AI は、マシンが認識、学習、推論、コンテンツの生成、予測を行えるようにする一連のテクノロジです。 この記事では、AI の概念、開発プラットフォーム、アーキテクチャ パターンの概要を説明し、Azureで AI ワークロードを設計するのに役立ちます。 AI をアプリケーションに組み込んで関数を実行したり、従来のロジックや処理では効果的に処理できない意思決定を行ったりします。 ソリューションを設計するアーキテクトは、AI と機械学習のランドスケープと、Azure ソリューションをワークロード設計に統合する方法を理解する必要があります。
Azure ワークロードに AI を統合する
Azure アーキテクチャ センターには、アーキテクチャ、アーキテクチャ ガイド、アーキテクチャのベースライン、シナリオに適用するアイデアの例が用意されています。 生成型または差別的な AI ユース ケースを実装するワークロードは、AzureガイダンスでAzure Well-Architected Framework AI ワークロードに従う必要があります。 このガイダンスには、信頼性、セキュリティ、コストの最適化、オペレーショナル エクセレンス、パフォーマンス効率アーキテクチャの柱全体で AI と機械学習のワークロードに影響を与える原則と設計ガイドが含まれています。
次のワークロードの種類は、Azure Well-Architected Framework ガイダンスの範囲外です。
Microsoft Copilot Studioを使用して構築されたソリューションなど、ローコードでコードなしの AI ワークロード。 これらのワークロードに関するアーキテクチャ ガイダンスについては、Microsoft Copilot Studio参照アーキテクチャとソリューションのアイデアを参照してください。
ハイ パフォーマンス コンピューティング (HPC) ワークロード。 HPC のアーキテクチャ ガイダンスについては、Azureの HPC に関するトピックを参照してください。
従来の分析やルールベースの自動化など、生成的または差別的な AI ユース ケースを実装していないワークロード。
AI の概念
AI の概念には、通常人間のインテリジェンスを必要とするタスクを実行するためにマシンが使用するさまざまなテクノロジと手法が含まれます。 次のセクションでは、AI の主要な概念の概要について説明します。
アルゴリズム
アルゴリズム または 機械学習アルゴリズム は、複雑なデータセットで意味を探索、分析、および見つけるのに役立つコードです。 各アルゴリズムは、特定の目標を達成するためにマシンが従うことができる明確なステップ バイ ステップ命令の有限のセットです。 機械学習モデルの目的は、人間が予測を行ったり、情報を分類したりするために使用できるパターンを確立または検出することです。 アルゴリズムでは、ペットが猫、犬、魚、鳥、トカゲであるかどうかを確認する方法を記述できます。 より複雑なアルゴリズムでは、書かれた言語または話された言語を識別し、その単語を分析し、それらを別の言語に翻訳し、翻訳の精度を確認する方法を記述できます。
タスクに最適なアルゴリズム ファミリを選択します。 ファミリ内のさまざまなアルゴリズムを評価して、ワークロードに適したアルゴリズムを見つけます。 詳細については、Microsoft クラウド コンピューティング ディクショナリの機械学習アルゴリズムとはを参照してください。
機械学習
機械学習 は、アルゴリズムを使用して予測モデルを作成する AI 手法です。 これらのアルゴリズムは、データ フィールドを解析し、データ内のパターンから学習してモデルを生成します。 その後、モデルは、新しいデータに基づいて、情報に基づいた予測や意思決定を行うことができます。
予測モデルは、既知のデータに対して検証され、特定のビジネス シナリオのパフォーマンス メトリックによって測定され、必要に応じて調整されます。 学習と検証のこのプロセスは、"トレーニング" と呼ばれます。 定期的な再トレーニングにより、機械学習モデルは時間の経過とともに改善されます。
ワークロード設計では、将来の状況を確実に予測する過去の観察がシナリオに含まれている場合は、機械学習を使用できます。 これらの観察は、ある種類の動物を別の動物と区別するコンピューター ビジョンのような普遍的な真理である可能性があります。 または、これらの観察は、過去の保証請求データに基づいてアセンブリラインの潜在的なアセンブリミスを検出するコンピュータビジョンなど、状況に固有である可能性があります。
詳細については、Microsoft クラウド コンピューティング ディクショナリの機械学習とはを参照してください。
ディープ ラーニング
ディープ ラーニング は、独自のデータ処理を通じて学習できる機械学習の一種です。 機械学習と同様に、アルゴリズムを使用してデータを分析します。 しかし、多くの入力、出力、および処理レイヤーを持つ人工ニューラル ネットワークを使用してデータを分析します。 各レイヤーは、異なる方法でデータを処理できます。 1 つのレイヤーの出力が次のレイヤーの入力になります。 ディープ ラーニングでは、このプロセスを使用して、従来の機械学習よりも複雑なモデルを作成します。
ディープ ラーニングでは、高度にカスタマイズされたモデルや探索的なモデルを生成するために多額の投資が必要です。 ワークロードにディープ ラーニングを追加する前に、この記事の他のソリューションを検討してください。
詳細については、Microsoft クラウド コンピューティング ディクショナリのディープ ラーニングとはを参照してください。
生成型AI
生成 AI は、自然言語、コンピューター ビジョン、オーディオ、画像入力など、さまざまな形式のコンテンツに基づいて元のコンテンツを生成するモデルをトレーニングします。 生成 AI を使用すると、日常的な言語で目的の出力を記述でき、適切なテキスト、画像、コードを作成することでモデルが応答します。 生成 AI アプリケーションの例としては、Microsoft 365 Copilot や Microsoft Foundry などがあります。
Microsoft 365 Copilotは主に、コード、ドキュメント、およびその他のテキスト ベースのコンテンツを記述するのに役立つ UI です。 OpenAI と Anthropic の一般的なモデルに基づいており、さまざまな Microsoft アプリケーションとユーザー エクスペリエンスに統合されています。
Microsoft Foundry は、エージェント ホスティングへのアクセスを提供するサービスとしての開発プラットフォーム (PaaS) であり、OpenAI、Anthropic、Microsoft、xAI、およびその他のプロバイダーから言語モデルのカタログを提供します。 現在のモデルの可用性については、Microsoft Foundry モデル カタログを参照してください。
言語モデル
言語モデル は、テキスト生成や感情分析などの自然言語処理タスクに焦点を当てた生成 AI のサブセットです。 これらのモデルは、特定のコンテキストで発生する単語または単語のシーケンスの確率に基づいて自然言語を表します。
研究者は、研究目的で教師あり設定で従来の言語モデルを使用します。 これらのモデルは、特定のタスクに対して適切にラベル付けされたテキスト データセットでトレーニングされます。 事前トレーニング済みの言語モデルを使用すると、AI の使用を簡単に開始できます。 これらは近年、より広く使用されています。 これらのモデルは、ディープ ラーニング ニューラル ネットワークを介してインターネットから大規模なテキスト コレクションでトレーニングされます。 特定のタスクに合わせて、より小さなデータセットで微調整します。
パラメーターの数 ( 重み) によって、言語モデルのサイズが決まります。 パラメーターは、モデルが入力データを処理し、出力を生成する方法に影響します。 トレーニング中、モデルは重みを調整して、予測と実際のデータの差を最小限に抑えます。 このプロセスは、モデルがパラメーターを学習する方法です。 モデルのパラメーターが多いほど、複雑で表現力が高くなります。 ただし、トレーニングと使用には計算コストも高くなります。
通常、小規模言語モデルのパラメーターは 100 億未満で、大規模な言語モデルには 100 億を超えるパラメーターがあります。 たとえば、Microsoft Phi モデル ファミリには、効率とコスト効率のために設計された小さなモデルが含まれており、そのファミリは推論、マルチモーダル、その他のタスク用の新しいバリエーションで拡張し続けます。 現在のモデル名、サイズ、機能については、 Foundry モデル カタログを参照してください。
コパイロットたち
Microsoft 365 Copilot は、さまざまな Microsoft アプリケーションとユーザー エクスペリエンスと統合されています。 これは、Microsoft以外の開発者が独自のプラグインを作成して、Microsoft 365 Copilotを使用してユーザー エクスペリエンスを拡張またはカスタマイズできるオープン アーキテクチャに基づいています。 パートナー開発者は、同じオープン アーキテクチャを使用して独自のエージェントを作成することもできます。
詳細については、次のリソースを参照してください。
- Microsoft Cloud全体でMicrosoft 365 Copilotエクスペリエンスを導入、拡張、構築する
- Microsoft Copilot Studio の概要
- Microsoft Foundry の概要
検索拡張生成
取得拡張生成 (RAG) は、パブリック データでのみトレーニングされる、ChatGPT などの言語モデルの機能を強化するアーキテクチャ パターンです。 このパターンを使用して、ユーザー要求に関連するグラウンド データをコンテキストに提供する取得システムを追加します。 情報取得システムは、言語モデルが応答を作成するときに使用する接地データを制御します。 RAG アーキテクチャを使用すると、ベクター化されたドキュメント、画像、およびその他のデータ形式からソース化されたコンテンツに対して、生成 AI のスコープを設定できます。 RAG はベクター検索ストレージに限定されません。 RAG では、あらゆるデータ ストア テクノロジがサポートされます。
詳細については、「RAG ソリューション の設計と開発」を参照し、ベクター検索 用の Azure サービスを選択。 RAG へのターンキー アプローチとして、Microsoft Foundry エージェントに必要なグラウンディング データには Foundry IQ ナレッジ ベースを使用します。
コンテキスト エンジニアリング
コンテキスト エンジニアリング は、取得されたドキュメント、会話履歴、ツール出力、システム命令、エンタープライズ データなどのコンテキストを選択、スコープ、および構造する方法を設計し、AI モデルが信頼性の高い関連する出力を生成できるようにする手法です。 RAG は、基礎となるデータ取得に対処します。コンテキスト エンジニアリングは、モデルが受け取る入力と入力の形式を管理する、より広範なアーキテクチャ規範です。
最新の AI アーキテクチャ(特にエージェントベースおよび生成型 AI ソリューション)では、コンテキストは重要な設計要素です。 モデルには組み込みの知識が限られており、企業固有のデータやワークフローに固有の認識はありません。 有効なアーキテクチャには、取得パイプライン、メモリ ストア、ツール統合、ガードレール、適切なタイミングで適切なコンテキストを提供するためのプロンプト管理が含まれます。 意図的なコンテキスト設計がなければ、アーキテクチャは間違い、古い回答、および機密データの意図しない露出の影響を受けやすくなります。
エージェントベースのアーキテクチャ
AI エージェントは、言語モデルを使用して、実行するアクション、呼び出すツール、タスクを完了するためのステップの順序を決定するシステムです。 アプリケーション コードがワークフローを制御する標準的な AI 統合とは異なり、エージェントは目標に関する理由を判断し、独自の実行パスを自律的に決定します。 この自律性により、エージェントは動的な意思決定を必要とする複雑な複数ステップのタスクに適しています。
マルチエージェント アーキテクチャを使用すると、複雑な問題を、ソリューションを生成するために調整する特殊なエージェントに分割できます。 複雑な AI シナリオで複数のエージェントを調整するには、 AI エージェントのオーケストレーション パターンに関する説明を参照してください。
Azureには、エージェント ベースのアーキテクチャを構築するための 2 つの補完的なツールが用意されています。
Microsoft Agent Framework は、エージェントとマルチエージェント ワークフローを構築するためのコード優先 SDK です。 エージェントの動作、ツール統合、オーケストレーション ロジックを定義するためのプログラミング モデルが提供されます。
Foundry Agent Service は、定義したエージェントをホストします。 これらのエージェントは、AI モデル カタログの基礎モデルと、必要に応じて独自のカスタム ナレッジ ストアまたは API に接続します。 これらのエージェントは宣言的に定義することも、Microsoft Foundry がそれらをコンテナー化してホストすることもできます。
鋳造ツール
Foundry Tools は、アプリケーションにインテリジェントな機能を追加する事前構築済みのカスタマイズ可能な AI モデルと API です。 ユース ケースには、自然言語処理、検索、翻訳、音声、ビジョン、意思決定が含まれます。 Foundry Tools を使用すると、カスタム モデルを構築してトレーニングすることなく、アプリケーションに AI を追加できます。
詳細については、「 Foundry Tools テクノロジの選択」を参照してください。
AI 言語モデル
Azureでは、複数のサービスとデプロイ オプションを使用して言語モデルにアクセスできます。 言語モデルの概要と動作の基本的な説明については、「 言語モデル」を参照してください。 このセクションでは、Azureで使用できるモデルと、モデルの選択とホスティングに影響を与えるアーキテクチャ要因について説明します。
Azure OpenAI は、o3、o4-mini、GPT-4.1、GPT-4o、GPT-4o ミニ ファミリなど、OpenAI モデルへのマネージド API アクセスを提供します。 これらのモデルでは、コンテンツの生成、要約、推論、画像理解、セマンティック検索、自然言語からコードへの翻訳がサポートされます。 Azure OpenAI は、ホスティング、スケーリング、コンテンツ のフィルター処理を管理します。 仮想ネットワーク統合とMicrosoft Entra ID認証をサポートします。
リージョン別の現在のモデルの可用性については、OpenAI モデルのAzureを参照してください。
Foundry Models には、Microsoft、OpenAI、DeepSeek、Meta、Hugging Face、およびその他のプロバイダーから 1,900 を超えるモデルのカタログが用意されています。 カタログには、基礎モデル、推論モデル、小さな言語モデル、マルチモーダル モデル、ドメイン固有のモデルが含まれます。 カタログからモデルを直接比較、評価、微調整、デプロイできます。
Phi モデルは、Microsoft提供する小さな言語モデルです。 小さい言語モデルは、大規模なモデルよりもコンピューティング集中型が少なく、対象となるタスクに対して効率が高く、解釈可能で、コスト効率が高くなります。 モデルのサイズに応じて、小規模な言語モデルをインプロセスでホストするか、コンシューマーと同じコンピューティングでホストします。これにより、待機時間が短縮され、アーキテクチャが簡略化されます。
モデルの選択に関する考慮事項
ワークロードの言語モデルを選択する場合は、次のアーキテクチャ要因を考慮してください。
ホスティング トポロジ。 Azureでは、マネージド API エンドポイント、サーバーレス モデルデプロイ、マネージド コンピューティング デプロイ、コンテナーベースのセルフホスティングが提供されます。 選択は、待機時間、コスト、データ所在地、運用責任に影響します。
モデルのサイズとコストと待機時間。 通常、大規模なモデルではより広範な機能が提供されますが、より多くのコンピューティングが必要になり、コストが高くなります。 小規模なモデルは、フォーカスされたタスクに対してより効率的になる可能性があります。
データのプライバシー。 データをホストされた API に送信できるかどうか、または規制または組織の要件でセルフホステッド推論が必要かどうかを評価します。
ファインチューニング対プロンプトエンジニアリング。 プロンプト エンジニアリングと RAG でユース ケースに十分かどうか、またはデータのモデルを微調整すると、大幅に優れた結果が得られるかどうかを判断します。
精度とバイアス。 ドメイン要件に照らしてモデルの出力を検証します。 出力品質を管理するために、コンテンツのフィルター処理、接地、評価の戦略を検討します。
AI 開発プラットフォームとツール
次の AI 開発プラットフォームとツールは、機械学習と AI モデルの構築、デプロイ、管理に役立ちます。
Azure Machine Learning
Azure Machine Learningは、モデルを構築およびデプロイするための機械学習サービスです。 Azure Machine Learningでは、機械学習モデルとパイプラインを大規模にトレーニングしてデプロイするための Web インターフェイスと SDK が提供されます。 PyTorch、TensorFlow、scikit-learn などのオープンソースの Python フレームワークでこれらの機能を使用します。
詳細については、次のリソースを参照してください。
自動化された機械学習
自動機械学習 (AutoML) は、機械学習モデル開発の時間のかかる反復的なタスクを自動化するプロセスです。 AutoML は、データ サイエンティスト、アナリスト、開発者が、モデルの品質を維持しながら、高スケール、効率性、生産性を備える機械学習モデルを構築するのに役立ちます。
詳細については、次のリソースを参照してください。
MLflow
Azure Machine Learning ワークスペースは MLflow 互換です。つまり、Azure Machine Learning ワークスペースは MLflow サーバーと同じように動作します。 この互換性には、次の利点があります。
Azure Machine Learningは MLflow サーバー インスタンスをホストしませんが、MLflow API を直接使用できます。
Azure Machine Learning で実行されるかどうかにかかわらず、MLflow コードの追跡サーバーとして Azure Machine Learning ワークスペースを使用します。 追跡が行われるワークスペースを指す MLflow を設定する必要があります。
変更を加えずに、Azure Machine Learningで MLflow を使用するトレーニング ルーチンを実行します。
詳細については、MLflow および Azure Machine Learning およびMLflow を参照してください。
生成 AI ツール
Microsoft Foundry は、生成型 AI アプリと API を責任を持って実験、開発、デプロイするのに役立つプラットフォームを提供します。 Foundry ポータルを使用して Foundry Tools、基盤モデル、プレイグラウンド、リソースを見つけ、AI モデルと AI エージェントの微調整、評価、デプロイに役立ちます。
Foundry Agent Service は、定義したエージェントをホストします。 これらのエージェントは、AI モデル カタログの基礎モデルと、必要に応じて独自のカスタム ナレッジ ストアまたは API に接続します。 これらのエージェントを宣言的に定義するか、Microsoft Foundry にコンテナー化とホスティングを任せることができます。
Microsoft Copilot Studio は Microsoft 365 Copilot を拡張します。 内部シナリオと外部シナリオ用のカスタム エージェントを構築します。 作成キャンバスを使用して、エージェントを設計、テスト、公開します。 生成型 AI 対応の会話を作成し、既存のエージェントの応答をより詳細に制御し、自動化されたワークフローを使用して生産性を向上させます。
事前構築済みの AI ツール
Foundry Tools は、音声、翻訳、言語理解、ドキュメント インテリジェンス、ビジョン、コンテンツの安全性などの特定のシナリオを対象とする、事前構築済みのカスタマイズ可能な AI モデルと API です。 ワークロードに明確に定義された AI 機能が必要であり、モデルを自分で設計、トレーニング、またはホストする必要がない場合に使用します。
機能別に整理された利用可能なサービスの一覧については、「 AI サービス テクノロジの選択」を参照してください。
Contributors
Microsoft では、この記事を保持しています。 この記事を書いたのは、以下の寄稿者です。
主要著者:
David Hernández Díez |シニア ソリューション エンジニア
公開されていない LinkedIn プロフィールを見るには、LinkedIn にサインインしてください。
次のステップ
Azure上の AI について引き続き学習するには、次のリソースを調べる必要があります。