diff --git a/Instructions/01-Explore-ai-studio.md b/Instructions/01-Explore-ai-studio.md
index b07f38c..e158835 100644
--- a/Instructions/01-Explore-ai-studio.md
+++ b/Instructions/01-Explore-ai-studio.md
@@ -1,29 +1,30 @@
 ---
 lab:
-  title: Azure AI Studio のコンポーネントとツールを探索する
+  title: Azure AI Foundry のコンポーネントとツールを探索する
 ---
 
-# Azure AI Studio のコンポーネントとツールを探索する
+# Azure AI Foundry のコンポーネントとツールを探索する
 
-この演習では、Azure AI Studio を使用してプロジェクトを作成し、生成 AI モデルを探索します。
+この演習では、Azure AI Foundry ポータルを使用してプロジェクトを作成し、生成 AI モデルを探索します。
 
 この演習は約 **30** 分かかります。
 
-## Azure AI Studio を開く
+## Azure AI Foundry ポータルを開く
 
-まずは Azure AI Studio を調べることから始めましょう。
+まず、Azure AI Foundry ポータルを調べてみましょう。
 
-1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。 Azure AI Studio のホーム ページは次の画像のようになります。
+1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。 Azure AI Foundry ポータルのホーム ページは次の画像のようになります。
 
-    ![Azure AI Studio のスクリーンショット。](./media/azure-ai-studio-home.png)
+    ![Azure AI Foundry ポータルのスクリーンショット。](./media/azure-ai-studio-home.png)
 
 1. ホーム ページの情報を確認し、各タブを表示して、モデルと機能の探索、プロジェクトの作成、リソースの管理のオプションを確認します。
 
-## Azure AI ハブを作成する
+## Azure AI ハブとプロジェクトを作成する
 
-プロジェクトをホストするには、Azure サブスクリプション内に Azure AI ハブが必要です。 このリソースは、プロジェクトの作成中に作成するか、事前にプロビジョニングすることができます (この演習ではこちらを行います)。
+Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同作業用のワークスペースとして機能します。** プロジェクトと Azure AI ハブを作成してみましょう。
 
-1. **[管理]** セクションで、**[すべてのリソース]** を選択し、**[+ 新しいハブ]** を選択します。 次の設定を使用して新しいハブを作成します。
+1. ホーム ページで、**[+ 作成]** を選択します。 **プロジェクトの作成**ウィザードでは、プロジェクトで自動的に作成されるすべての Azure リソースを表示できます。または、**[作成]** を選択する前に **[カスタマイズ]** を選択して次の設定をカスタマイズできます。
+   
     - **ハブ名**:*一意の名前*
     - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
     - **[リソース グループ]**: "一意の名前で新しいリソース グループを作成するか、既存のものを選びます"**
@@ -33,45 +34,30 @@ lab:
 
     > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、テナントを他のユーザーと共有するシナリオで、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。
 
-1. **[次へ]** を選択し、構成を確認します。
+1. **[カスタマイズ]** を選択した場合は、**[次へ]** を選択し、構成を確認します。
 1. **[作成]** を選択し、プロセスが完了するまで待ちます。
    
-    Azure AI ハブが作成されると、次の画像のようになるはずです。
+    Azure AI ハブとプロジェクトが作成されると、次の画像のようになるはずです。
 
-    ![Azure AI Studio 内の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-resource.png)
+    ![Azure AI Foundry ポータル内の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-resource.png)
 
-1. 新しいブラウザー タブを開き ([Azure AI Studio] タブは開いたままにします)、Azure portal ([https://portal.azure.com](https://portal.azure.com?azure-portal=true)) に移動します。プロンプトが表示されたら、Azure の資格情報を使ってサインインします。
+1. 新しいブラウザー タブを開き ([Azure AI Foundry] ポータル タブは開いたままにします)、Azure portal ([https://portal.azure.com](https://portal.azure.com?azure-portal=true)) に移動します。プロンプトが表示されたら、Azure の資格情報を使ってサインインします。
 1. Azure AI ハブを作成したリソース グループに移動し、作成された Azure リソースを表示します。
 
     ![Azure portal 内の Azure AI ハブと関連リソースのスクリーンショット。](./media/azure-portal.png)
 
-1. Azure AI Studio ブラウザー タブに戻ります。
-1. Azure AI ハブのページの左側のペインでそれぞれのページを表示し、作成および管理できる成果物を確認します。 **[接続]** ページで、Azure OpenAI と AI サービスへの接続が既に作成されていることを確認します。
-
-## プロジェクトの作成
-
-Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同作業用のワークスペースとして機能します。** Azure AI ハブ内にプロジェクトを作成してみましょう。
-
-1. Azure AI Studio で、先ほど作成したハブ内にいることを確認します (画面の上部にあるパスを確認することで、自分の場所を確認できます)。
-1. 左側のメニューを使用して、**[すべてのプロジェクト]** に移動します。
-1. **[+ New project]** を選択します。
-1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
-    - **現在のハブ**:あなたの AI ハブ**
-    - **プロジェクト名**:"プロジェクトの一意の名前"**
-1. プロジェクトが作成されるまで待ちます。 準備ができたら、次の画像のようになります。
-
-    ![Azure AI Studio のプロジェクト詳細ページのスクリーンショット。](./media/azure-ai-project.png)
-
-1. 左側のペインにあるページを表示して各セクションを展開し、プロジェクト内で実行できるタスクと管理できるリソースを確認します。
+1. Azure AI Foundry ポータルのブラウザー タブに戻ります。
+1. Azure AI ハブのページの左側のペインでそれぞれのページを表示し、作成および管理できる成果物を確認します。 **[管理センター]** ページで、ハブまたはプロジェクトの下にある **[接続されたリソース]** を選択し、Azure OpenAI と AI サービスへの接続が既に作成されていることを確認できます。
+1. [管理センター] ページにいる場合は、**[プロジェクトへ移動]** を選択します。
 
 ## モデルのデプロイとテスト
 
-プロジェクトを使って、生成 AI モデルに基づいた複雑な AI ソリューションを作成できます。 Azure AI Studio で使用できるすべての開発オプションを詳しく説明することはこの演習の範囲を超えていますが、プロジェクト内でモデルを操作するための基本的な方法をいくつか説明します。
+プロジェクトを使って、生成 AI モデルに基づいた複雑な AI ソリューションを作成できます。 Azure AI Foundry ポータルで使用できるすべての開発オプションを詳しく説明することはこの演習の範囲を超えていますが、プロジェクト内でモデルを操作するための基本的な方法をいくつか説明します。
 
-1. プロジェクトの左側のペインの **[コンポーネント]** セクションで、**[デプロイ]** ページを選択します。
-1. **[デプロイ]** ページの **[モデル デプロイ]** タブで、**[+ モデルのデプロイ]** を選択します。
+1. プロジェクトの左側のウィンドウの **[マイ アセット]** セクションで、**[モデル + エンドポイント]** ページを選択します。
+1. **[モデル + エンドポイント]** ページの **[モデル デプロイ]** タブで、**[+ モデルのデプロイ]** を選択します。
 1. 一覧から **gpt-35-turbo** モデルを検索し、選択して確認します。
-1. 以下の設定を使用してモデルをデプロイします。
+1. デプロイの詳細で **[カスタマイズ]** を選択して、以下の設定でモデルをデプロイします。
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
     - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
@@ -86,11 +72,11 @@ Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共
 1. **[チャット プレイグラウンド]** ページで、**[デプロイ]** セクション内でご利用のモデル デプロイが選択されていることを確認します。
 1. チャット ウィンドウで、以下のように「AI とは何ですか?」のようなクエリを入力し、応答を確認します。**
 
-    ![Azure AI Studio のプレイグラウンドのスクリーンショット。](./media/playground.png)
+    ![Azure AI Foundry ポータルのプレイグラウンドのスクリーンショット。](./media/playground.png)
 
 ## クリーンアップ
 
-Azure AI Studio を確認し終わったら、不要な Azure コストが発生しないように、この演習で作成したリソースを削除する必要があります。
+Azure AI Foundry ポータルを確認し終わったら、不要な Azure コストが発生しないように、この演習で作成したリソースを削除する必要があります。
 
 1. Azure portal が表示されているブラウザー タブに戻り (または、新しいブラウザー タブで [Azure portal](https://portal.azure.com?azure-portal=true) をもう一度開き)、この演習で使ったリソースがデプロイされているリソース グループの内容を表示します。
 1. ツール バーの **[リソース グループの削除]** を選びます。
diff --git a/Instructions/02-Explore-model-catalog.md b/Instructions/02-Explore-model-catalog.md
index 9d1212b..494493d 100644
--- a/Instructions/02-Explore-model-catalog.md
+++ b/Instructions/02-Explore-model-catalog.md
@@ -1,21 +1,22 @@
 ---
 lab:
-  title: Azure AI Studio で言語モデルを使用して探索、デプロイ、チャットを行う
+  title: Azure AI Foundry で言語モデルを使用して探索、デプロイ、チャットを行う
 ---
 
-# Azure AI Studio で言語モデルを使用して探索、デプロイ、チャットを行う
+# Azure AI Foundry で言語モデルを使用して探索、デプロイ、チャットを行う
 
-Azure AI Studio のモデル カタログは、さまざまなモデルを試してから使用できる中央リポジトリとして機能し、生成 AI シナリオの作成を容易にします。
+Azure AI Foundry のモデル カタログは、さまざまなモデルを試してから使用できる中央リポジトリとして機能し、生成 AI シナリオの作成を容易にします。
 
-この演習では、Azure AI Studio でモデル カタログをいろいろ試すことができます。
+この演習では、Azure AI Foundry ポータルでモデル カタログをいろいろ試すことができます。
 
 この演習には、約 **25** 分かかります。
 
-## Azure AI ハブを作成する
+## Azure AI ハブとプロジェクトを作成する
 
-プロジェクトをホストするには、Azure サブスクリプション内に Azure AI ハブが必要です。 このリソースは、プロジェクトの作成中に作成するか、事前にプロビジョニングすることができます (この演習ではこちらを行います)。
+Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同作業用のワークスペースとして機能します。** プロジェクトと Azure AI ハブを作成してみましょう。
+
+1. ホーム ページで、**[+ 作成]** を選択します。 **プロジェクトの作成**ウィザードでは、プロジェクトで自動的に作成されるすべての Azure リソースを表示できます。または、**[作成]** を選択する前に **[カスタマイズ]** を選択して次の設定をカスタマイズできます。
 
-1. **[管理]** セクションで、**[すべてのリソース]** を選択し、**[+ 新しいハブ]** を選択します。 次の設定を使用して新しいハブを作成します。
     - **ハブ名**:*一意の名前*
     - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
     - **[リソース グループ]**: "新しいリソース グループ"**
@@ -25,33 +26,21 @@ Azure AI Studio のモデル カタログは、さまざまなモデルを試し
 
     > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 場所ヘルパーに一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 詳しくは、[リージョンごとのモデルの可用性](https://learn.microsoft.com/azure/ai-services/openai/concepts/models#gpt-35-turbo-model-availability)を参照してください
 
-    Azure AI ハブが作成されると、次の画像のようになるはずです。
+1. **[カスタマイズ]** を選択した場合は、**[次へ]** を選択し、構成を確認します。
+1. 1. **[作成]** を選択し、プロセスが完了するまで待ちます。
+   
+    Azure AI ハブとプロジェクトが作成されると、次の画像のようになるはずです。
 
-    ![Azure AI Studio 内の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-resource.png)
+    ![Azure AI Foundry ポータル内の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-resource.png)
 
-1. 新しいブラウザー タブを開き ([Azure AI Studio] タブは開いたままにします)、Azure portal ([https://portal.azure.com](https://portal.azure.com?azure-portal=true)) に移動します。プロンプトが表示されたら、Azure の資格情報を使ってサインインします。
+1. 新しいブラウザー タブを開き ([Azure AI Foundry] ポータル タブは開いたままにします)、Azure portal ([https://portal.azure.com](https://portal.azure.com?azure-portal=true)) に移動します。プロンプトが表示されたら、Azure の資格情報を使ってサインインします。
 1. Azure AI ハブを作成したリソース グループに移動し、作成された Azure リソースを表示します。
 
     ![Azure portal 内の Azure AI ハブと関連リソースのスクリーンショット。](./media/azure-portal.png)
 
-1. Azure AI Studio ブラウザー タブに戻ります。
-1. Azure AI ハブのページの左側のペインでそれぞれのページを表示し、作成および管理できる成果物を確認します。 **[接続]** ページで、Azure OpenAI と AI サービスへの接続が既に作成されていることを確認します。
-
-## プロジェクトの作成
-
-Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同作業用のワークスペースとして機能します。** Azure AI ハブ内にプロジェクトを作成してみましょう。
-
-1. Azure AI Studio で、先ほど作成したハブ内にいることを確認します (画面の上部にあるパスを確認することで、自分の場所を確認できます)。
-1. 左側のメニューを使用して、**[すべてのプロジェクト]** に移動します。
-1. **[+ New project]** を選択します。
-1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
-    - **現在のハブ**:あなたの AI ハブ**
-    - **プロジェクト名**:"プロジェクトの一意の名前"**
-1. プロジェクトが作成されるまで待ちます。 準備ができたら、次の画像のようになります。
-
-    ![Azure AI Studio のプロジェクト詳細ページのスクリーンショット。](./media/azure-ai-project.png)
-
-1. 左側のペインにあるページを表示して各セクションを展開し、プロジェクト内で実行できるタスクと管理できるリソースを確認します。
+1. Azure AI Foundry ポータルのブラウザー タブに戻ります。
+1. Azure AI ハブのページの左側のペインでそれぞれのページを表示し、作成および管理できる成果物を確認します。 **[管理センター]** ページで、ハブまたはプロジェクトの下にある **[接続されたリソース]** を選択し、Azure OpenAI と AI サービスへの接続が既に作成されていることを確認できます。
+1. [管理センター] ページにいる場合は、**[プロジェクトへ移動]** を選択します。
 
 ## モデル ベンチマークを使用してモデルを選択する
 
@@ -61,7 +50,7 @@ Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共
 
 Copilot は事実に基づく正確な情報を提供する必要があるため、根拠性が重要です。 その次に、Copilot の回答が読みやすく理解しやすいものにする必要があります。 したがって、流暢さと一貫性に対して高い評価のモデルを選択する必要もあります。
 
-1. Azure AI Studio で、左側のメニューを使用して、**[開始]** セクションの **[モデル ベンチマーク]** に移動します。
+1. Azure AI Foundry プロジェクト ポータルで、左側のメニューを使用して **[モデル ベンチマーク]** に移動します。
     **[品質ベンチマーク]** タブには、いくつかのグラフが既に視覚化されており、さまざまなモデルを比較できます。
 1. 表示されているモデルのフィルター処理:
     - **[タスク]**: 質問応答
@@ -82,8 +71,9 @@ Azure OpenAI コレクションから、GPT-3.5 モデルと GPT-4 モデルを
 
 まず、モデル カタログからモデルをデプロイします。 使用可能なすべてのモデルをフィルター処理する場合には、このオプションが好ましい場合があります。
 
-1. 左側のメニューを使用して、**[開始]** セクションの **[モデル カタログ]** ページに移動します。
-1. 次の設定を使用して、Azure AI によってキュレーションされた `gpt-35-turbo` モデルを検索してデプロイします。
+1. 左側のメニューを使用して、**[モデル カタログ]** ページに移動します。
+1. デプロイの詳細の **[カスタマイズ]** を選択して、次の設定で Azure AI によってキュレーションされた `gpt-35-turbo` モデルを検索してデプロイします。
+   
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
     - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
@@ -92,12 +82,12 @@ Azure OpenAI コレクションから、GPT-3.5 モデルと GPT-4 モデルを
     - **コンテンツ フィルター**: DefaultV2
     - **動的クォータを有効にする**: 無効
 
-### [デプロイ] でモデルをデプロイする
+### モデル + エンドポイントを使用してモデルをデプロイする
 
-デプロイするモデルが既にわかっている場合は、[デプロイ] でそれを行うことができます。
+デプロイするモデルが既にわかっている場合は、**[モデル + エンドポイント]** でそれを行うことができます。
 
-1. 左側のメニューを使用して、**[コンポーネント]** セクションの **[デプロイ]** ページに移動します。
-1. **[モデル デプロイ]** タブで、次の設定を使用して新しいデプロイを作成します。
+1. 左側のメニューを使用して、**[マイ アセット]** セクションの **[モデル + エンドポイント]** ページに移動します。
+1. **[モデルのデプロイ]** タブのデプロイの詳細で **[カスタマイズ]** を選択して、次の設定で新しい基本モデルをデプロイします。
     - **[モデル]**: gpt-4
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
@@ -107,28 +97,28 @@ Azure OpenAI コレクションから、GPT-3.5 モデルと GPT-4 モデルを
     - **コンテンツ フィルター**: DefaultV2
     - **動的クォータを有効にする**: 無効
 
-    > **注**: モデル カタログのオプションとしてではなく、モデル ベンチマークが表示されているモデルがあることに気付いたかもしれません。 モデルの可用性は場所によって異なります。 場所は、デプロイするモデルを**場所ヘルパー**により指定し、デプロイできる場所の一覧を取得できる、AI ハブ レベルで指定されます。
+    > **注**: 現在の AI リソースの場所に、デプロイするモデルで使用可能なクォータがない場合は、新しい AI リソースが作成され、プロジェクトに接続される別の場所を選択するように求められます。
 
 ## チャット プレイグラウンドでモデルをテストする
 
 比較できるモデルが 2 つあるので、対話的操作でモデルがどのように動作するかを見てみましょう。
 
-1. 左側のメニューを使用して、**[プロジェクト プレイグラウンド]** セクションの **[チャット]** ページに移動します。
+1. 左側のメニューを使用して、**[プレイグラウンド]** ページに移動します。
 1. **[チャット プレイグラウンド]** で、GPT-3.5 デプロイを選択します。
 1. チャット ウィンドウで、「`What can you do?`」という質問を入力し、応答を確認します。
     答えは非常に一般的です。 旅行アシスタントとして機能するカスタムの Copilot を作成しようとしていることを思い出してください。 質問において、求めるサポートの種類を指定できます。
 1. チャット ウィンドウで、「`Imagine you're a travel assistant, what can you help me with?`」という質問を入力します。回答はより具体的になりました。 エンド ユーザーが Copilot と対話するたびに必要なコンテキストを提供しなくて済むようにしたい場合があるでしょう。 包括的な指示を追加するには、システム・メッセージを編集することができます。
-1. 次のプロンプトでシステム メッセージを更新します。
+1. **[セットアップ]** の下にある次のプロンプトで **[モデルの指示とコンテキストを指定する]** フィールドを更新します。
 
    ```
    You are an AI travel assistant that helps people plan their trips. Your objective is to offer support for travel-related inquiries, such as visa requirements, weather forecasts, local attractions, and cultural norms.
    ```
 
-1. **[保存]**、**[チャットのクリア]** の順に選択します。
+1. **[変更の適用]** を選択します。
 1. チャット ウィンドウで、「`What can you do?`」というクエリを入力し、新しい応答を確認します。 前に受け取った回答とどう異なるかを確認します。 回答は旅行に限定されたものになりました。
 1. 「`I'm planning a trip to London, what can I do there?`」と質問して会話を続けます。Copilot は旅行関連情報をたくさん提供します。 出力をさらに改善したい場合があるでしょう。 たとえば、回答をより簡潔にしたい場合があります。
 1. メッセージの最後に「`Answer with a maximum of two sentences.`」を追加して、システム メッセージを更新します。 変更を適用し、チャットをクリアして、「`I'm planning a trip to London, what can I do there?`」という質問でもう一度チャットをテストします。Copilot が、質問に答えるだけはなく、会話を続けるようにもできます。
-1. メッセージの最後に「`End your answer with a follow-up question.`」を追加して、システム メッセージを更新します。 変更を保存し、チャットをクリアして、「`I'm planning a trip to London, what can I do there?`」という質問でもう一度チャットをテストします。
+1. プロンプトの末尾に `End your answer with a follow-up question.` を追加して、モデルのコンテキストを更新します。 変更を保存し、「`I'm planning a trip to London, what can I do there?`」という質問でもう一度チャットをテストします。
 1. **[デプロイ]** を GPT-4 モデルに変更し、このセクションのすべての手順を繰り返します。 モデルの出力が異なる場合があることに注意してください。
 1. 最後に、「`Who is the prime minister of the UK?`」という質問で両方のモデルをテストします。 この質問のパフォーマンスは、モデルの根拠性 (応答が事実について正確かどうか) に関連しています。 パフォーマンスは、モデル ベンチマークでの結論と関連していますか?
 
@@ -136,7 +126,7 @@ Azure OpenAI コレクションから、GPT-3.5 モデルと GPT-4 モデルを
 
 ## クリーンアップ
 
-Azure AI Studio を確認し終わったら、不要な Azure コストが発生しないように、この演習で作成したリソースを削除する必要があります。
+Azure AI Foundry ポータルを確認し終わったら、不要な Azure コストが発生しないように、この演習で作成したリソースを削除する必要があります。
 
 1. Azure portal が表示されているブラウザー タブに戻り (または、新しいブラウザー タブで [Azure portal](https://portal.azure.com?azure-portal=true) をもう一度開き)、この演習で使ったリソースがデプロイされているリソース グループの内容を表示します。
 1. ツール バーの **[リソース グループの削除]** を選びます。
diff --git a/Instructions/03-Use-prompt-flow-chat.md b/Instructions/03-Use-prompt-flow-chat.md
index 8f342aa..190a298 100644
--- a/Instructions/03-Use-prompt-flow-chat.md
+++ b/Instructions/03-Use-prompt-flow-chat.md
@@ -1,40 +1,39 @@
 ---
 lab:
-  title: Azure AI Studio でプロンプト フローを使用してカスタム Copilot を構築する
+  title: Azure AI Foundry ポータルでプロンプト フローを使用してカスタム Copilot を構築する
 ---
 
-# Azure AI Studio でプロンプト フローを使用してカスタム Copilot を構築する
+# Azure AI Foundry ポータルでプロンプト フローを使用してカスタム Copilot を構築する
 
-この演習では、Azure AI Studio のプロンプト フローを使用して、ユーザー プロンプトとチャット履歴を入力として使用し、Azure OpenAI の GPT モデルを使用して出力を生成するカスタム コパイロットを作成します。
+この演習では、Azure AI Foundry ポータルのプロンプト フローを使用して、ユーザー プロンプトとチャット履歴を入力として使用し、Azure OpenAI の GPT モデルを使用して出力を生成するカスタム コパイロットを作成します。
 
 この演習には約 **30** 分かかります。
 
-## Azure AI Studio の中で AI ハブとプロジェクトを作成する
+## Azure AI Foundry ポータルで AI ハブとプロジェクトを作成する
 
-まずは、次のように Azure AI ハブの中で Azure AI Studio プロジェクトを作成します。
+まずは、次のように Azure AI ハブの中で Azure AI Foundry ポータル プロジェクトを作成します。
 
 1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
-1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
-1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
-    - **プロジェクト名**:"プロジェクトの一意の名前"**
-    - **ハブ**:次の設定で新しいハブを作成します。**
+1. ホーム ページで、**[+ 作成]** を選択します。
+1. **プロジェクトの作成**ウィザードでは、プロジェクトで自動的に作成されるすべての Azure リソースを表示できます。または、**[作成]** を選択する前に **[カスタマイズ]** を選択して次の設定をカスタマイズできます。
+
     - **ハブ名**:*一意の名前*
     - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
     - **[リソース グループ]**: "新しいリソース グループ"**
     - **場所**: **[選択に関するヘルプ]** を選択し、次に [場所ヘルパー] ウィンドウで **gpt-35-turbo** を選択し、推奨されるリージョンを選択します\*
-    - **Azure AI サービスまたは Azure OpenAI への接続**:*新しい接続を作成する*
+    - **Azure AI サービスまたは Azure OpenAI に接続**: (新機能) *選択したハブ名が自動入力されます*
     - **Azure AI 検索への接続**:接続をスキップする
 
     > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 場所ヘルパーに一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 詳しくは、[リージョンごとのモデルの可用性](https://learn.microsoft.com/azure/ai-services/openai/concepts/models#gpt-35-turbo-model-availability)を参照してください
 
-1. 構成を確認して、プロジェクトを作成します。
-1. プロジェクトが作成されるまで待ちます。
+1. **[カスタマイズ]** を選択した場合は、**[次へ]** を選択し、構成を確認します。
+1. **[作成]** を選択し、プロセスが完了するまで待ちます。
 
 ## GPT モデルをデプロイする
 
-プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Studio を使うと、フローで使用できる OpenAI モデルをデプロイできます。
+プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Foundry ポータルを使うと、フローで使用できる OpenAI モデルをデプロイできます。
 
-1. 左側のナビゲーション ウィンドウの **[コンポーネント]** で、**[デプロイ]** ページを選びます。
+1. 左側のナビゲーション ウィンドウの **[マイ アセット]** で、**[モデル + エンドポイント]** ページを選択します。
 1. 次の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
@@ -48,7 +47,7 @@ lab:
 
     アシスタントに対する具体的な指示がないため、回答は一般的なものであることに注意してください。 あるタスクに焦点を当てるには、システム プロンプトを変更します。
 
-1. **システム メッセージ**を次のように変更します。
+1. **[モデルの指示とコンテキストを指定する]** メッセージを次のように変更します。
 
    ```md
    **Objective**: Assist users with travel-related inquiries, offering tips, advice, and recommendations as a knowledgeable travel agent.
@@ -68,12 +67,12 @@ lab:
    5. Encourage the user to ask follow-up questions for further assistance.
    ```
 
-1. **[保存]** を選択します。
+1. **[変更の適用]** を選択します。
 1. チャット ウィンドウで、前と同じクエリを入力します。`What can you do?` 応答が変化していることに注意してください。
 
 これでデプロイされた GPT モデルのシステム メッセージの調整は完了したので、プロンプト フローを操作することでアプリケーションをさらにカスタマイズできます。
 
-## Azure AI Studio でチャット フローを作成して実行する
+## Azure AI Foundry ポータルでチャット フローを作成して実行する
 
 テンプレートから新しいフローを作成することも、プレイグラウンドの構成に基づいてフローを作成することもできます。 先ほどプレイグラウンドでの実験を行っていたので、このオプションを使用して新しいフローを作成します。
 
@@ -82,7 +81,7 @@ lab:
     <p>新しいプロンプト フローを作成するときにアクセス許可エラーが発生した場合は、次のトラブルシューティングを試してください。</p>
     <ul>
         <li>Azure portal で、AI サービス リソースを選択します。</li>
-        <li>[IAM] ページの [ID] タブで、それがシステム割り当てマネージド ID であることを確認します。</li>
+        <li>[リソース管理] の [ID] タブで、システム割り当てのマネージド ID であることを確認します。</li>
         <li>関連付けられたストレージ アカウントに移動します。 [IAM] ページで、<em>[ストレージ BLOB データ閲覧者]</em> というロールの割り当てを追加します。</li>
         <li><strong>[アクセスの割り当て先]</strong> で、<strong>[マネージド ID]</strong>、<strong>[+ メンバーの選択]</strong> を選択し、<strong>[すべてのシステム割り当てマネージド ID]</strong> を選択します。</li>
         <li>[確認と割り当て] で新しい設定を保存し、前の手順を繰り返します。</li>
@@ -109,7 +108,6 @@ lab:
 1. プロンプト フィールドを確認し、以下のようになっていることを確認します。
 
    ```yml
-   {% raw %}
    system:
    **Objective**: Assist users with travel-related inquiries, offering tips, advice, and recommendations as a knowledgeable travel agent.
 
@@ -136,7 +134,6 @@ lab:
 
    user:
    {{question}}
-   {% endraw %}
    ```
 
 ### フローをテストしてデプロイする
@@ -160,16 +157,15 @@ lab:
         - **[推論データ収集]**:有効
     - **[詳細設定]**:
         - 既定の設定を使用します**
-1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
-1. 既定で **[モデル デプロイ]** が一覧表示され、その中にデプロイした言語モデルが含まれていることに注意してください。
-1. **[アプリ デプロイ]** タブを選択して、デプロイされたフローを見つけます。 デプロイが一覧表示され、正常に作成されるには時間がかかる場合があります。
+1. Azure AI Foundry ポータルのプロジェクトの左側のナビゲーション ウィンドウの **[マイ アセット]** で、**[モデル + エンドポイント]** ページを選択します。
+1. 既定で **[モデル デプロイ]** が一覧表示され、その中にデプロイした言語モデルとフローが含まれていることに注意してください。 デプロイが一覧表示され、正常に作成されるには時間がかかる場合があります。
 1. デプロイが成功したら、それを選択します。 次に、その **[テスト]** ページ上でプロンプト「`What is there to do in San Francisco?`」を入力し、その応答を確認します。
 1. プロンプト「`Where else could I go?`」を入力し、その応答を確認します。
 1. エンドポイントの **[使用]** ページを表示し、エンドポイントのクライアント アプリケーションの構築に使用することができる接続情報とサンプル コードが含まれていることにご注目ください。これにより、このプロンプト フロー ソリューションをカスタム Copilot としてアプリケーションに統合することができます。
 
 ## Azure リソースを削除する
 
-Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+Azure AI Foundry ポータルを調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
 
 - [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
 - Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
diff --git a/Instructions/03b-Use-prompt-flow-NER.md b/Instructions/03b-Use-prompt-flow-NER.md
index 0731784..6d73daf 100644
--- a/Instructions/03b-Use-prompt-flow-NER.md
+++ b/Instructions/03b-Use-prompt-flow-NER.md
@@ -1,9 +1,9 @@
 ---
 lab:
-  title: Azure AI Studio で固有表現認識 (NER) のプロンプト フローを使用する
+  title: Azure AI Foundry ポータルで固有表現認識 (NER) のプロンプト フローを使用する
 ---
 
-# Azure AI Studio で固有表現認識 (NER) のプロンプト フローを使用する
+# Azure AI Foundry ポータルで固有表現認識 (NER) のプロンプト フローを使用する
 
 テキストから価値のある情報を抽出することは、固有表現認識 (NER) と呼ばれます。 エンティティとは、特定のテキスト内でユーザーの興味を引くキーワードです。
 
@@ -11,39 +11,41 @@ lab:
 
 大規模言語モデル (LLM) を使って NER を実行できます。 入力としてテキストを受け取ってエンティティを出力するアプリケーションを作成するには、プロンプト フローで LLM ノードを使うフローを作成できます。
 
-この演習では、Azure AI Studio のプロンプト フローを使って、エンティティの種類とテキストを入力として想定する LLM アプリケーションを作成します。 これは、LLM ノードから Azure OpenAI の GPT モデルを呼び出して、指定されたテキストから必要なエンティティを抽出し、結果をクリーンアップして抽出されたエンティティを出力します。
+この演習では、Azure AI Foundry ポータルのプロンプト フローを使って、エンティティの種類とテキストを入力として想定する LLM アプリケーションを作成します。 これは、LLM ノードから Azure OpenAI の GPT モデルを呼び出して、指定されたテキストから必要なエンティティを抽出し、結果をクリーンアップして抽出されたエンティティを出力します。
 
 ![演習の概要](./media/get-started-lab.png)
 
-まず、Azure AI Studio でプロジェクトを作成して、必要な Azure リソースを作成する必要があります。 その後、Azure OpenAI サービスを使って GPT モデルをデプロイできます。 必要なリソースが揃ったら、フローを作成できます。 最後に、フローを実行してテストし、サンプル出力を確認します。
+まず、Azure AI Foundry ポータルでプロジェクトを作成して、必要な Azure リソースを作成する必要があります。 その後、Azure OpenAI サービスを使って GPT モデルをデプロイできます。 必要なリソースが揃ったら、フローを作成できます。 最後に、フローを実行してテストし、サンプル出力を確認します。
 
-## Azure AI Studio でプロジェクトを作成する
+## Azure AI Foundry ポータルでプロジェクトを作成する
 
-最初に、Azure AI Studio プロジェクトと、それをサポートする Azure AI ハブを作成します。
+最初に、Azure AI Foundry ポータル プロジェクトと、それをサポートする Azure AI ハブを作成します。
 
 1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
-1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
-1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
+1. ホーム ページで、**[+ 作成]** を選択します。
+1. **プロジェクトの作成**ウィザードでは、プロジェクトで自動的に作成されるすべての Azure リソースを表示できます。または、**[作成]** を選択する前に **[カスタマイズ]** を選択して次の設定をカスタマイズできます。
+
     - **プロジェクト名**:"プロジェクトの一意の名前"**
     - **ハブ**:次の設定で新しいハブを作成します。**
     - **ハブ名**:*一意の名前*
     - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
     - **[リソース グループ]**: "新しいリソース グループ"**
     - **場所**: **[選択に関するヘルプ]** を選択し、次に [場所ヘルパー] ウィンドウで **gpt-35-turbo** を選択し、推奨されるリージョンを選択します\*
-    - **Azure AI サービスまたは Azure OpenAI への接続**:*新しい接続を作成する*
+    - **Azure AI サービスまたは Azure OpenAI に接続**: (新機能) *選択したハブ名が自動入力されます*
     - **Azure AI 検索への接続**:接続をスキップする
 
     > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 場所ヘルパーに一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 詳しくは、[リージョンごとのモデルの可用性](https://learn.microsoft.com/azure/ai-services/openai/concepts/models#gpt-35-turbo-model-availability)を参照してください
 
-1. 構成を確認して、プロジェクトを作成します。
-1. プロジェクトが作成されるまで待ちます。
+1. **[カスタマイズ]** を選択した場合は、**[次へ]** を選択し、構成を確認します。
+1. **[作成]** を選択し、プロセスが完了するまで待ちます。
 
 ## GPT モデルをデプロイする
 
-プロンプト フローで LLM モデルを使うには、まずモデルをデプロイする必要があります。 Azure AI Studio を使うと、フローで使用できる OpenAI モデルをデプロイできます。
+プロンプト フローで LLM モデルを使うには、まずモデルをデプロイする必要があります。 Azure AI Foundry ポータルを使うと、フローで使用できる OpenAI モデルをデプロイできます。
 
-1. 左側のナビゲーション ウィンドウの **[コンポーネント]** で、**[デプロイ]** ページを選びます。
-1. 次の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
+1. 左側のナビゲーション ウィンドウの **[マイ アセット]** で、**[モデル + エンドポイント]** ページを選択します。
+1. デプロイの詳細で **[カスタマイズ]** を選択して、以下の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
+   
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
     - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
@@ -52,9 +54,9 @@ lab:
     - **コンテンツ フィルター**: DefaultV2
     - **動的クォータを有効にする**: 無効
    
-LLM モデルがデプロイされたので、デプロイされたモデルを呼び出すフローを Azure AI Studio で作成できます。
+言語モデルがデプロイされたので、デプロイされたモデルを呼び出すフローを Azure AI Foundry ポータルで作成できます。
 
-## Azure AI Studio でフローを作成して実行する
+## Azure AI Foundry ポータルでフローを作成して実行する
 
 必要なリソースがすべてプロビジョニングされたので、フローを作成できます。
 
@@ -62,7 +64,7 @@ LLM モデルがデプロイされたので、デプロイされたモデルを
 
 テンプレートで新しいフローを作成するには、開発するフローの種類を 1 つ選択できます。
 
-1. 左側のナビゲーション ウィンドウの **[ツール]** で、**[プロンプト フロー]** を選びます。
+1. 左側のナビゲーション ウィンドウの **[ビルドとカスタマイズ]** で、**[プロンプト フロー]** を選択します。
 1. **[+ 作成]** を選んで、新しいフローを作成します。
 1. 新しい**標準フロー**を作成し、フォルダー名として「`entity-recognition`」と入力します。
 
@@ -71,7 +73,7 @@ LLM モデルがデプロイされたので、デプロイされたモデルを
     <p>新しいプロンプト フローを作成するときにアクセス許可エラーが発生した場合は、次のトラブルシューティングを試してください。</p>
     <ul>
         <li>Azure portal で、AI サービス リソースを選択します。</li>
-        <li>[IAM] ページの [ID] タブで、それがシステム割り当てマネージド ID であることを確認します。</li>
+        <li>[リソース管理] の [ID] タブで、システム割り当てのマネージド ID であることを確認します。</li>
         <li>関連付けられたストレージ アカウントに移動します。 [IAM] ページで、<em>[ストレージ BLOB データ閲覧者]</em> というロールの割り当てを追加します。</li>
         <li><strong>[アクセスの割り当て先]</strong> で、<strong>[マネージド ID]</strong>、<strong>[+ メンバーの選択]</strong> を選択し、<strong>[すべてのシステム割り当てマネージド ID]</strong> を選択します。</li>
         <li>[確認と割り当て] で新しい設定を保存し、前の手順を繰り返します。</li>
@@ -108,12 +110,11 @@ LLM モデルがデプロイされたので、デプロイされたモデルを
 
 1. `joke` という名前の **LLM ノード**に移動します。
 1. 名前を `NER_LLM` に置き換えます
-1. **[接続]** で、`Default_AzureOpenAI` 接続を選びます。
+1. **[接続]** で、AI ハブの作成時に自動的に作成された接続を選択します。
 1. **deployment_name** では、デプロイした `gpt-35-turbo` モデルを選びます。
 1. プロンプト フィールドを次のコードに置き換えます。
 
    ```yml
-   {% raw %}
    system:
 
    Your task is to find entities of a certain type from the given text content.
@@ -126,7 +127,6 @@ LLM モデルがデプロイされたので、デプロイされたモデルを
    Entity type: {{entity_type}}
    Text content: {{text}}
    Entities:
-   {% endraw %}
    ```
 
 1. **[入力の検証と解析]** を選びます。
@@ -180,7 +180,7 @@ LLM モデルがデプロイされたので、デプロイされたモデルを
 
 ## Azure リソースを削除する
 
-Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+Azure AI Foundry ポータルを調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
 
 - [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
 - Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
diff --git a/Instructions/04-Use-own-data.md b/Instructions/04-Use-own-data.md
index 8afddaa..6c78c2d 100644
--- a/Instructions/04-Use-own-data.md
+++ b/Instructions/04-Use-own-data.md
@@ -7,7 +7,7 @@ lab:
 
 取得拡張生成 (RAG) は、カスタム データ ソースからのデータを、生成 AI モデルのプロンプトに統合するアプリケーションを構築するために使用される手法です。 RAG は、カスタム *Copilot* を開発するために一般的に使用されるパターンです。チャット ベースのアプリケーションでは、言語モデルを使用して入力を解釈し、適切な応答を生成します。
 
-この演習では Azure AI Studio を使用して、カスタム データを生成 AI プロンプト フローに統合します。
+この演習では Azure AI Foundry ポータルを使用して、カスタム データを生成 AI プロンプト フローに統合します。
 
 この演習は約 **45** 分かかります。
 
@@ -39,23 +39,22 @@ Copilot ソリューションでは、カスタム データをプロンプト 
 
 ## Azure AI プロジェクトを作成する
 
-これで Azure AI Studio プロジェクトと、それをサポートする Azure AI リソースを作成する準備が整いました。
+これで Azure AI Foundry プロジェクトと、それをサポートする Azure AI リソースを作成する準備が整いました。
 
-1. Web ブラウザー内で [Azure AI Studio](https://ai.azure.com) (`https://ai.azure.com`) を開き、ご自身の Azure 資格情報を使用してサインインします。
-1. Azure AI Studio の **[ホーム]** ページで、**[+ 新しいプロジェクト]** を選択します。
-1. **プロジェクトの作成**ウィザードで、プロジェクトの一意の名前を指定し、**[カスタマイズ]** を選択して、次の設定でプロジェクトを作成します。
+1. Web ブラウザー内で [Azure AI Foundry ポータル](https://ai.azure.com) (`https://ai.azure.com`) を開き、ご自身の Azure 資格情報を使用してサインインします。
+1. ホーム ページで、**[+ 作成]** を選択します。
+1. **プロジェクトの作成**ウィザードでは、プロジェクトで自動的に作成されるすべての Azure リソースを表示できます。 **[カスタマイズ]** を選択し、Azure AI Search リソースに接続します。
 
-    - **ハブの作成**: *次の設定で新しいリソースを作成します。*
-
-        - **ハブ名**:*一意の名前*
-        - **Azure サブスクリプション**:"*ご自身の Azure サブスクリプション*"
-        - **[リソース グループ]**: "ご利用の Azure AI 検索リソースを含むリソース グループを選択します"**
-        - **[場所]**: *Azure AI 検索リソースと同じ場所*
-        - **Azure AI サービスまたは Azure OpenAI に接続**: (新機能) *選択したハブ名が自動入力されます*
-        - **Azure AI Search に接続**: *Azure AI Search リソースを選択します*
-
-1. プロジェクトが作成されるまで待ちます。
+    - **ハブ名**:*一意の名前*
+    - **Azure サブスクリプション**:"*ご自身の Azure サブスクリプション*"
+    - **[リソース グループ]**: "ご利用の Azure AI 検索リソースを含むリソース グループを選択します"**
+    - **[場所]**: *Azure AI 検索リソースと同じ場所*
+    - **Azure AI サービスまたは Azure OpenAI に接続**: (新機能) *選択したハブ名が自動入力されます*
+    - **Azure AI Search に接続**: *Azure AI Search リソースを選択します*
 
+1. **[次へ]** を選択し、構成を確認します。
+1. **[作成]** を選択し、プロセスが完了するまで待ちます。
+   
 ## モデルをデプロイする
 
 ソリューションを実装するには、次の 2 つのモデルが必要です。
@@ -63,7 +62,7 @@ Copilot ソリューションでは、カスタム データをプロンプト 
 - 効率的なインデックス作成と処理のためにテキスト データをベクター化する "埋め込み" モデル。**
 - ご利用のデータに基づいて、質問に対する自然言語の応答を生成することができるモデル。
 
-1. Azure AI Studio 内のプロジェクトの左側ナビゲーション ウィンドウで、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
+1. Azure AI Foundry ポータルで、プロジェクトの左側のナビゲーション ウィンドウの **[マイ アセット]** で、**[モデル + エンドポイント]** ページを選択します。
 1. デプロイ モデル ウィザードで **[カスタマイズ]** を選択して、以下の設定で **text-embedding-ada-002** モデルの新しいデプロイを作成します。
 
     - **[デプロイ名]**: `text-embedding-ada-002`
@@ -83,21 +82,21 @@ Copilot ソリューションでは、カスタム データをプロンプト 
 ご利用の Copilot のデータは、架空の旅行代理店 *Margie's Travel* の旅行パンフレット (PDF 形式) のセットで構成されています。 それらをプロジェクトに追加しましょう。
 
 1. [パンフレットの zip 形式のアーカイブ](https://github.com/MicrosoftLearning/mslearn-ai-studio/raw/main/data/brochures.zip)を `https://github.com/MicrosoftLearning/mslearn-ai-studio/raw/main/data/brochures.zip` からダウンロードし、ローカル ファイル システム上の「**brochures**」という名前のフォルダーに展開します。
-1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[データ]** ページを選択します。
+1. Azure AI Foundry ポータル内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[マイ アセット]** の下にある **[データ + インデックス]** ページを選択します。
 1. **[+ New data]\(+ 新しいデータ\)** を選択します。
 1. **[データの追加]** ウィザードで、ドロップダウン メニューを展開して **[Upload files/folders]\(ファイル/フォルダーのアップロード\)** を選択します。
 1. **[フォルダーのアップロード]** を選択し、**brochures** フォルダーを選択します。
-1. データ名を `brochures` に設定します。
+1. **[次へ]** を選択して、データ名を `brochures` に設定します。
 1. フォルダーがアップロードされるまで待ちます。これにはいくつかの .pdf ファイルが含まれています。
 
 ## データのインデックスを作成する
 
 これで、ご利用のプロジェクトにデータ ソースを追加したので、それを使用して Azure AI 検索リソース内にインデックスを作成することができます。
 
-1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[インデックス]** ページを選択します。
-1. 次の設定で新しいインデックスを追加します。
+1. Azure AI Foundry ポータル内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[マイ アセット]** の下にある **[データ + インデックス]** ページを選択します。
+1. **[インデックス]** タブで、次の設定で新しいインデックスを追加します。
     - **ソースの場所**:
-        - **データ ソース**:Azure AI Studio でのデータ
+        - **データ ソース**: Azure AI Foundry ポータルのデータ
             - [データ ソース] で **[brochures]** を選択します**
     - **インデックスの構成**:
         - **Azure AI Search サービスの選択**:ご利用の Azure AI 検索リソースへの **[AzureAISearch]** 接続を選択します**
@@ -117,10 +116,10 @@ Copilot ソリューションでは、カスタム データをプロンプト 
 
 RAG ベースのプロンプト フローでインデックスを使用する前に、それを使用して生成 AI 応答に作用することができるのを確認しましょう。
 
-1. 左側のナビゲーション ウィンドウの **[プロジェクト プレイグラウンド]** で、**[チャット]** ページを選択します。
+1. 左側ナビゲーション ウィンドウ内で、**[プレイグラウンド]** ページを選択します。
 1. [チャット] ページの [セットアップ] ウィンドウで、**gpt-35-turbo-16k** モデル デプロイが選択されていることを確認します。 次に、メインの [チャット セッション] パネルで、プロンプト「`Where can I stay in New York?`」を送信します。
 1. その応答を確認します。これは、インデックスからのデータを含まない、このモデルからの一般的な回答であるはずです。
-1. [セットアップ] ウィンドウで、**[データの追加]** タブを選択し、**brochures-index** プロジェクト インデックスを追加して、**[ハイブリッド (ベクトル + キーワード)]** 検索タイプを選択します。
+1. [セットアップ] ウィンドウで、**"データの追加"** フィールドを展開し、**brochures-index** プロジェクト インデックスを追加して、**[ハイブリッド (ベクトル + キーワード)]** 検索タイプを選択します。
 
    > **注**: 一部のユーザーは、新しく作成されたインデックスをすぐには使用できません。 通常はブラウザーの更新で解決しますが、インデックスが見つからない問題がそれでも解決しない場合は、インデックスが認識されるまで待つ必要がある場合があります。
 
@@ -129,9 +128,9 @@ RAG ベースのプロンプト フローでインデックスを使用する前
 
 ## プロンプト フロー内でインデックスを使用する
 
-ベクター インデックスはご利用の Azure AI Studio プロジェクト内に保存されており、プロンプト フロー内で簡単に使用することができます。
+ベクター インデックスはご利用の Azure AI Foundry プロジェクト内に保存されており、プロンプト フロー内で簡単に使用することができます。
 
-1. Azure AI Studio において、プロジェクトの左側ナビゲーション ウィンドウ内で、**[ツール]** の下にある **[プロンプト フロー]** ページを選択します。
+1. Azure AI Foundry ポータルにおいて、プロジェクトの左側ナビゲーション ウィンドウ内で、**[ビルドとカスタマイズ]** の下にある **[プロンプト フロー]** ページを選択します。
 1. ギャラリー内の **[Multi-Round Q&A on Your Data]** サンプルを複製して、新しいプロンプト フローを作成します。 このサンプルの複製を、「`brochure-flow`」という名前のフォルダー内に保存します。
     <details>  
       <summary><b>トラブルシューティングのヒント</b>: アクセス許可エラー</summary>
@@ -233,7 +232,7 @@ RAG ベースのプロンプト フローでインデックスを使用する前
         - **[推論データ収集]**:オン
     - **[詳細設定]**:
         - 既定の設定を使用します**
-1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
+1. Azure AI Foundry ポータルのプロジェクトの左側のナビゲーション ウィンドウの **[マイ アセット]** で、**[モデル + エンドポイント]** ページを選択します。
 1. "**brochure-endpoint**" エンドポイントの下に "**brochure-endpoint-1**" のデプロイが [成功] と表示されるまでビューを更新し続けます (これには長い時間がかかる場合があります)。**
 1. デプロイが成功したら、それを選択します。 次に、その **[テスト]** ページ上でプロンプト「`What is there to do in San Francisco?`」を入力し、その応答を確認します。
 1. プロンプト「`Where else could I go?`」を入力し、その応答を確認します。
@@ -241,9 +240,9 @@ RAG ベースのプロンプト フローでインデックスを使用する前
 
 ## 課題 
 
-Azure AI Studio で構築されたコパイロットに独自のデータを統合するところまで行いました。さらに詳しく調べてみましょう。
+Azure AI Foundry ポータルで構築されたコパイロットに独自のデータを統合するところまで行いました。さらに詳しく調べてみましょう。
 
-Azure AI Studio を使用して新しいデータ ソースを追加し、インデックスを作成し、インデックス付きデータをプロンプト フローと統合してみます。 試すことができるデータ セットは次のとおりです。
+Azure AI Foundry ポータルを使用して新しいデータ ソースを追加し、インデックスを作成し、インデックス付きデータをプロンプト フローと統合してみます。 試すことができるデータ セットは次のとおりです。
 
 - コンピューター上にある (調査) 記事のコレクション。
 - 過去の会議で使用したプレゼンテーションのセット。
@@ -255,4 +254,4 @@ Azure AI Studio を使用して新しいデータ ソースを追加し、イン
 
 不要な Azure のコストとリソース使用を回避するには、この演習でデプロイしたリソースを削除する必要があります。
 
-1. Azure AI Studio の確認が完了したら、[Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に戻ます。必要に応じて、ご自身の Azure 資格情報を使用してサインインします。 次に、Azure AI 検索と Azure AI リソースをプロビジョニングしたリソース グループ内のリソースを削除します。
+1. Azure AI Foundry の確認が完了したら、[Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に戻ます。必要に応じて、ご自身の Azure 資格情報を使用してサインインします。 次に、Azure AI 検索と Azure AI リソースをプロビジョニングしたリソース グループ内のリソースを削除します。
diff --git a/Instructions/05-Finetune-model.md b/Instructions/05-Finetune-model.md
index 928d14b..28c4b83 100644
--- a/Instructions/05-Finetune-model.md
+++ b/Instructions/05-Finetune-model.md
@@ -1,33 +1,33 @@
 ---
 lab:
-  title: Azure AI Studio でのチャット入力候補用に言語モデルを微調整する
+  title: Azure AI Foundry でのチャット入力候補用に言語モデルを微調整する
 ---
 
-# Azure AI Studio でのチャット入力候補用に言語モデルを微調整する
+# Azure AI Foundry でのチャット入力候補用に言語モデルを微調整する
 
 言語モデルを特定の方法で動作させる場合は、プロンプト エンジニアリングを使用して目的の動作を定義できます。 目的の動作の一貫性を向上させる場合は、モデルを微調整し、プロンプト エンジニアリングのアプローチと比較して、ニーズに最も適した方法を評価することができます。
 
-この演習では、カスタム チャット アプリケーション シナリオで使用する言語モデルを、Azure AI Studio で微調整します。 微調整したモデルと基本モデルを比較して、微調整したモデルの方がニーズに適しているかどうかを評価します。
+この演習では、カスタム チャット アプリケーション シナリオで使用する言語モデルを、Azure AI Foundry で微調整します。 微調整したモデルと基本モデルを比較して、微調整したモデルの方がニーズに適しているかどうかを評価します。
 
 あなたは旅行代理店で働いていて、休暇の計画を立てるのに役立つチャット アプリケーションを開発しているとします。 目標は、目的地やアクティビティを提案するシンプルで有益なチャットを作成することです。 このチャットはどのデータ ソースにも接続されないため、顧客との信頼を確保するために、ホテル、フライト、レストランの個別のおすすめを提供する必要は**ありません**。
 
 この演習には約 **60** 分かかります。
 
-## Azure AI Studio の中で AI ハブとプロジェクトを作成する
+## Azure AI Foundry ポータルで AI ハブとプロジェクトを作成する
 
-まずは、次のように Azure AI ハブの中で Azure AI Studio プロジェクトを作成します。
+まずは、次のように Azure AI ハブの中で Azure AI Foundry ポータル プロジェクトを作成します。
 
 1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
-1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
+1. ホーム ページで、**[+ プロジェクトの作成]** を選択します。
 1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
     - **プロジェクト名**:"プロジェクトの一意の名前"**
-    - **ハブ**:次の設定で新しいハブを作成します。**
-    - **ハブ名**:*一意の名前*
-    - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
-    - **[リソース グループ]**: "新しいリソース グループ"**
-    - **場所**: **[米国東部 2]**、**[米国中北部]**、**[スウェーデン中部]**、**[スイス西部]** のいずれかのリージョンを選択します\*
-    - **Azure AI サービスまたは Azure OpenAI の接続**: (新機能) *選択したハブ名が自動入力されます*
-    - **Azure AI 検索への接続**:接続をスキップする
+    - **[カスタマイズ]** を選択します。
+        - **ハブ**: *既定の名前を持つオートフィル*
+        - **サブスクリプション**: *サインインしているアカウントでオートフィル*
+        - **リソース グループ**: (新規) *プロジェクト名でオートフィル*
+        - **場所**: **[米国東部 2]**、**[米国中北部]**、**[スウェーデン中部]**、**[スイス西部]** のいずれかのリージョンを選択します\*
+        - **Azure AI サービスまたは Azure OpenAI の接続**: (新機能) *選択したハブ名が自動入力されます*
+        - **Azure AI 検索への接続**:接続をスキップする
 
     > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 場所ヘルパーに一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 [モデルの微調整のリージョン](https://learn.microsoft.com/en-us/azure/ai-services/openai/concepts/models?tabs=python-secure%2Cglobal-standard%2Cstandard-chat-completions#fine-tuning-models)をご確認ください。
 
@@ -38,21 +38,21 @@ lab:
 
 モデルの微調整には時間がかかるので、まず微調整ジョブを開始します。 モデルを微調整する前に、データセットが必要です。
 
-1. トレーニング データセットを JSONL ファイルでローカルに保存します: [https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/main/data/travel-finetune.jsonl](https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/refs/heads/main/data/travel-finetune-hotel.jsonl)
+1. [トレーニング データセット](https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/refs/heads/main/data/travel-finetune-hotel.jsonl)をダウンロードし`https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/refs/heads/main/data/travel-finetune-hotel.jsonl`で JSONL ファイルとしてローカルに保存します。
 
     > **注**: デバイスにおいて、デフォルトでファイルを .txt ファイルとして保存するようになっている場合があります。 すべてのファイルを選択し、.txt サフィックスを削除して、ファイルが JSONL として保存されるようにしてください。
 
-1. 左側のメニューを使用して、**[ツール]** セクションの **[微調整]** ページに移動します。
-1. 新しい微調整モデルを追加するボタンを選択し、`gpt-35-turbo` モデルを選択して、**[確認]** を選択します。
+1. 左側のメニューを使用して、**[ビルドとカスタマイズ]** セクションの **[微調整]** ページに移動します。
+1. 新しい微調整モデルを追加するボタンを選択し、`gpt-35-turbo` モデルを選択して、**[次へ]** を選択してから、**[確認]** を選択します。
 1. 次の構成を使用してモデルを**微調整**します。
     - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
     - **[モデル サフィックス]**: `ft-travel`
-    - **[Azure OpenAI 接続]**: *ハブの作成時に作成された接続を選択します*
+    - **AI リソースに接続済み**: *ハブの作成時に作成された接続を選択する。既定で選択する必要がある。*
     - **[トレーニング データ]**: ファイルをアップロードします
 
     <details>  
     <summary><b>トラブルシューティングのヒント</b>: アクセス許可エラー</summary>
-    <p>新しいプロンプト フローを作成するときにアクセス許可エラーが発生した場合は、次のトラブルシューティングを試してください。</p>
+    <p>アクセス許可エラーが返された場合は、次のトラブルシューティングを試してください。</p>
     <ul>
         <li>Azure portal で、AI サービス リソースを選択します。</li>
         <li>[IAM] ページの [ID] タブで、それがシステム割り当てマネージド ID であることを確認します。</li>
@@ -73,18 +73,20 @@ lab:
 
 微調整ジョブの完了を待っている間に、基本 GPT 3.5 モデルとチャットをして、そのパフォーマンスを評価しましょう。
 
-1. 左側のメニューを使用して、**[コンポーネント]** セクションの **[デプロイ]** ページに移動します。
+1. 左側のメニューを使用して、**[マイ アセット]** セクションの **[モデル + エンドポイント]** ページに移動します。
 1. **[+ モデルのデプロイ]** ボタンを選択し、**[基本モデルのデプロイ]** オプションを選択します。
 1. `gpt-35-turbo` モデルをデプロイします。これは、微調整時に使用したものと同じ種類のモデルです。
-1. デプロイが完了したら、**[プロジェクト プレイグラウンド]** セクションの **[チャット]** ページに移動します。
-1. セットアップ デプロイで、デプロイされた `gpt-35-model` 基本モデルを選択します。
+1. デプロイが完了したら、**[プレイグラウンドで開く]** ボタンを選択します。
+1. デプロイした `gpt-35-model` 基本モデルがセットアップ ウィンドウで選択されていることを確認します。
 1. チャット ウィンドウで、「`What can you do?`」という質問を入力し、応答を確認します。
     答えは非常に一般的です。 ユーザーに旅行する気を起こさせるチャット アプリケーションを作成しようとしていることを思い出してください。
-1. 次のプロンプトでシステム メッセージを更新します。
+1. 次のプロンプトでセットアップ ウィンドウのシステム メッセージを更新します。
+
     ```md
     You are an AI assistant that helps people plan their holidays.
     ```
-1. **[保存]** を選択し、**[チャットのクリア]** を選択して、もう一度 `What can you do?` と質問します。アシスタントは、旅行のフライト、ホテル、レンタカーの予約をサポートできると答えたりするでしょう。 この動作を回避しようとします。
+
+1. **[変更を適用]** を選択し、**[チャットのクリア]** を選択して、もう一度 `What can you do?` と質問します。アシスタントは、旅行のフライト、ホテル、レンタカーの予約をサポートできると答えたりするでしょう。 この動作を回避しようとします。
 1. 新しいプロンプトでシステム メッセージをもう一度更新します。
 
     ```md
@@ -93,7 +95,7 @@ lab:
     Ask engaging questions to help someone plan their trip and think about what they want to do on their holiday.
     ```
 
-1. **[保存]**、**[チャットのクリア]** の順に選択します。
+1. **[変更の適用]**、**[チャットのクリア]** の順に選択します。
 1. チャット アプリケーションのテストを続けて、取得したデータに基づかない情報が提供されていないことを確認します。 たとえば、次の質問をして、モデルの回答を調べます。
    
     `Where in Rome should I stay?`
@@ -104,7 +106,7 @@ lab:
 
     ホテルのおすすめ候補を提供しないように指示した場合でも、モデルでホテルの一覧が提供される場合があります。 これは、矛盾した動作の例です。 このような状況で、微調整したモデルのパフォーマンスが向上しているかどうかを調べてみましょう。
 
-1. **[ツール]** の下にある **[微調整]** ページに移動して、微調整ジョブとその状態を確認します。 まだ実行中の場合は、デプロイされた基本モデルを引き続き手動で評価することができます。 完了している場合は、次のセクションに進むことができます。
+1. **[ビルドとカスタマイズ]** の下にある **[微調整]** ページに移動して、微調整ジョブとその状態を確認します。 まだ実行中の場合は、デプロイされた基本モデルを引き続き手動で評価することができます。 完了している場合は、次のセクションに進むことができます。
 
 ## 微調整されたモデルをデプロイする
 
@@ -141,7 +143,7 @@ lab:
 
 ## クリーンアップ
 
-Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+Azure AI Foundry を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
 
 - [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
 - Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
diff --git a/Instructions/06-Explore-content-filters.md b/Instructions/06-Explore-content-filters.md
index 98c92f1..f580860 100644
--- a/Instructions/06-Explore-content-filters.md
+++ b/Instructions/06-Explore-content-filters.md
@@ -1,13 +1,13 @@
 ---
 lab:
-  title: Azure AI Studio で有害なコンテンツの出力を防ぐコンテンツ フィルターを確認する
+  title: Azure AI Foundry で有害なコンテンツの出力を防ぐコンテンツ フィルターを確認する
 ---
 
-# Azure AI Studio で有害なコンテンツの出力を防ぐコンテンツ フィルターを確認する
+# Azure AI Foundry で有害なコンテンツの出力を防ぐコンテンツ フィルターを確認する
 
-Azure AI Studio には、不快感を与える可能性があるプロンプトと入力候補を識別し、サービスとの対話から削除するのに役立つ既定のコンテンツ フィルターが含まれています。 さらに、特定のニーズに合わせてカスタム コンテンツ フィルターを定義するアクセス許可を申請して、ご使用のモデル デプロイが、ご使用の生成 AI シナリオに適切な責任ある AI プリンシパルを適用するようにできます。 コンテンツのフィルター処理は、生成 AI モデルを操作するときの責任ある AI に対する効果的なアプローチの 1 要素です。
+Azure AI Foundry には、不快感を与える可能性があるプロンプトと入力候補を識別し、サービスとの対話から削除するのに役立つ既定のコンテンツ フィルターが含まれています。 さらに、特定のニーズに合わせてカスタム コンテンツ フィルターを定義するアクセス許可を申請して、ご使用のモデル デプロイが、ご使用の生成 AI シナリオに適切な責任ある AI プリンシパルを適用するようにできます。 コンテンツのフィルター処理は、生成 AI モデルを操作するときの責任ある AI に対する効果的なアプローチの 1 要素です。
 
-この演習では、Azure AI Studio の既定のコンテンツ フィルターの効果を確認します。
+この演習では、Azure AI Foundry の既定のコンテンツ フィルターの効果を確認します。
 
 この演習には、約 **25** 分かかります。
 
@@ -34,28 +34,28 @@ Azure AI Studio には、不快感を与える可能性があるプロンプト
 
 1. Azure AI ハブが作成されると、次の画像のようになります。
 
-    ![Azure AI Studio の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-overview.png)
+    ![Azure AI Foundry ポータルの Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-overview.png)
 
-##  プロジェクトの作成
+## プロジェクトの作成
 
 Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同ワークスペースとして機能します。** Azure AI ハブにプロジェクトを作成してみましょう。
 
-1. Azure AI Studio の **[ハブの概要]** ページで、**[+ 新しいプロジェクト]** を選択します。 次に、**[新しいプロジェクトの作成]** ウィザードで、次の設定でプロジェクトを作成します。
+1. Azure AI Foundry ポータルの **[ハブの概要]** ページで、**[+ 新しいプロジェクト]** を選択します。 次に、**[新しいプロジェクトの作成]** ウィザードで、次の設定でプロジェクトを作成します。
 
     - **プロジェクト名**:"プロジェクトの一意の名前"**
     - **ハブ**:自分の AI ハブ**
 
 1. プロジェクトが作成されるまで待ちます。 準備ができたら、次の画像のようになります。
 
-    ![Azure AI Studio のプロジェクト詳細ページのスクリーンショット。](./media/azure-ai-project.png)
+    ![Azure AI Foundry ポータルの [プロジェクト詳細] ページのスクリーンショット。](./media/azure-ai-project.png)
 
 1. 左側のペインにあるページを表示して各セクションを展開し、プロジェクト内で実行できるタスクと管理できるリソースを確認します。
 
 ## モデルをデプロイする
 
-これで、**Azure AI Studio** 経由で使用するモデルをデプロイする準備ができました。 デプロイしたら、そのモデルを使用して自然言語コンテンツを生成します。
+これで、**Azure AI Foundry ポータル**経由で使用するモデルをデプロイする準備ができました。 デプロイしたら、そのモデルを使用して自然言語コンテンツを生成します。
 
-1. Azure AI Studio で、次の設定で新しいデプロイを作成します。
+1. Azure AI Foundry ポータルで、次の設定で新しいデプロイを作成します。
 
     - **モデル**: gpt-35-turbo
     - **デプロイ名**:"モデル デプロイの一意の名前"**
@@ -66,7 +66,7 @@ Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共
     - **コンテンツ フィルター**: DefaultV2
     - **動的クォータを有効にする**: 無効
       
-> **注**:各 Azure AI Studio モデルは、機能とパフォーマンスの異なるバランスに合わせて最適化されています。 この演習では、**GPT 3.5 Turbo** モデルを使用します。これには、自然言語生成とチャットのシナリオに対する高度な能力があります。
+> **注**:各 Azure AI Foundry モデルは、機能とパフォーマンスの異なるバランスに合わせて最適化されています。 この演習では、**GPT 3.5 Turbo** モデルを使用します。これには、自然言語生成とチャットのシナリオに対する高度な能力があります。
 
 ## コンテンツ フィルターを確認する
 
@@ -101,7 +101,7 @@ Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共
 
 1. [展開] ページに戻って、展開が作成したカスタム コンテンツ フィルターを参照するようになったことに注意してください。
 
-    ![Azure AI Studio の [展開] ページのスクリーンショット。](./media/azure-ai-deployment.png)
+    ![Azure AI Foundry ポータルの [展開] ページのスクリーンショット。](./media/azure-ai-deployment.png)
 
 ## 自然言語出力を生成する
 
@@ -131,9 +131,9 @@ Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共
    Describe characteristics of Scottish people.
     ```
 
-8. 出力を観察します。これは、人種差別的で見下すように求める要求はサポートされないと示すことが期待されます。 この不快感を与える出力の防止は、Azure AI Studio の既定のコンテンツ フィルターの結果です。
+8. 出力を観察します。これは、人種差別的で見下すように求める要求はサポートされないと示すことが期待されます。 この不快感を与える出力の防止は、Azure AI Foundry ポータルの既定のコンテンツ フィルターの結果です。
 
-> **ヒント**: コンテンツ フィルターで使用されるカテゴリと重大度レベルの詳細については、Azure AI Studio サービス ドキュメントで「[コンテンツのフィルター処理](https://learn.microsoft.com/azure/ai-studio/concepts/content-filtering)」を参照してください。
+> **ヒント**: コンテンツ フィルターで使用されるカテゴリと重大度レベルの詳細については、Azure AI Foundry ポータル サービス ドキュメントで「[コンテンツのフィルター処理](https://learn.microsoft.com/azure/ai-studio/concepts/content-filtering)」をご覧ください。
 
 ## クリーンアップ
 
diff --git a/Instructions/07-Evaluate-prompt-flow.md b/Instructions/07-Evaluate-prompt-flow.md
index 2a5657d..c541e9b 100644
--- a/Instructions/07-Evaluate-prompt-flow.md
+++ b/Instructions/07-Evaluate-prompt-flow.md
@@ -1,17 +1,17 @@
 ---
 lab:
-  title: Azure AI Studio でカスタム コパイロットのパフォーマンスを評価する
+  title: Azure AI Foundry でカスタム コパイロットのパフォーマンスを評価する
 ---
 
-# Azure AI Studio でカスタム コパイロットのパフォーマンスを評価する
+# Azure AI Foundry でカスタム コパイロットのパフォーマンスを評価する
 
-この演習では Azure AI Studio を使用して、組み込みとカスタムの評価を確認し、AI アプリケーションのパフォーマンスを評価および比較します。
+この演習では Azure AI Foundry ポータルを使用して、組み込みとカスタムの評価を確認し、AI アプリケーションのパフォーマンスを評価および比較します。
 
 この演習には約 **30** 分かかります。
 
-## Azure AI Studio の中で AI ハブとプロジェクトを作成する
+## Azure AI Foundry の中で AI ハブとプロジェクトを作成する
 
-まずは、次のように Azure AI ハブの中で Azure AI Studio プロジェクトを作成します。
+まずは、次のように Azure AI ハブの中で Azure AI Foundry プロジェクトを作成します。
 
 1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
 1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
@@ -30,9 +30,10 @@ lab:
 
 ## GPT モデルをデプロイする
 
-プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Studio を使うと、フローで使用できる OpenAI モデルをデプロイできます。
+プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Foundry ポータルを使うと、フローで使用できる OpenAI モデルをデプロイできます。
 
-1. 左側のナビゲーション ウィンドウの **[コンポーネント]** で、**[デプロイ]** ページを選びます。
+1. 左側のメニューを使用して、**[マイ アセット]** セクションの **[モデル + エンドポイント]** ページに移動します。
+1. **[+ モデルのデプロイ]** ボタンを選択し、**[基本モデルのデプロイ]** オプションを選択します。
 1. **デプロイ モデル** ウィザードで **[カスタマイズ]** を選択して、以下の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
     - **デプロイ名**:"モデル デプロイの一意の名前"**
     - **デプロイの種類**:Standard
@@ -62,12 +63,12 @@ lab:
    5. Encourage the user to ask follow-up questions for further assistance.
    ```
 
-1. **[保存]** を選択します。
-1. チャット ウィンドウ内でクエリ「`What can you do?`」を入力して、言語モデルが想定どおりに動作していることを確認します。
+1. **[変更の適用]** を選択します。
+1. チャット (履歴) ウィンドウ内でクエリ「`What can you do?`」を入力して、言語モデルが想定どおりに動作していることを確認します。
 
 これで、更新されたシステム メッセージを含むモデルが展開されたので、モデルを評価できます。
 
-## Azure AI Studio で言語モデルを手動で評価する
+## Azure AI Foundry ポータルで言語モデルを手動で評価する
 
 テスト データに基づいて、モデルの応答を手動で確認できます。 手動で確認すると、さまざまな入力を一度に 1 つずつテストして、モデルが想定どおりに実行されるかどうかを評価できます。
 
@@ -112,7 +113,13 @@ lab:
 
 ## 組み込みのメトリックを使用して Copilot を評価する
 
-チャット フローを使用して Copilot を作成すると、バッチ実行をして、組み込みのメトリックによりフローのパフォーマンスを評価することで、フローを評価できます。
+プロンプト フローを使用してチャット アプリケーションを作成すると、バッチ実行をして、組み込みのメトリックによりフローのパフォーマンスを評価することで、フローを評価できます。
+
+![評価用の入力データセットの構築の図。](./media/diagram-dataset-evaluation.png)
+
+チャット フローを評価するために、ユーザーのクエリとチャット応答が評価の入力として提供されます。
+
+時間を節約するために、プロンプト フローによって処理される複数の入力の結果を含むバッチ出力データセットを作成しました。 各結果は、次の手順で評価するデータセットに格納されます。
 
 1. **[自動評価]** タブを選択し、次の設定を使用して**新しい評価**を作成します。<details>  
       <summary><b>トラブルシューティングのヒント</b>: アクセス許可エラー</summary>
@@ -130,7 +137,7 @@ lab:
     - **[評価名]**:*一意の名前を入力*
     - **[次へ]** を選択します
     - **[評価するデータを選択する]**:データセットの追加
-        - JSONL ファイル (https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/main/data/travel-qa.jsonl) をダウンロードし、UI にアップロードします。
+        - `https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/main/data/travel-qa.jsonl` で[検証データセット](https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/main/data/travel-qa.jsonl)をダウンロードし、JSONL ファイルとして保存して UI にアップロードします。
     - **[次へ]** を選択します
     - **[メトリックの選択]**:コヒーレンス、流暢性
     - **[接続]**:AI サービス接続**
@@ -145,7 +152,7 @@ lab:
 
 ## Azure リソースを削除する
 
-Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+Azure AI Foundry を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
 
 - [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
 - Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
diff --git a/Instructions/08-Code-first-development.md b/Instructions/08-Code-first-development.md
index 0e5097e..a9eef6c 100644
--- a/Instructions/08-Code-first-development.md
+++ b/Instructions/08-Code-first-development.md
@@ -5,7 +5,7 @@ lab:
 
 # コード優先の開発ツールを使用してカスタム Copilot を構築する
 
-この演習では、Azure AI Studio 上の[オンライン エンドポイントに AI プロジェクトをプロビジョニングしてデプロイする](https://learn.microsoft.com/azure/developer/azure-developer-cli/azure-ai-ml-endpoints?WT.mc_id=academic-140829-cacaste) Azure Developer CLI テンプレートを複製してデプロイします。 そして、Azure AI とコード優先エクスペリエンスにより独自のカスタム Copilot を構築するための開始点として使用します。
+この演習では、Azure AI Foundry 上の[オンライン エンドポイントに AI プロジェクトをプロビジョニングしてデプロイする](https://learn.microsoft.com/azure/developer/azure-developer-cli/azure-ai-ml-endpoints?WT.mc_id=academic-140829-cacaste) Azure Developer CLI テンプレートを複製してデプロイします。 そして、Azure AI とコード優先エクスペリエンスにより独自のカスタム Copilot を構築するための開始点として使用します。
 
 この演習には約 **90** 分かかります。
 
@@ -21,7 +21,7 @@ lab:
 
 Azure Developer CLI AI プロジェクト テンプレートの使用を開始するには、「[Azure Developer CLI コレクションを使用した Azure AI テンプレート](https://learn.microsoft.com/collections/5pq0uompdgje8d/?WT.mc_id=academic-140829-cacaste)」に移動します。 コレクションを見て回ることで、マルチモーダル プロジェクトおよびマルチエージェント プロジェクトのサンプル、異なるフレームワークと Azure サービスを統合する Copilot のようなプロジェクトおよびサンプルなど、複数のプロジェクトがテクノロジ別やユース ケース別にグループ化していることがわかります。
 
-この演習では、**[Azure AI Studio と PromptFlow (Python) を使用した Contoso チャット小売 Copilot](https://aka.ms/contoso-retail-sample)** プロジェクト テンプレートを出発点として使用します。 このプロジェクト テンプレートは、Prompty と PromptFlow を使用して、Contoso Outdoors という架空の会社の小売 Web サイト (チャット UI) に統合できるカスタム Copilot (チャット AI) を構築する、コード優先のエクスペリエンスです。
+この演習では、**[Azure AI Foundry と PromptFlow (Python) を使用した Contoso チャット小売 Copilot](https://aka.ms/contoso-retail-sample)** プロジェクト テンプレートを出発点として使用します。 このプロジェクト テンプレートは、Prompty と PromptFlow を使用して、Contoso Outdoors という架空の会社の小売 Web サイト (チャット UI) に統合できるカスタム Copilot (チャット AI) を構築する、コード優先のエクスペリエンスです。
 
 ![Contoso チャット UI/UX](./media/contoso_outdoors_website.png)
 
@@ -83,7 +83,7 @@ Azure Developer CLI AI プロジェクト テンプレートの使用を開始
 azd を使用した AI アプリケーションのプロビジョニングとデプロイは、完了するまでに 10 分以上かかる可能性があります。 進行状況は次の方法で追跡できます。
 
 - [Azure portal](https://ms.portal.azure.com/) で詳細な進行状況を表示する。 環境名に対応するリソース グループを検索します。 サイドバーで **[デプロイ]** オプションを選択し、作成中のリソースのデプロイ状態を監視します。
-- [Azure AI Studio](https://ai.azure.com) ポータルにアクセスする。 Azure アカウントを使用してサインインします。 上記のリソース グループに対応する AI ハブを検索します (数回更新する必要がある場合があります)。 一覧表示されている AI プロジェクトを選択し、サイドバーで **[デプロイ]** を選択して、モデルとチャット アプリケーションのデプロイの状態を追跡します。
+- [Azure AI Foundry ポータル](https://ai.azure.com)にアクセスします。 Azure アカウントを使用してサインインします。 上記のリソース グループに対応する AI ハブを検索します (数回更新する必要がある場合があります)。 一覧表示されている AI プロジェクトを選択し、サイドバーで **[デプロイ]** を選択して、モデルとチャット アプリケーションのデプロイの状態を追跡します。
 
 Azure portal を使用してリソースのプロビジョニングを検証する方法を見てみましょう。
 
@@ -92,13 +92,13 @@ Azure portal を使用してリソースのプロビジョニングを検証す
 
     ![Azure portal のリソース グループの概要](./media/azure-portal-resource-group.png)
 
-1. まず、主要な [Azure AI Studio アーキテクチャ](https://learn.microsoft.com/azure/ai-studio/concepts/architecture) リソースが作成されたことを確認します。 次の図は、これらの各リソースが AI アプリケーションに提供するものの詳細を示しています。
+1. まず、主要な [Azure AI Foundry アーキテクチャ](https://learn.microsoft.com/azure/ai-studio/concepts/architecture) リソースが作成されたことを確認します。 次の図は、これらの各リソースが AI アプリケーションに提供するものの詳細を示しています。
 
     - **Azure AI ハブ**: 最上位レベルの Azure リソース。 チームのコラボレーション環境を提供します。
     - **Azure AI プロジェクト**: ハブの子。 オーケストレーション、カスタマイズ用のアプリ コンポーネントをグループ化します。
     - **Azure AI サービス**: モデル エンドポイントを管理します。
 
-    ![Azure AI Studio のアーキテクチャ](./media/resource-provider-connected-resources.svg)
+    ![Azure AI Foundry アーキテクチャ](./media/resource-provider-connected-resources.svg)
 
 1. 次に、クエリ駆動型の取得用に製品と顧客のデータを格納することで[取得拡張生成](https://learn.microsoft.com/azure/ai-studio/concepts/retrieval-augmented-generation)設計パターンを実装するための、2 つの主要なリソースがプロビジョニングされたことを確認します。
 
@@ -115,11 +115,11 @@ Azure portal を使用してリソースのプロビジョニングを検証す
 
 1. 最後になりましたが、**Machine Learning オンライン デプロイ**という種類の新しいリソースが登場します。 これは、デプロイされた Azure AI プロジェクト エンドポイント (チャット Copilot 用) に対応するリソースです。
 
-## Azure AI Studio を使用してデプロイを検証する
+## Azure AI Foundry を使用してデプロイを検証する
 
-Azure portal は、プロジェクトの基になる Azure リソースを管理するのに役立ちます。 Azure AI Studio ポータルを使用すると、モデルの選択からアプリケーションのデプロイまで、AI プロジェクト自体をエンドツーエンドで*構築および管理*することができます。 `azd up` コマンドは、必要なモデルのプロビジョニングから、使用のための Copilot API エンドポイントのデプロイおよびホストまで、プロセス全体を完了している必要があります。 アプリケーションが期待どおりに機能していることを確認しましょう。
+Azure portal は、プロジェクトの基になる Azure リソースを管理するのに役立ちます。 Azure AI Foundry ポータルを使用すると、モデルの選択からアプリケーションのデプロイまで、AI プロジェクト自体をエンドツーエンドで*構築および管理*することができます。 `azd up` コマンドは、必要なモデルのプロビジョニングから、使用のための Copilot API エンドポイントのデプロイおよびホストまで、プロセス全体を完了している必要があります。 アプリケーションが期待どおりに機能していることを確認しましょう。
 
-1. [Azure AI Studio](https://ai.azure.com/manage) の **[管理]** ページにアクセスして、サブスクリプション内のすべての Azure AI ハブを表示します。
+1. [Azure AI Foundry ポータル](https://ai.azure.com/manage)の **[管理]** ページにアクセスして、サブスクリプション内のすべての Azure AI ハブを表示します。
 1. リソース グループのハブを選択して、その中のすべての Azure AI プロジェクトを表示します。
 1. ハブで既定の AI プロジェクトを選択し、左側のメニューで **[デプロイ]** を選択します。
 1. **[モデル デプロイ]** で、次のデプロイを含む Azure OpenAI 接続があることを確認します。
@@ -131,13 +131,13 @@ Azure portal は、プロジェクトの基になる Azure リソースを管理
 
     ![Azure AI プロジェクトのデプロイ](./media/azure-ai-project-deployment.png)
 
-## Azure AI Studio を使用して (クラウド内の) デプロイをテストする
+## Azure AI Foundry を使用して (クラウド内の) デプロイをテストする
 
-デプロイされた Copilot が機能することを検証するには、Azure AI Studio の組み込みのテスト プレイグラウンド機能を使用します。
+デプロイされた Copilot が機能することを検証するには、Azure AI Foundry ポータルの組み込みのテスト プレイグラウンド機能を使用します。
 
 ![チャット デプロイの詳細](./media/chat-deployment-details.png)
 
-1. Azure AI Studio の **[アプリのデプロイ]** 一覧から、**[chat-deployment-xxxx]** というデプロイを選択します。
+1. Azure AI Foundry ポータルの **[アプリのデプロイ]** 一覧から、**[chat-deployment-xxxx]** というデプロイを選択します。
 1. デプロイされたチャット アプリケーションの **[詳細]** ページで、**[テスト]** タブを選択してテスト インターフェイスを取得します。
 
     **[詳細]** タブには、他のフロントエンド アプリケーション (Contoso Outdoor Web サイトなど) でこのチャット アシスタントを実際のユーザー操作に統合するのに使用できる、`Target URI` 値と `Key` 値もあります。
diff --git a/Instructions/Exercises/01-Explore-ai-studio.md b/Instructions/Exercises/01-Explore-ai-studio.md
new file mode 100644
index 0000000..55515e3
--- /dev/null
+++ b/Instructions/Exercises/01-Explore-ai-studio.md
@@ -0,0 +1,105 @@
+---
+lab:
+  title: Azure AI Studio を探索する
+---
+
+# Azure AI Studio を探索する
+
+この演習では、Azure AI Studio を使用してプロジェクトを作成し、生成 AI モデルを探索します。
+
+> この演習を完了するには、Azure OpenAI サービスへのアクセスについて Azure サブスクリプションが承認されている必要があります。 [登録フォーム](https://learn.microsoft.com/legal/cognitive-services/openai/limited-access)に入力して、Azure OpenAI モデルへのアクセスを要求します。
+
+この演習は約 **30** 分かかります。
+
+## Azure AI Studio を開く
+
+まずは Azure AI Studio を調べることから始めましょう。
+
+1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。 Azure AI Studio のホーム ページは次の画像のようになります。
+
+    ![Azure AI Studio のスクリーンショット。](./media/azure-ai-studio-home.png)
+
+1. ホーム ページの情報を確認し、各タブを表示して、モデルと機能の探索、プロジェクトの作成、リソースの管理のオプションを確認します。
+
+## Azure AI ハブを作成する
+
+プロジェクトをホストするには、Azure サブスクリプション内に Azure AI ハブが必要です。 このリソースは、プロジェクトの作成中に作成するか、事前にプロビジョニングすることができます (この演習ではこちらを行います)。
+
+1. **[管理]** セクションで、**[すべてのハブ]** を選択した後、**[+ 新しいハブ]** を選択します。 次の設定を使用して新しいハブを作成します。
+    - **ハブ名**:*一意の名前*
+    - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
+    - **[リソース グループ]**: "一意の名前で新しいリソース グループを作成するか、既存のものを選びます"**
+    - **[場所]**: *以下のいずれかのリージョンから**ランダム**に選択する*\*
+        - オーストラリア東部
+        - カナダ東部
+        - 米国東部
+        - 米国東部 2
+        - フランス中部
+        - 東日本
+        - 米国中北部
+        - スウェーデン中部
+        - スイス北部
+        - 英国南部
+    - **Azure AI サービスまたは Azure OpenAI への接続**:新しい AI サービスを作成するか既存のものを使用するかを選択する**
+    - **Azure AI 検索への接続**:接続をスキップする
+
+    > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、テナントを他のユーザーと共有するシナリオで、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。
+
+    Azure AI ハブが作成されると、次の画像のようになるはずです。
+
+    ![Azure AI Studio 内の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-resource.png)
+
+1. 新しいブラウザー タブを開き ([Azure AI Studio] タブは開いたままにします)、Azure portal ([https://portal.azure.com](https://portal.azure.com?azure-portal=true)) に移動します。プロンプトが表示されたら、Azure の資格情報を使ってサインインします。
+1. Azure AI ハブを作成したリソース グループに移動し、作成された Azure リソースを表示します。
+
+    ![Azure portal 内の Azure AI ハブと関連リソースのスクリーンショット。](./media/azure-portal.png)
+
+1. Azure AI Studio ブラウザー タブに戻ります。
+1. Azure AI ハブのページの左側のペインでそれぞれのページを表示し、作成および管理できる成果物を確認します。 **[接続]** ページで、Azure OpenAI と AI サービスへの接続が既に作成されていることを確認します。
+
+## プロジェクトの作成
+
+Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同作業用のワークスペースとして機能します。** Azure AI ハブ内にプロジェクトを作成してみましょう。
+
+1. Azure AI Studio で、先ほど作成したハブ内にいることを確認します (画面の上部にあるパスを確認することで、自分の場所を確認できます)。
+1. 左側のメニューを使用して、**[すべてのプロジェクト]** に移動します。
+1. **[+ New project]** を選択します。
+1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
+    - **現在のハブ**:あなたの AI ハブ**
+    - **プロジェクト名**:"プロジェクトの一意の名前"**
+1. プロジェクトが作成されるまで待ちます。 準備ができたら、次の画像のようになります。
+
+    ![Azure AI Studio のプロジェクト詳細ページのスクリーンショット。](./media/azure-ai-project.png)
+
+1. 左側のペインにあるページを表示して各セクションを展開し、プロジェクト内で実行できるタスクと管理できるリソースを確認します。
+
+## モデルのデプロイとテスト
+
+プロジェクトを使って、生成 AI モデルに基づいた複雑な AI ソリューションを作成できます。 Azure AI Studio で使用できるすべての開発オプションを詳しく説明することはこの演習の範囲を超えていますが、プロジェクト内でモデルを操作するための基本的な方法をいくつか説明します。
+
+1. プロジェクトの左側のペインの **[コンポーネント]** セクションで、**[デプロイ]** ページを選択します。
+1. **[デプロイ]** ページの **[モデル デプロイ]** タブで、**[+ デプロイの作成]** を選択します。
+1. 一覧から **gpt-35-turbo** モデルを検索し、選択して確認します。
+1. 以下の設定を使用してモデルをデプロイします。
+    - **デプロイ名**:"モデル デプロイの一意の名前"**
+    - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
+    - **デプロイの種類**:Standard
+    - **Azure OpenAI リソースに接続済み**:ハブの作成時に作成された既定の接続を選択する**
+    - **1 分あたりのトークン数のレート制限 (1,000 単位)**:5,000
+    - **コンテンツ フィルター**: 既定
+
+    > **注**:TPM を減らすと、ご利用のサブスクリプション内で使用可能なクォータが過剰に消費されることを回避するのに役立ちます。 この演習で使用するデータには、5,000 TPM で十分です。
+
+1. モデルがデプロイされたら、デプロイの概要ページで **[プレイグラウンドで開く]** を選択します。
+1. **[チャット プレイグラウンド]** ページで、**[デプロイ]** セクション内でご利用のモデル デプロイが選択されていることを確認します。
+1. チャット ウィンドウで、以下のように「AI とは何ですか?」のようなクエリを入力し、応答を確認します。**
+
+    ![Azure AI Studio のプレイグラウンドのスクリーンショット。](./media/playground.png)
+
+## クリーンアップ
+
+Azure AI Studio を確認し終わったら、不要な Azure コストが発生しないように、この演習で作成したリソースを削除する必要があります。
+
+1. Azure portal が表示されているブラウザー タブに戻り (または、新しいブラウザー タブで [Azure portal](https://portal.azure.com?azure-portal=true) をもう一度開き)、この演習で使ったリソースがデプロイされているリソース グループの内容を表示します。
+1. ツール バーの **[リソース グループの削除]** を選びます。
+1. リソース グループ名を入力し、削除することを確認します。
diff --git a/Instructions/Exercises/02-Use-prompt-flow-chat.md b/Instructions/Exercises/02-Use-prompt-flow-chat.md
new file mode 100644
index 0000000..4f3d87d
--- /dev/null
+++ b/Instructions/Exercises/02-Use-prompt-flow-chat.md
@@ -0,0 +1,182 @@
+---
+lab:
+  title: Azure AI Studio でのプロンプト フローを使用したカスタム コパイロットの構築の概要
+---
+
+# Azure AI Studio でのプロンプト フローを使用したカスタム コパイロットの構築の概要
+
+この演習では、Azure AI Studio のプロンプト フローを使用して、ユーザー プロンプトとチャット履歴を入力として使用し、Azure OpenAI の GPT モデルを使用して出力を生成するカスタム コパイロットを作成します。
+
+> この演習を完了するには、Azure OpenAI サービスへのアクセスについて Azure サブスクリプションが承認されている必要があります。 [登録フォーム](https://learn.microsoft.com/legal/cognitive-services/openai/limited-access)に記入して、Azure OpenAI モデルへのアクセスをリクエストします。
+
+プロンプト フローを使用してコパイロットを構築するには、次を実行する必要があります。
+
+- Azure AI Studio の中で AI ハブとプロジェクトを作成します。
+- GPT モデルをデプロイします。
+- デプロイされた GPT モデルを使用して、ユーザーの入力に基づいて回答を生成するフローを作成します。
+- フローをテストしてデプロイします。
+
+## Azure AI Studio 内に AI ハブとプロジェクトを作成する
+
+まずは、次のように Azure AI ハブの中で Azure AI Studio プロジェクトを作成します。
+
+1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
+1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
+1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
+    - **プロジェクト名**:"プロジェクトの一意の名前"**
+    - **ハブ**:次の設定で新しいハブを作成します。**
+        - **ハブ名**:*一意の名前*
+        - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
+        - **[リソース グループ]**: "新しいリソース グループ"**
+        - **[場所]**: *以下のいずれかのリージョンから**ランダム**に選択する*\*
+        - オーストラリア東部
+        - カナダ東部
+        - 米国東部
+        - 米国東部 2
+        - フランス中部
+        - 東日本
+        - 米国中北部
+        - スウェーデン中部
+        - スイス北部
+        - 英国南部
+    - **Azure AI サービスまたは Azure OpenAI への接続**:*新しい接続を作成する*
+    - **Azure AI 検索への接続**:接続をスキップする
+
+    > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 詳しくは、[リージョンごとのモデルの可用性](https://learn.microsoft.com/azure/ai-services/openai/concepts/models#gpt-35-turbo-model-availability)を参照してください
+
+1. 構成を確認して、プロジェクトを作成します。
+1. プロジェクトが作成されるまで 5 から 10 分待ちます。
+
+## GPT モデルをデプロイする
+
+プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Studio を使うと、フローで使用できる OpenAI モデルをデプロイできます。
+
+1. 左側のナビゲーション ウィンドウの **[コンポーネント]** で、**[デプロイ]** ページを選びます。
+1. 次の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
+    - **デプロイ名**:"モデル デプロイの一意の名前"**
+    - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
+    - **デプロイの種類**:Standard
+    - **Azure OpenAI リソースに接続済み**:既定の接続を選択します**
+    - **1 分あたりのトークン数のレート制限 (1,000 単位)**:5,000
+    - **コンテンツ フィルター**: 既定
+1. モデルが展開されるまで待ちます。 デプロイの準備ができたら、**[プレイグラウンドで開く]** を選択します。
+1. チャット ウィンドウで、`What can you do?` というクエリを入力します。
+
+    アシスタントに対する具体的な指示がないため、回答は一般的なものであることに注意してください。 あるタスクに焦点を当てるには、システム プロンプトを変更します。
+
+1. **システム メッセージ**を次のように変更します。
+
+   ```
+   **Objective**: Assist users with travel-related inquiries, offering tips, advice, and recommendations as a knowledgeable travel agent.
+
+   **Capabilities**:
+   - Provide up-to-date travel information, including destinations, accommodations, transportation, and local attractions.
+   - Offer personalized travel suggestions based on user preferences, budget, and travel dates.
+   - Share tips on packing, safety, and navigating travel disruptions.
+   - Help with itinerary planning, including optimal routes and must-see landmarks.
+   - Answer common travel questions and provide solutions to potential travel issues.
+    
+   **Instructions**:
+   1. Engage with the user in a friendly and professional manner, as a travel agent would.
+   2. Use available resources to provide accurate and relevant travel information.
+   3. Tailor responses to the user's specific travel needs and interests.
+   4. Ensure recommendations are practical and consider the user's safety and comfort.
+   5. Encourage the user to ask follow-up questions for further assistance.
+   ```
+
+1. **[変更の適用]** を選択します。
+1. チャット ウィンドウで、前と同じクエリを入力します。`What can you do?` 応答が変化していることに注意してください。
+
+これでデプロイされた GPT モデルのシステム メッセージの調整は完了したので、プロンプト フローを操作することでアプリケーションをさらにカスタマイズできます。
+
+## Azure AI Studio でチャット フローを作成して実行する
+
+テンプレートから新しいフローを作成することも、プレイグラウンドの構成に基づいてフローを作成することもできます。 先ほどプレイグラウンドでの実験を行っていたので、このオプションを使用して新しいフローを作成します。
+
+1. **[チャット プレイグラウンド]** で、上部のバーから **[プロンプト フロー]** を選択します。
+1. フォルダー名として `Travel-Chat` を入力します。
+
+    単純なチャット フローが自動的に作成されます。 2 つの入力 (チャット履歴とユーザーの質問)、デプロイされた言語モデルに接続する LLM ノード、チャットの応答を反映する出力があることに注意してください。
+
+    フローをテストするには、コンピューティングが必要です。
+
+1. 上部のバーから **[コンピューティング セッションの開始]** を選択します。
+1. コンピューティング セッションが開始するには 1 から 3 分かかります。
+1. **chat** という名前の LLM ノードを見つけます。 プロンプトには、チャット プレイグラウンドで指定したシステム プロンプトが既に含まれていることに注意してください。
+
+    ただし LLM ノードをデプロイ済みモデルに接続することは必要です。
+
+1. [LLM ノード] セクションの **[接続]** で、AI ハブの作成時に自動的に作成された接続を選択します。
+1. **Api** では、**chat** を選択します。
+1. **deployment_name** では、デプロイした **gpt-35-turbo** モデルを選択します。
+1. **response_format** では、**{"type":"text"}** を選択します。
+1. プロンプト フィールドを確認し、以下のようになっていることを確認します。
+
+   ```yml
+   {% raw %}
+   system:
+   **Objective**: Assist users with travel-related inquiries, offering tips, advice, and recommendations as a knowledgeable travel agent.
+
+   **Capabilities**:
+   - Provide up-to-date travel information, including destinations, accommodations, transportation, and local attractions.
+   - Offer personalized travel suggestions based on user preferences, budget, and travel dates.
+   - Share tips on packing, safety, and navigating travel disruptions.
+   - Help with itinerary planning, including optimal routes and must-see landmarks.
+   - Answer common travel questions and provide solutions to potential travel issues.
+
+   **Instructions**:
+   1. Engage with the user in a friendly and professional manner, as a travel agent would.
+   2. Use available resources to provide accurate and relevant travel information.
+   3. Tailor responses to the user's specific travel needs and interests.
+   4. Ensure recommendations are practical and consider the user's safety and comfort.
+   5. Encourage the user to ask follow-up questions for further assistance.
+
+   {% for item in chat_history %}
+   user:
+   {{item.inputs.question}}
+   assistant:
+   {{item.outputs.answer}}
+   {% endfor %}
+
+   user:
+   {{question}}
+   {% endraw %}
+   ```
+
+### フローをテストしてデプロイする
+
+これでフローの開発が完了したので、チャット ウィンドウを使用してフローをテストできます。
+
+1. コンピューティング セッションが実行されていることを確認します。
+1. **[保存]** を選択します。
+1. **[チャット]** を選択してフローをテストします。
+1. `I have one day in London, what should I do?` というクエリを入力し、出力を確認します。
+
+    作成したフローの動作に満足したら、フローをデプロイすることができます。
+
+1. **[デプロイ]** を選択して、以下の設定でフローをデプロイします。
+    - **基本設定**:
+        - **エンドポイント**:新規
+        - **[エンドポイント名]**:*一意の名前を入力*
+        - **デプロイ名**:*一意の名前を入力*
+        - **仮想マシン**:Standard_DS3_v2
+        - **インスタンス数**:3
+        - **[推論データ収集]**:有効
+    - **[詳細設定]**:
+        - 既定の設定を使用します**
+1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
+1. 既定で **[モデル デプロイ]** が一覧表示され、その中にデプロイした言語モデルが含まれていることに注意してください。
+1. **[アプリ デプロイ]** タブを選択して、デプロイされたフローを見つけます。 デプロイが一覧表示され、正常に作成されるには時間がかかる場合があります。
+1. デプロイが成功したら、それを選択します。 次に、その **[テスト]** ページ上でプロンプト「`What is there to do in San Francisco?`」を入力し、その応答を確認します。
+1. プロンプト「`Where else could I go?`」を入力し、その応答を確認します。
+1. エンドポイントの **[使用]** ページを表示し、エンドポイントのクライアント アプリケーションの構築に使用することができる接続情報とサンプル コードが含まれていることにご注目ください。これにより、このプロンプト フロー ソリューションをカスタム Copilot としてアプリケーションに統合することができます。
+
+## Azure リソースを削除する
+
+Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+
+- [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
+- Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
+- この演習のために作成したリソース グループを選びます。
+- リソース グループの **[概要]** ページの上部で、**[リソース グループの削除]** を選択します。
+- リソース グループ名を入力して、削除することを確認し、**[削除]** を選択します。
diff --git a/Instructions/Exercises/03-Use-own-data.md b/Instructions/Exercises/03-Use-own-data.md
new file mode 100644
index 0000000..709f0c2
--- /dev/null
+++ b/Instructions/Exercises/03-Use-own-data.md
@@ -0,0 +1,237 @@
+# 独自のデータを使用するカスタム Copilot を作成する
+
+取得拡張生成 (RAG) は、カスタム データ ソースからのデータを、生成 AI モデルのプロンプトに統合するアプリケーションを構築するために使用される手法です。 RAG は、カスタム *Copilot* を開発するために一般的に使用されるパターンです。チャット ベースのアプリケーションでは、言語モデルを使用して入力を解釈し、適切な応答を生成します。
+
+この演習では Azure AI Studio を使用して、カスタム データを生成 AI プロンプト フローに統合します。
+
+> **注**:Azure AI Studio は執筆時点でプレビュー段階にあり、現在活発に開発されています。 このサービスの一部の要素は正確に説明されていない場合があり、一部の機能は期待どおりに動作しない場合があります。
+
+この演習は約 **45** 分かかります。
+
+## "Azure AI 検索" リソースを作成する
+
+Copilot ソリューションでは、カスタム データをプロンプト フローに統合します。 この統合をサポートするには、ご利用のデータのインデックス作成に使用する Azure AI 検索リソースが必要です。
+
+1. Web ブラウザー内で [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) を開き、ご自身の Azure 資格情報を使用してサインインします。
+1. [ホーム] ページ上で **[+ リソースの作成]** を選択し、「`Azure AI Search`」を検索します。 それから、次の設定で新しい Azure AI 検索リソースを作成します。
+
+    - **[サブスクリプション]**: *Azure サブスクリプションを選択します*
+    - **[リソース グループ]**: *リソース グループを選択または作成します*
+    - **サービス名**:一意のサービス名を入力します**
+    - **[場所]**: *以下のいずれかのリージョンから**ランダム**に選択する*\*
+        - オーストラリア東部
+        - カナダ東部
+        - 米国東部
+        - 米国東部 2
+        - フランス中部
+        - 東日本
+        - 米国中北部
+        - スウェーデン中部
+        - スイス 
+    - **価格レベル**: Standard
+
+    > \* 後で、Azure AI 検索リソースと同じリージョンに Azure AI Hub (Azure OpenAI サービスを含む) を作成します。 Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、テナントを他のユーザーと共有するシナリオで、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別の Azure AI ハブを作成する必要がある可能性があります。
+
+1. Azure AI 検索リソースのデプロイが完了するまでお待ちください。
+
+## Azure AI プロジェクトを作成する
+
+これで Azure AI Studio プロジェクトと、それをサポートする Azure AI リソースを作成する準備が整いました。
+
+1. Web ブラウザー内で [Azure AI Studio](https://ai.azure.com) (`https://ai.azure.com`) を開き、ご自身の Azure 資格情報を使用してサインインします。
+1. Azure AI Studio の **[ホーム]** ページで、**[+ 新しいプロジェクト]** を選択します。 そして、**[プロジェクトの作成]** ウィザードで、次の設定を使用してプロジェクトを作成します。
+
+    - **プロジェクト名**:"プロジェクトの一意の名前"**
+    - **ハブ**:次の設定で新しいリソースを作成します。**
+
+        - **ハブ名**:*一意の名前*
+        - **Azure サブスクリプション**:"*ご自身の Azure サブスクリプション*"
+        - **[リソース グループ]**: "ご利用の Azure AI 検索リソースを含むリソース グループを選択します"**
+        - **[場所]**: *Azure AI 検索リソースと同じ場所*
+        - **Azure OpenAI**:(新規) "選択したハブ名がオートフィルされます"**
+        - **[Azure AI 検索]**:Azure AI 検索リソースを選択します**
+
+1. プロジェクトが作成されるまで待ちます。
+
+## モデルをデプロイする
+
+ソリューションを実装するには、次の 2 つのモデルが必要です。
+
+- 効率的なインデックス作成と処理のためにテキスト データをベクター化する "埋め込み" モデル。**
+- ご利用のデータに基づいて、質問に対する自然言語の応答を生成することができるモデル。
+
+1. Azure AI Studio 内のプロジェクトの左側ナビゲーション ウィンドウで、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
+1. 以下の設定を使用して、**text-embedding-ada-002** モデルの新しいデプロイを作成します。
+
+    - **[デプロイ名]**: `text-embedding-ada-002`
+    - **モデルのバージョン**: *既定値*
+    - **詳細オプション**:
+        - **コンテンツ フィルター**:*既定値*
+        - **1 分あたりのトークン数のレート制限**: `5K`
+1. 前の手順を繰り返して、「`gpt-35-turbo-16k`」というデプロイ名で **gpt-35-turbo-16k** モデルをデプロイします。
+
+    > **注**:1 分あたりのトークン数 (TPM) を減らすと、ご利用のサブスクリプション内で使用可能なクォータが過剰に消費されるのを回避するのに役立ちます。 この演習で使用するデータには、5,000 TPM で十分です。
+
+## プロジェクトにデータを追加する
+
+ご利用の Copilot のデータは、架空の旅行代理店 *Margie's Travel* の旅行パンフレット (PDF 形式) のセットで構成されています。 それらをプロジェクトに追加しましょう。
+
+1. [パンフレットの zip 形式のアーカイブ](https://github.com/MicrosoftLearning/mslearn-ai-studio/raw/main/data/brochures.zip)を `https://github.com/MicrosoftLearning/mslearn-ai-studio/raw/main/data/brochures.zip` からダウンロードし、ローカル ファイル システム上の「**brochures**」という名前のフォルダーに展開します。
+1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[データ]** ページを選択します。
+1. **[+ New data]\(+ 新しいデータ\)** を選択します。
+1. **[データの追加]** ウィザードで、ドロップダウン メニューを展開して **[Upload files/folders]\(ファイル/フォルダーのアップロード\)** を選択します。
+1. **[フォルダーのアップロード]** を選択し、**brochures** フォルダーを選択します。
+1. データ名を `brochures` に設定します。
+1. フォルダーがアップロードされるまで待ちます。これにはいくつかの.pdf ファイルが含まれています。
+
+## データのインデックスを作成する
+
+これで、ご利用のプロジェクトにデータ ソースを追加したので、それを使用して Azure AI 検索リソース内にインデックスを作成することができます。
+
+1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[インデックス]** ページを選択します。
+1. 次の設定で新しいインデックスを追加します。
+    - **[ソース データ]**:
+        - **データ ソース**:Azure AI Studio でのデータ
+            - [データ ソース] で **[brochures]** を選択します**
+    - **[インデックス設定]**:
+        - **Azure AI Search サービスの選択**:ご利用の Azure AI 検索リソースへの **[AzureAISearch]** 接続を選択します**
+        - **インデックス名**: `brochures-index`
+        - **仮想マシン**:自動選択
+    - **[検索設定]**:
+        - **[Vector settings]**:ベクトル検索をこの検索リソースに追加します
+        - **埋め込みモデルを選択します。***お使いのハブの既定の Azure OpenAI リソースを選択します。*
+        
+1. インデックス作成プロセスが完了するまで待ちます。これには数分かかる場合があります。 このインデックス作成操作は、次のジョブで構成されます。
+
+    - ご利用の brochures データ内でテキスト トークンを分解し、塊に分けて、埋め込みます。
+    - Azure AI 検索インデックスを作成します。
+    - インデックス資産を登録します。
+
+## インデックスをテストする
+
+RAG ベースのプロンプト フローでインデックスを使用する前に、それを使用して生成 AI 応答に作用することができるのを確認しましょう。
+
+1. 左側のナビゲーション ウィンドウの **[プロジェクト プレイグラウンド]** で、**[チャット]** ページを選択します。
+1. [チャット] ページの [オプション] パネルで、**gpt-35-turbo-16k** モデル デプロイが選択されていることを確認します。 次に、メインの [チャット セッション] パネルで、プロンプト「`Where can I stay in New York?`」を送信します。
+1. その応答を確認します。これは、インデックスからのデータを含まない、このモデルからの一般的な回答であるはずです。
+1. [セットアップ] パネル上で、**[データを追加する]** タブを選択し、プロジェクト インデックスで「**brochures-index**」を追加し、検索の種類で **[ハイブリッド (ベクトル + キーワード)]** を選択します。
+1. インデックスが追加され、チャット セッションが再開された後に、プロンプト「`Where can I stay in New York?`」を再送信します。
+1. その応答を確認します。インデックス内のデータに基づいているはずです。
+
+## プロンプト フロー内でインデックスを使用する
+
+ベクター インデックスはご利用の Azure AI Studio プロジェクト内に保存されており、プロンプト フロー内で簡単に使用することができます。
+
+1. Azure AI Studio において、プロジェクトの左側ナビゲーション ウィンドウ内で、**[ツール]** の下にある **[プロンプト フロー]** ページを選択します。
+1. ギャラリー内の **[Multi-Round Q&A on Your Data]** サンプルを複製して、新しいプロンプト フローを作成します。 このサンプルの複製を、「`brochure-flow`」という名前のフォルダー内に保存します。
+1. プロンプト フロー デザイナー ページが開いたら、**[brochure-flow]** を確認します。 そのグラフは、次の画像のようになるはずです。
+
+    ![プロンプト フロー グラフのスクリーンショット](./media/chat-flow.png)
+
+    使用しているサンプル プロンプト フローには、ユーザーがチャット インターフェイスにテキスト入力を繰り返し送信することができる、チャット アプリケーション用のプロンプト ロジックが実装されています。 会話履歴は保持され、繰り返しのたびにコンテキスト内に含まれます。 このプロンプト フローでは、一連の "ツール" を調整して次の操作を行います。**
+
+    - チャット入力に履歴を追加して、質問のコンテキスト化された形式でプロンプトを定義します。
+    - 質問に基づいて、インデックスと自分で選んだクエリの種類を使用してコンテキストを取得します。
+    - そのインデックスから取得したデータを使用してプロンプト コンテキストを生成し、質問を補足します。
+    - システム メッセージを追加し、チャット履歴を構造化して、プロンプト バリアントを作成します。
+    - そのプロンプトを言語モデルに送信して、自然言語の応答を生成します。
+
+1. **[コンピューティング セッションの開始]** ボタンを使用して、フローのランタイム コンピューティングを開始します。
+
+    ランタイムが起動するまで待ちます。 これにより、プロンプト フロー用のコンピューティング コンテキストが提供されます。 待っている間に、**[フロー]** タブ内で、フロー内のツールのセクションを確認します。
+
+1. **[入力]** セクションで、入力に次のものが含まれていることを確かめます。
+    - **chat_history**
+    - **chat_input**
+
+    このサンプル内の既定のチャット履歴には、AI に関するいくつかの会話が含まれています。
+
+1. **[出力]** セクションで、出力に次のものが含まれていることを確かめます。
+
+    - 値 ${chat_with_context.output} の **chat_output**
+
+1. **[modify_query_with_history]** セクション内で、次の設定を選択します (他の設定はそのまま残します)。
+
+    - **[接続]**:*AI ハブの既定の Azure OpenAI リソース*
+    - **Api**: chat
+    - **deployment_name**: gpt-35-turbo-16k
+    - **[response_format]**: {"type":"text"}
+
+1. **[検索]** セクションで、次のパラメーター値を設定します。
+
+    - **mlindex_content**:*空のフィールドを選択して [生成] ペインを開きます*
+        - **index_type**:登録済みのインデックス
+        - **mlindex_asset_id**: brochures-index:1
+    - **queries**: ${modify_query_with_history.output}
+    - **query_type**:ハイブリッド (ベクトル + キーワード)
+    - **top_k**:2
+
+1. **[generate_prompt_context]** セクション内で、Python スクリプトを確認し、このツールの **[入力]** に次のパラメーターが含まれるようにします。
+
+    - **search_result** *(object)*: ${lookup.output}
+
+1. **[Prompt_variants]** セクション内で、Python スクリプトを確認し、このツールの **[入力]** に次のパラメーターが含まれるようにします。
+
+    - **[contexts]** *(string)*: ${generate_prompt_context.output}
+    - **[chat_history]** *(string)*: ${inputs.chat_history}
+    - **[chat_input]** *(string)*: ${inputs.chat_input}
+
+1. **[chat_with_context**] セクション内で、次の設定を選択します (他の設定はそのまま残します)。
+
+    - **[接続]**:Default_AzureOpenAI
+    - **Api**:チャット
+    - **deployment_name**: gpt-35-turbo-16k
+    - **[response_format]**: {"type":"text"}
+
+    次に、このツールの **[入力]** に次のパラメーターが含まれるようにします。
+    - **[prompt_text]** *(string)*: ${Prompt_variants.output}
+
+1. ツール バー上で **[保存]** ボタンを使用して、プロンプト フロー内でツールに加えた変更を保存します。
+1. ツールバー上で **[チャット]** を選択します。 チャット ペインが開き、サンプルの会話履歴と、サンプル値に基づいて既に記入された入力が表示されます。 これらは無視してかまいません。
+1. チャット ペイン内で、既定の入力を質問「`Where can I stay in London?`」に置き換えて送信します。
+1. その応答を確認します。インデックス内のデータに基づいているはずです。
+1. フロー内の各ツールの出力を確認します。
+1. チャット ペイン内で、質問「`What can I do there?`」を入力します
+1. その応答がインデックス内のデータに基づいていることを確認し、チャット履歴を考慮します ("there" は "in London" と認識されます)。
+1. フロー内の各ツールの出力を確認し、フロー内の各ツールがその入力をどのように操作してコンテキスト化されたプロンプトを準備し、適切な応答を取得したのかを確認します。
+
+## フローをデプロイする
+
+これでインデックス付きデータを使用する作業フローが作成されたので、それをサービスとしてデプロイし、Copilot アプリケーションで使用することができます。
+
+> **注**:リージョンとデータセンターの負荷によっては、デプロイに時間がかかる場合があります。 時間があまりない場合は、遠慮なくデプロイ中に以下のチャレンジ セクションに進んだり、デプロイのテストをスキップしたりしてください。
+
+1. ツールバー上で **[デプロイ]** を選択します。
+1. 次の設定でデプロイを作成します。
+    - **基本設定**:
+        - **エンドポイント**:新規
+        - **[エンドポイント名]**:*既定の一意のエンドポイント名を使用する*
+        - **デプロイ名**:*既定のデプロイ エンドポイント名を使用する*
+        - **仮想マシン**:Standard_DS3_v2
+        - **インスタンス数**:3
+        - **[推論データ収集]**:オン
+    - **[詳細設定]**:
+        - 既定の設定を使用します**
+1. Azure AI Studio 内にあるプロジェクトの左側ナビゲーション ウィンドウ内で、**[コンポーネント]** の下にある **[デプロイ]** ページを選択します。
+1. "**brochure-endpoint**" エンドポイントの下に "**brochure-endpoint-1**" のデプロイが [成功] と表示されるまでビューを更新し続けます (これには長い時間がかかる場合があります)。**
+1. デプロイが成功したら、それを選択します。 次に、その **[テスト]** ページ上でプロンプト「`What is there to do in San Francisco?`」を入力し、その応答を確認します。
+1. プロンプト「`Where else could I go?`」を入力し、その応答を確認します。
+1. エンドポイントの **[使用]** ページを表示し、エンドポイントのクライアント アプリケーションの構築に使用することができる接続情報とサンプル コードが含まれていることにご注目ください。これにより、このプロンプト フロー ソリューションをカスタム Copilot としてアプリケーションに統合することができます。
+
+## 課題 
+
+Azure AI Studio で構築されたコパイロットに独自のデータを統合するところまで行いました。さらに詳しく調べてみましょう。
+
+Azure AI Studio を使用して新しいデータ ソースを追加し、インデックスを作成し、インデックス付きデータをプロンプト フローと統合してみます。 試すことができるデータ セットは次のとおりです。
+
+- コンピューター上にある (調査) 記事のコレクション。
+- 過去の会議で使用したプレゼンテーションのセット。
+- [Azure Search サンプル データ](https://github.com/Azure-Samples/azure-search-sample-data) リポジトリで入手できるデータセット。
+
+データ ソースを作成するためにできるだけ多くのデータを集め、プロンプト フローと統合します。 新しいプロンプト フローを試し、選択したデータ セットでのみ応答できるプロンプトを送信します。
+
+## クリーンアップ
+
+不要な Azure のコストとリソース使用を回避するには、この演習でデプロイしたリソースを削除する必要があります。
+
+1. Azure AI Studio の確認が完了したら、[Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に戻ます。必要に応じて、ご自身の Azure 資格情報を使用してサインインします。 次に、Azure AI 検索と Azure AI リソースをプロビジョニングしたリソース グループ内のリソースを削除します。
diff --git a/Instructions/Exercises/05-Evaluate-prompt-flow.md b/Instructions/Exercises/05-Evaluate-prompt-flow.md
new file mode 100644
index 0000000..58acb3d
--- /dev/null
+++ b/Instructions/Exercises/05-Evaluate-prompt-flow.md
@@ -0,0 +1,131 @@
+---
+lab:
+  title: Azure AI Studio で言語アプリを評価する
+---
+
+# Azure AI Studio で言語アプリを評価する
+
+この演習では Azure AI Studio を使用して、組み込みとカスタムの評価を確認し、AI アプリケーションのパフォーマンスを評価および比較します。
+
+> この演習を完了するには、Azure OpenAI サービスへのアクセスについて Azure サブスクリプションが承認されている必要があります。 [登録フォーム](https://learn.microsoft.com/legal/cognitive-services/openai/limited-access)に記入して、Azure OpenAI モデルへのアクセスをリクエストします。
+
+プロンプト フローを使用してコパイロットを構築するには、次を実行する必要があります。
+
+- Azure AI Studio の中で AI ハブとプロジェクトを作成します。
+- GPT モデルを展開します。
+- 組み込みのメトリックを使用して、テスト データセットを評価します。
+- カスタム評価メトリックを定義して、テスト データセットに対してそれを実行します。
+
+## Azure AI Studio の中で AI ハブとプロジェクトを作成する
+
+まずは、次のように Azure AI ハブの中で Azure AI Studio プロジェクトを作成します。
+
+1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
+1. **[ホーム]** ページを選択してから、**[+ 新しいプロジェクト]** を選択します。
+1. **[新しいプロジェクトの作成]** ウィザードで、次の設定を使ってプロジェクトを作成します。
+    - **プロジェクト名**:"プロジェクトの一意の名前"**
+    - **ハブ**:次の設定で新しいハブを作成します。**
+        - **ハブ名**:*一意の名前*
+        - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
+        - **[リソース グループ]**: "新しいリソース グループ"**
+        - **[場所]**: *以下のいずれかのリージョンから**ランダム**に選択する*\*
+        - オーストラリア東部
+        - カナダ東部
+        - 米国東部
+        - 米国東部 2
+        - フランス中部
+        - 東日本
+        - 米国中北部
+        - スウェーデン中部
+        - スイス北部
+        - 英国南部
+    - **Azure AI サービスまたは Azure OpenAI への接続**:*新しい接続を作成する*
+    - **Azure AI 検索への接続**:接続をスキップする
+
+    > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。 詳しくは、[リージョンごとのモデルの可用性](https://learn.microsoft.com/azure/ai-services/openai/concepts/models#gpt-35-turbo-model-availability)を参照してください
+
+1. 構成を確認して、プロジェクトを作成します。
+1. プロジェクトが作成されるまで 5 から 10 分待ちます。
+
+## GPT モデルをデプロイする
+
+プロンプト フロー内で言語モデルを使用するには、まずモデルを展開する必要があります。 Azure AI Studio を使うと、フローで使用できる OpenAI モデルをデプロイできます。
+
+1. 左側のナビゲーション ウィンドウの **[コンポーネント]** で、**[デプロイ]** ページを選びます。
+1. 次の設定で **gpt-35-turbo** モデルの新しいデプロイを作成します。
+    - **デプロイ名**:"モデル デプロイの一意の名前"**
+    - **モデルのバージョン**: *Select the default version (既定のバージョンの選択)*
+    - **デプロイの種類**:Standard
+    - **Azure OpenAI リソースに接続済み**:既定の接続を選択します**
+    - **1 分あたりのトークン数のレート制限 (1,000 単位)**:5,000
+    - **コンテンツ フィルター**: 既定
+1. モデルが展開されるまで待ちます。 展開の準備ができたら、**[プレイグラウンドで開く]** を選択します。
+1. **システム メッセージ**を次のように変更します。
+
+   ```
+   **Objective**: Assist users with travel-related inquiries, offering tips, advice, and recommendations as a knowledgeable travel agent.
+
+   **Capabilities**:
+   - Provide up-to-date travel information, including destinations, accommodations, transportation, and local attractions.
+   - Offer personalized travel suggestions based on user preferences, budget, and travel dates.
+   - Share tips on packing, safety, and navigating travel disruptions.
+   - Help with itinerary planning, including optimal routes and must-see landmarks.
+   - Answer common travel questions and provide solutions to potential travel issues.
+    
+   **Instructions**:
+   1. Engage with the user in a friendly and professional manner, as a travel agent would.
+   2. Use available resources to provide accurate and relevant travel information.
+   3. Tailor responses to the user's specific travel needs and interests.
+   4. Ensure recommendations are practical and consider the user's safety and comfort.
+   5. Encourage the user to ask follow-up questions for further assistance.
+   ```
+
+1. **[変更の適用]** を選択します。
+1. チャット ウィンドウ内でクエリ「`What can you do?`」を入力して、言語モデルが想定どおりに動作していることを確認します。
+
+これで、更新されたシステム メッセージを含むモデルが展開されたので、モデルを評価できます。
+
+## Azure AI Studio で言語モデルを評価する
+
+テスト データに基づいて、モデルの応答を手動で確認できます。 手動で確認すると、さまざまな入力を一度に 1 つずつテストして、モデルが想定どおりに実行されるかどうかを評価できます。
+
+1. **[チャット プレイグラウンド]** 内で、上部のバーから **[評価]** を選択します。
+1. 新しいウィンドウが開き、以前のシステム メッセージが既に設定され、展開したモデルが選択されています。
+1. **[手動評価の結果]** セクション内で、出力を確認する 5 つの入力を追加します。 5 つの個別の**入力**として、次の 5 つの質問を入力します。
+
+   `Can you provide a list of the top-rated budget hotels in Rome?`
+
+   `I'm looking for a vegan-friendly restaurant in New York City. Can you help?`
+
+   `Can you suggest a 7-day itinerary for a family vacation in Orlando, Florida?`
+
+   `Can you help me plan a surprise honeymoon trip to the Maldives?`
+
+   `Are there any guided tours available for the Great Wall of China?`
+
+1. 上部のバーから **[実行]** を選択して、入力として追加したすべての質問の出力を生成します。
+1. 応答の右下にある "サムズアップ" または "サムズダウン" のアイコンを選択して、各質問の出力を手動で確認できるようになりました。 各応答を評価して、少なくとも 1 つの "サムズアップ" と、1 つの "サムズダウン" の応答を評価の中に含めてください。
+1. 上部のバーから **[結果の保存]** を選択します。 この結果の名前として「`manual_evaluation_results`」と入力します。
+1. 左側のメニューを使用して、**[評価]** に移動します。
+1. **[手動評価]** タブを選択して、つい先ほど保存した手動評価を見つけます。 以前に作成した手動評価を確認し、中断したところから続行して、その更新した評価を保存できることに注目してください。
+1. **[メトリクスの評価]** タブを選択し、次の設定で新しい評価を作成します。
+    - **[評価名]**:*一意の名前を入力*
+    - **[どのようなシナリオを評価していますか?]**:コンテキストを含まない質問と回答
+    - **[評価するデータを選択する]**:データセットの追加
+        - JSONL ファイル (https://raw.githubusercontent.com/MicrosoftLearning/mslearn-ai-studio/main/data/travel-qa.jsonl) をダウンロードし、UI にアップロードします。
+    - **[メトリックの選択]**:コヒーレンス、流暢性
+    - **[接続]**:AI サービス接続**
+    - **[デプロイ名/モデル]**:展開した GPT-3.5 モデル**
+1. 評価が完了するまで待ちます。更新が必要になる場合があります。
+1. つい先ほど作成した評価の実行を選択します。
+1. **[メトリック ダッシュボード]** と **[詳細なメトリックの結果]** を確認します。
+
+## Azure リソースを削除する
+
+Azure AI Studio を調べ終わったら、Azure の不要なコストを避けるため、作成したリソースを削除する必要があります。
+
+- [Azure portal](https://portal.azure.com) (`https://portal.azure.com`) に移動します。
+- Azure portal の **[ホーム]** ページで、**[リソース グループ]** を選択します。
+- この演習のために作成したリソース グループを選びます。
+- リソース グループの **[概要]** ページの上部で、**[リソース グループの削除]** を選択します。
+- リソース グループ名を入力して、削除することを確認し、**[削除]** を選択します。
diff --git a/Instructions/Exercises/06-Explore-model-catalog.md b/Instructions/Exercises/06-Explore-model-catalog.md
new file mode 100644
index 0000000..c73ad83
--- /dev/null
+++ b/Instructions/Exercises/06-Explore-model-catalog.md
@@ -0,0 +1,127 @@
+---
+lab:
+  title: Azure AI Studio でモデル カタログを調べる
+---
+
+# Azure AI Studio でモデル カタログを調べる
+
+Azure AI Studio のモデル カタログは、さまざまなモデルを試してから使用できる中央リポジトリとして機能し、生成 AI シナリオの作成を容易にします。
+
+この演習では、Azure AI Studio でモデル カタログをいろいろ試すことができます。
+
+> **注**:Azure AI Studio は執筆時点でプレビュー段階にあり、現在活発に開発されています。 このサービスの一部の要素は正確に説明されていない場合があり、一部の機能は期待どおりに動作しない場合があります。
+
+> この演習を完了するには、Azure OpenAI サービスへのアクセスについて Azure サブスクリプションが承認されている必要があります。
+
+この演習には、約 **25** 分かかります。
+
+## Azure AI ハブを作成する
+
+プロジェクトをホストするには、Azure サブスクリプションに Azure AI ハブが必要です。 このリソースは、プロジェクトの作成中に作成するか、事前にプロビジョニングすることができます (この演習ではこちらを行います)。
+
+1. Web ブラウザーで [https://ai.azure.com](https://ai.azure.com) を開き、Azure の資格情報を使ってサインインします。
+
+1. [管理] セクションで、[すべて] ハブを選択し、**[新しいハブの追加]** を選択します。 次の設定を使用して新しいハブを作成します。
+    - **ハブ名**:*一意の名前*
+    - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
+    - **[リソース グループ]**: "一意の名前で新しいリソース グループを作成するか、既存のものを選びます"**
+    - **[場所]**: *以下のいずれかのリージョンから**ランダム**に選択する*\*
+        - オーストラリア東部
+        - カナダ東部
+        - 米国東部
+        - 米国東部 2
+        - フランス中部
+        - 東日本
+        - 米国中北部
+        - スウェーデン中部
+        - スイス北部
+        - 英国南部
+    - **Azure AI サービスまたは Azure OpenAI への接続**:新しい AI サービスの作成を選択するか既存のものを使用する
+    - **Azure AI 検索への接続**:接続をスキップする
+
+    > \* Azure OpenAI リソースは、リージョンのクォータによってテナント レベルで制限されます。 一覧表示されているリージョンには、この演習で使用されるモデル タイプの既定のクォータが含まれています。 リージョンをランダムに選択すると、テナントを他のユーザーと共有するシナリオで、1 つのリージョンがクォータ制限に達するリスクが軽減されます。 演習の後半でクォータ制限に達した場合は、別のリージョンに別のリソースを作成する必要が生じる可能性があります。
+
+1. **［作成］** を選択します 最初のハブの作成は、完了するまで数分かかる場合があります。 ハブの作成中、次の AI リソースも作成されます。 
+    - AI サービス
+    - ストレージ アカウント
+    - Key Vault
+
+1. Azure AI ハブが作成されると、次の画像のようになります。
+
+    ![Azure AI Studio の Azure AI ハブの詳細のスクリーンショット。](./media/azure-ai-overview.png)
+
+##  プロジェクトの作成
+
+Azure AI ハブは、1 つ以上の "プロジェクト" を定義できる共同ワークスペースとして機能します。** Azure AI ハブにプロジェクトを作成してみましょう。
+
+1. Azure AI Studio の **[ビルド]** ページで、**[+ 新しいプロジェクト]** を選びます。 次に、**[新しいプロジェクトの作成]** ウィザードで、次の設定でプロジェクトを作成します。
+
+    - **プロジェクト名**:"プロジェクトの一意の名前"**
+    - **ハブ**:自分の AI ハブ**
+
+1. プロジェクトが作成されるまで待ちます。 準備ができたら、次の画像のようになります。
+
+    ![Azure AI Studio のプロジェクト詳細ページのスクリーンショット。](./media/azure-ai-project.png)
+
+1. 左側のペインにあるページを表示して各セクションを展開し、プロジェクト内で実行できるタスクと管理できるリソースを確認します。
+
+## モデルをデプロイする
+
+これで、**Azure AI Studio** 経由で使用するモデルをデプロイする準備ができました。 デプロイしたら、そのモデルを使用して自然言語コンテンツを生成します。
+
+1. Azure AI Studio で、次の設定で新しいデプロイを作成します。
+
+    - **モデル**: gpt-35-turbo
+    - **デプロイの種類**:Standard
+    - **Azure OpenAI リソースに接続済み**:*Azure OpenAI 接続*
+    - **モデル バージョン**: 既定値に自動更新
+    - **デプロイの名前**: *任意の一意の名前*
+    - **詳細オプション**
+        - **コンテンツ フィルター**: 既定
+        - **1 分あたりのトークン数のレート制限**:5,000
+
+> **注**:各 Azure AI Studio モデルは、機能とパフォーマンスの異なるバランスに合わせて最適化されています。 この演習では、**GPT 3.5 Turbo** モデルを使用します。これには、自然言語生成とチャットのシナリオに対する高度な能力があります。
+
+## チャット プレイグラウンドでモデルをテストする
+
+会話のやり取りでのモデルの動作を見てみましょう。
+
+1. 左側のウィンドウで **[プレイグラウンド]** に移動します。
+
+1. **[チャット]** モードで、**[チャット セッション]** セクションに次のプロンプトを入力します。
+
+    ```
+   <Placeholder>
+    ```
+
+1. モデルは、いくつかのテキスト応答する可能性があります...
+
+## システム プロンプト メッセージを変更する
+
+チャット プレイグラウンドでは、システム プロンプトを変更してモデルの動作を変更できます。 システム プロンプトは、モデルが応答の生成を開始する前に受け取る最初のメッセージです。
+
+1. **[システム メッセージ]** セクションで、システム メッセージを次のテキストに変更します。
+
+    ```
+    <Placeholder>
+    ```
+
+1. システム メッセージに変更を適用します。
+
+1. **[Chat session]\(チャット セッション\)** セクションで、次のプロンプトを再入力します。
+
+    ```
+   <Placeholder>
+    ```
+
+8. 出力を観察します。これは...
+
+
+## チャット プレイグラウンドでデータを追加する
+
+<Placeholder>
+
+## クリーンアップ
+
+Azure OpenAI リソースでの作業が完了したら、[Azure portal](https://portal.azure.com/?azure-portal=true) 内のデプロイまたはリソース全体を必ず削除してください。
+