TanaT

ここまでで「動かす・調整する」はできました。残るのは、本番で使うための2つの武器です。1つは「守り」＝セキュリティ（キーをどう守り、社外からどう遮断し、危険な出力をどう止めるか）。もう1つは「拡張」＝自社データや外部システムと繋ぐ（RAG・...

モデルを呼べるようになると、次に必ずぶつかるのが「なぜか途中で切れる」「思ったより高い」「出力が毎回バラバラ」といった悩みです。これらは全部、トークン・コンテキストウィンドウ・課金・パラメータという基本概念を知らないことが原因。逆にここを押...

Azure OpenAI が何者か分かったら、次は実際に動かす番です。ここでの手順はシンプルで、大きく「リソースを作る → モデルをデプロイする → 呼び出す」の3ステップ。この記事を読み終えると、curl や Python から GPT ...

ChatGPT で使われている GPT を、業務システムに組み込みたい——そう考えたとき、選択肢は2つあります。本家 OpenAI の API を直接叩くか、Azure OpenAI Service を経由するか。同じ GPT でも、この2...

いよいよ最終回です。モデルを選び、エージェント・RAG を作り、評価と安全性まで固めました。残るは「本番で安定して回し続ける」ための運用です。生成 AI は、放っておくと429（レート制限）で止まる・コストが青天井になる・どこが遅いか分から...

エージェントや RAG で「動くもの」ができると、つい本番に出したくなります。ですが、生成 AI で一番怖いのは「なんとなく動いているように見えて、実は間違った答えや危険な出力を返している」状態です。それを防ぐのが、応答を数字で採点する評価...

ここまでで、モデルを呼んで応答を得るところまで来ました。でも、単発のチャットだけでは「賢いオウム」で止まってしまいます。実務で本当に欲しいのは、自分で必要なツールを使って作業を進める「エージェント」と、自社のデータに基づいて正確に答える「R...

土台（リソース・認証・ネットワーク）が固まったら、いよいよ本題です。Azure AI Foundry の一番おいしい部分は、1900 を超えるモデルの中から用途に合ったものを選び、数クリックでデプロイして、アプリから呼び出せることにあります...

Azure AI Foundry を「触ってみる」だけなら、ポータルでプロジェクトを作ってプレイグラウンドで遊べば十分です。ですが、チームや会社で本番運用するとなると、話は一気に変わります。「誰がアクセスできるのか（権限）」「APIキーをど...