_name)
# 結果をJSONファイルに保存
output_file = f"evaluation_results_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
with open(output_file, "w", encoding="utf-8") as f:
json.dump(results, f, ensure_ascii=False, indent=2)
print(f"\n✅ テスト完了！結果を {output_file} に保存しました")
# サマリーを表示
success_count = sum(1 for r in results if "error" not in r)
print(f"\n=== 結果サマリー ===")
print(f"総テスト数: {len(results)}")
print(f"成功: {success_count}")
print(f"失敗: {len(results) - success_count}")
# カテゴリ別集計
categories = {}
for result in results:
cat = result["category"]
categories[cat] = categories.get(cat, 0) + 1
print(f"\nカテゴリ別:")
for cat, count in categories.items():
print(f" {cat}: {count}件")
トレーシング - AIアプリの動きを可視化
AIアプリが複雑になると、「なぜこの答えが返ってきたの？」「どこで時間がかかってる？」が見えにくくなります。
トレーシングとは？
ひとことで言うと: プログラムの実行過程を記録して可視化する機能です。
例えば:
ユーザー入力 「東京の天気は？」
↓
1. 入力を処理（0.1秒）
↓
2. AIモデル呼び出し（2.3秒）
↓
3. 天気APIを呼び出し（0.5秒）
↓
4. 結果を整形（0.1秒）
↓
応答 「東京は晴れです」
合計: 3.0秒
これが見えると、「AIモデルの呼び出しに時間がかかってるな」って分かりますよね。
Azure AI Foundryのトレーシング
Azure AI Foundryは自動でトレーシング情報を記録してくれます。
# tracing_basic.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from azure.ai.projects.telemetry import ApplicationInsightsTelemetryClient
load_dotenv()
# プロジェクトクライアントを作成
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
# トレーシングを有効化
# Azure AI Foundryは自動的にトレースを記録します
print("トレーシングが有効です")
# 通常通りAIを呼び出す
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[
{"role": "user", "content": "こんにちは！Pythonについて教えてください。"}
]
)
print(response.choices[0].message.content)
# Azure AI Foundry ポータルの「トレース」セクションで
# この呼び出しの詳細情報を確認できます
print("\n✅ トレース情報はポータルで確認できます")
print("Azure AI Foundry → プロジェクト → トレース")
カスタムトレーシング
独自のトレース情報を追加することもできます。
# custom_tracing.py
import os
import time
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from opentelemetry import trace
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
# OpenTelemetry トレーサーを取得
tracer = trace.get_tracer(__name__)
def process_user_input(user_input):
"""ユーザー入力を処理"""
with tracer.start_as_current_span("process_input") as span:
span.set_attribute("input_length", len(user_input))
time.sleep(0.1) # 処理をシミュレート
return user_input.strip()
def call_ai_model(processed_input):
"""AIモデルを呼び出し"""
with tracer.start_as_current_span("ai_model_call") as span:
span.set_attribute("model", os.getenv("MODEL_DEPLOYMENT_NAME"))
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[{"role": "user", "content": processed_input}]
)
answer = response.choices[0].message.content
span.set_attribute("response_length", len(answer))
return answer
def format_response(answer):
"""応答を整形"""
with tracer.start_as_current_span("format_response"):
time.sleep(0.05) # 処理をシミュレート
return f"AI: {answer}"
# メイン処理
with tracer.start_as_current_span("main_workflow") as main_span:
user_input = "Pythonの魅力を教えて"
main_span.set_attribute("user_id", "user123")
# 各ステップを実行
processed = process_user_input(user_input)
answer = call_ai_model(processed)
formatted = format_response(answer)
print(formatted)
print("\n✅ カスタムトレースが記録されました")
何が記録される？
- 各処理にかかった時間
- カスタム属性（入力の長さ、モデル名など）
- エラー情報（発生した場合）
- 処理の親子関係
トレースの活用例
# trace_analysis.py
import os
import time
from datetime import datetime
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
model_name = os.getenv("MODEL_DEPLOYMENT_NAME")
def chatbot_with_metrics(user_message):
"""メトリクス付きチャットボット"""
start_time = time.time()
try:
# AI呼び出し
ai_start = time.time()
response = project.inference.get_chat_completions(
model=model_name,
messages=[{"role": "user", "content": user_message}]
)
ai_duration = time.time() - ai_start
answer = response.choices[0].message.content
total_duration = time.time() - start_time
# メトリクスを表示
metrics = {
"timestamp": datetime.now().isoformat(),
"ai_call_duration": f"{ai_duration:.2f}秒",
"total_duration": f"{total_duration:.2f}秒",
"input_length": len(user_message),
"output_length": len(answer),
"model": model_name
}
return answer, metrics
except Exception as e:
return None, {"error": str(e)}
# テスト実行
print("=== パフォーマンステスト ===\n")
test_messages = [
"こんにちは",
"Pythonについて200文字で説明してください",
"人工知能の未来について詳しく教えてください（500文字程度）"
]
for i, msg in enumerate(test_messages, 1):
print(f"テスト {i}: {msg[:30]}...")
answer, metrics = chatbot_with_metrics(msg)
if answer:
print(f"応答: {answer[:50]}...")
print(f"メトリクス: {metrics}")
else:
print(f"エラー: {metrics}")
print()
複数のAIサービスとの連携
Azure AI Foundryの強みは、様々なAIサービスを組み合わせられることです。
Azure AI ServicesとSDKの連携
# multi_service_integration.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
# Azure AI Foundry SDKで利用可能な主要サービス
services_info = """
Azure AI Foundryから利用できる主なサービス:
1. Azure OpenAI Service
- GPT-4、GPT-3.5などの言語モデル
- DALL-E（画像生成）
- Whisper（音声認識）
2. Content Safety
- 有害コンテンツの検出
- PII（個人情報）の検出
3. Azure AI Search
- 高度な検索機能
- RAG（検索拡張生成）の実装
4. Document Intelligence
- PDFやドキュメントの解析
- テーブルやフォームの抽出
5. Computer Vision
- 画像分析
- OCR（文字認識）
6. Speech Service
- 音声からテキスト
- テキストから音声
"""
print(services_info)
# これらのサービスは同じプロジェクトエンドポイントから利用可能
print("\n✅ 全てのサービスが1つのプロジェクトで利用できます")
RAG（検索拡張生成）の簡単な例
RAGとは？
- Retrieval-Augmented Generation の略
- 独自のデータを検索して、その結果を元にAIが回答を生成する仕組み
- 例: 社内ドキュメントを検索して、AIが答えてくれる
# simple_rag.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
# 独自のデータ（実際にはデータベースやファイルから取得）
company_knowledge = """
【社内規定集】
1. 勤務時間
- 開始: 9:00
- 終了: 18:00
- 休憩: 12:00-13:00
2. リモートワーク
- 週3日まで可能
- 事前申請が必要
3. 有給休暇
- 年間20日付与
- 取得は前日までに申請
"""
def rag_chat(user_question, knowledge_base):
"""RAG風のチャット（シンプル版）"""
# プロンプトに独自データを含める
prompt = f"""
以下の社内情報を参照して質問に答えてください。
【参照情報】
{knowledge_base}
【質問】
{user_question}
【回答ルール】
- 参照情報に基づいて正確に答えること
- 情報にない内容は「情報にありません」と答えること
"""
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[
{"role": "system", "content": "あなたは社内規定に詳しいアシスタントです。"},
{"role": "user", "content": prompt}
]
)
return response.choices[0].message.content
# テスト
questions = [
"リモートワークは週何日できますか？",
"勤務開始時刻は？",
"ボーナスはいつ支給されますか？" # 情報にない質問
]
print("=== RAGチャットボットのテスト ===\n")
for q in questions:
print(f"質問: {q}")
answer = rag_chat(q, company_knowledge)
print(f"回答: {answer}\n")
本番環境へのデプロイ準備
実際にユーザーに公開する前に、準備すべきことをチェックしましょう。
セキュリティのチェックリスト
# security_checklist.py
security_checklist = """
=== セキュリティチェックリスト ===
1. 認証・認可
✅ Azure AD認証を使用
✅ APIキーは環境変数に保存
✅ .envファイルを.gitignoreに追加
✅ 本番環境ではManaged Identityを使用
2. データ保護
✅ 個人情報（PII）を適切に処理
✅ ログに機密情報を含めない
✅ 通信はHTTPSを使用
3. レート制限
✅ リトライロジックを実装
✅ バックオフ戦略を使用
✅ ユーザーごとの制限を設定
4. エラーハンドリング
✅ 詳細なエラー情報はユーザーに見せない
✅ エラーは適切にログに記録
✅ フォールバック処理を実装
5. コンテンツフィルタリング
✅ Azure AI Content Safetyを使用
✅ 入力と出力の両方をチェック
✅ 有害コンテンツは即座にブロック
6. 監視とロギング
✅ Application Insightsで監視
✅ 異常検知のアラートを設定
✅ 定期的にログをレビュー
"""
print(security_checklist)
本番環境用の設定
# production_config.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
# 環境の判定
ENVIRONMENT = os.getenv("ENVIRONMENT", "development")
# 環境ごとの設定
config = {
"development": {
"debug": True,
"log_level": "DEBUG",
"temperature": 0.7,
"max_retries": 3,
"timeout": 30
},
"staging": {
"debug": True,
"log_level": "INFO",
"temperature": 0.7,
"max_retries": 5,
"timeout": 60
},
"production": {
"debug": False,
"log_level": "WARNING",
"temperature": 0.5, # 本番は安定性重視
"max_retries": 5,
"timeout": 60
}
}
current_config = config.get(ENVIRONMENT, config["development"])
print(f"=== 現在の環境: {ENVIRONMENT} ===")
print(f"設定: {current_config}")
# 設定を使用してクライアントを作成
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
def get_chat_completion_with_config(messages):
"""設定を考慮したチャット"""
return project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=messages,
temperature=current_config["temperature"]
)
# テスト
if current_config["debug"]:
print("\nデバッグモードでテスト実行...")
response = get_chat_completion_with_config([
{"role": "user", "content": "こんにちは"}
])
print(response.choices[0].message.content)
パフォーマンス最適化
# performance_optimization.py
import os
import time
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
from functools import lru_cache
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
model_name = os.getenv("MODEL_DEPLOYMENT_NAME")
# キャッシュ機能（同じ質問には同じ答えを返す）
@lru_cache(maxsize=100)
def cached_chat(question):
"""キャッシュ付きチャット"""
response = project.inference.get_chat_completions(
model=model_name,
messages=[{"role": "user", "content": question}],
temperature=0.0 # キャッシュ用なので確定的に
)
return response.choices[0].message.content
# パフォーマンステスト
print("=== パフォーマンス比較 ===\n")
test_question = "Pythonとは何ですか？"
# 1回目（キャッシュなし）
start = time.time()
answer1 = cached_chat(test_question)
time1 = time.time() - start
print(f"1回目: {time1:.2f}秒")
# 2回目（キャッシュあり）
start = time.time()
answer2 = cached_chat(test_question)
time2 = time.time() - start
print(f"2回目: {time2:.2f}秒")
print(f"\n高速化: {(time1 - time2) / time1 * 100:.1f}%")
print(f"\n✅ キャッシュを使うと、同じ質問への応答が高速になります")
ベストプラクティス集
1. プロンプトエンジニアリング
# prompt_engineering.py
# ❌ 悪い例
bad_prompt = "Pythonについて教えて"
# ✅ 良い例
good_prompt = """
プログラミング言語「Python」について、以下の点を含めて初心者向けに説明してください:
1. Pythonの特徴（3つ）
2. 主な用途
3. 学習を始めるメリット
200文字程度で、わかりやすくお願いします。
"""
# ベストプラクティス:
# - 具体的な指示を出す
# - 期待する形式を明示
# - 文字数や項目数を指定
# - 対象者（初心者など）を明確に
2. エラーメッセージの設計
# error_messages.py
# ❌ 悪い例
def bad_error_handling():
try:
# 何か処理
pass
except Exception as e:
print(f"エラー: {e}") # 技術的な詳細をそのまま表示
# ✅ 良い例
def good_error_handling():
try:
# 何か処理
pass
except HttpResponseError as e:
if e.status_code == 429:
user_message = "ただいまアクセスが集中しています。少々お待ちください。"
elif e.status_code == 500:
user_message = "サーバーで問題が発生しました。しばらくしてから再度お試しください。"
else:
user_message = "問題が発生しました。時間をおいて再度お試しください。"
print(user_message) # ユーザーフレンドリーなメッセージ
# 技術的な詳細はログに記録（ユーザーには見せない）
logger.error(f"HTTPエラー: {e.status_code}, 詳細: {e}")
# ポイント:
# - ユーザーには分かりやすいメッセージ
# - 技術的な詳細はログに記録
# - 次のアクションを示唆
3. レスポンスの検証
# response_validation.py
import os
from dotenv import load_dotenv
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient
load_dotenv()
project = AIProjectClient(
endpoint=os.getenv("PROJECT_ENDPOINT"),
credential=DefaultAzureCredential()
)
def validate_response(response_text, max_length=1000, min_length=10):
"""応答を検証"""
issues = []
# 長さチェック
if len(response_text) < min_length:
issues.append("応答が短すぎます")
if len(response_text) > max_length:
issues.append("応答が長すぎます")
# 禁止ワードチェック（例）
forbidden_words = ["申し訳ございません、それについては", "AI言語モデルとして"]
for word in forbidden_words:
if word in response_text:
issues.append(f"不適切なフレーズ: {word}")
# 空の応答チェック
if not response_text.strip():
issues.append("応答が空です")
return len(issues) == 0, issues
# 使用例
def safe_chat(user_message):
"""検証付きチャット"""
response = project.inference.get_chat_completions(
model=os.getenv("MODEL_DEPLOYMENT_NAME"),
messages=[{"role": "user", "content": user_message}]
)
answer = response.choices[0].message.content
# 検証
is_valid, issues = validate_response(answer)
if not is_valid:
print(f"⚠️ 応答に問題があります: {issues}")
# フォールバック処理
return "申し訳ございません。もう一度お試しください。"
return answer
コスト最適化のヒント
# cost_optimization.py
cost_tips = """
=== コスト最適化のヒント ===
1. モデル選択
💰 gpt-35-turbo: 最もコスト効率が良い
💰 gpt-4o-mini: バランス型
💰💰 gpt-4o: 高性能だが高価
戦略: 最初はminiで試して、必要なときだけ上位モデル
2. トークン管理
- max_tokensを適切に設定（無駄に長い応答を防ぐ）
- 会話履歴を適度に切り詰める
- プロンプトを簡潔に
3. キャッシング
- 同じ質問にはキャッシュを使う
- よくある質問はFAQとして用意
4. バッチ処理
- 可能なら複数のリクエストをまとめる
- 非リアルタイム処理は夜間に実行
5. 監視
- 使用量を定期的にチェック
- 予算アラートを設定
- 異常な使用パターンを検出
実装例:
"""
print(cost_tips)
# トークン管理の例
def trim_conversation_history(history, max_messages=10):
"""会話履歴を制限"""
# システムメッセージは保持
system_messages = [m for m in history if m["role"] == "system"]
other_messages = [m for m in history if m["role"] != "system"]
# 最新のN件だけ保持
if len(other_messages) > max_messages:
other_messages = other_messages[-max_messages:]
return system_messages + other_messages
# 使用量モニタリングの例
def track_usage(response):
"""トークン使用量を記録"""
if hasattr(response, 'usage'):
usage = response.usage
print(f"使用トークン数:")
print(f" プロンプト: {usage.prompt_tokens}")
print(f" 補完: {usage.completion_tokens}")
print(f" 合計: {usage.total_tokens}")
Part 3 のまとめ
お疲れさまでした！これで3部作が完結です。
今回マスターしたこと:
- ✅ AIアプリの評価方法（AI-as-a-Judge）
- ✅ トレーシングで動作を可視化
- ✅ 複数のAIサービスとの連携
- ✅ 本番環境へのデプロイ準備
- ✅ セキュリティとベストプラクティス
- ✅ コスト最適化のテクニック
シリーズ全体の振り返り:
Part 1: 基礎と環境構築
- SDKの概念を理解
- Azureプロジェクトの作成
- 初めての接続
Part 2: 実装とインタラクション
- AIとの対話
- ストリーミング
- パラメータ調整
- エラーハンドリング
Part 3（本記事）: 品質と運用
- 評価とテスト
- トレーシング
- 本番デプロイ
- ベストプラクティス
次のステップ
これからAIアプリ開発者として成長するために:
-
小さく始める
- まずは簡単なチャットボットから
- 徐々に機能を追加
-
継続的に学ぶ
- Azureの最新情報をチェック
- コミュニティに参加
-
実践で磨く
- 実際のプロジェクトで使ってみる
- ユーザーフィードバックを取り入れる
-
コミュニティに貢献
- 学んだことをブログに書く
- オープンソースに貢献
おすすめリソース:
最後に
この3部作を最後まで読んでくださり、ありがとうございました！
Azure AI Foundry SDKを使えば、誰でもプロフェッショナルなAIアプリケーションを作れます。最初は難しく感じたかもしれませんが、一歩ずつ進めば必ず形になります。
Azure AI Foundry SDKを始めよう！- Part 1: 基礎からわかる環境構築編
Azure AI Foundry SDKを始めよう！- Part 2: AIモデルと対話してみよう
あなたならどんなAIアプリを作りますか？
楽しいAI開発ライフを！🚀
Happy coding! 🎉