Copy Files From Source Repo (2024-04-12 18:33)

Instructions/Exercises/03-Use-own-data.md

@@ -62,8 +62,9 @@ Copilot ソリューションでは、カスタム データをプロンプト 
     - **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`」というデプロイ名で **gpt-35-turbo** 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。
+    > **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
 
@@ -90,52 +91,32 @@ Copilot ソリューションでは、カスタム データをプロンプト 
     - **[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
         - **[Azure OpenAI リソース]**:Default_AzureOpenAI
-        - 埋め込みモデルがデプロイされることを確認します**
+        - 埋め込みモデルがまだ存在しない場合はデプロイされることを確認します**
     - **[インデックス設定]**:
         - **[インデックス名]**: brochures-index
         - **仮想マシン**:自動選択
-1. インデックスの準備が整うのを待ちます。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。
+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。
-    - インデックスを更新する。
+    - 新しいインデックスを使用して Azure AI 検索を更新します。
     - 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. 左側ナビゲーション ウィンドウ内で、**[ツール]** の下にある **[プレイグラウンド]** ページを選択します。
-1. [プレイグラウンド] ページ上の **[構成]** ペイン内で、**[gpt-35-turbo]** 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、**[チャット セッション]** ペイン内で、プロンプト「`Where can I stay in New York?`」を送信します
+1. [プレイグラウンド] ページ上の [オプション] パネル内で、**[gpt-35-turbo]** 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. **[アシスタントのセットアップ]** ペイン内で、**[データを追加する]** を選択し、次の設定でデータ ソースを追加します。
-
-    - **データ ソース**:
-        - **[Select data source]**:Azure AI Search
-        - **[サブスクリプション]**:"*ご自身の Azure サブスクリプション*"
-        - **[Azure AI Search Service]**:ご利用の Azure AI 検索リソース**
-        - **[Azure AI Search index]**: brochures-index
-        - **ベクトル検索を追加する**:<u>未</u>選択
-        - **カスタム フィールド マッピングを使用する**:オン
-        - 使用発生を確認するチェック ボックスをオンにします。
-    - **[Data field mapping]**:
-        - **[Content data]**: コンテンツ
-        - **[File name]**: filepath
-        - **[Title]**: タイトル
-        - **[URL]**: url
-    - ** データ管理**：
-        - **search type**:Keyword
-
-1. データ ソースが追加され、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. [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 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]** を選択します。
-1. 前に作成したインデックスを含む ''**brochures-index**" フォルダーを選択します。
-1. インデックスの **[データ リンク]** セクションで、**[データ接続 URI]** の値をクリップボードにコピーします (`azureml://subscriptions/xxx/resourcegroups/xxx/workspaces/xxx/datastores/workspaceblobstore/paths/azureml/xxx/index/` のようになるはずです)。 プロンプト フロー内でインデックスに接続するために、この URI が必要になります。
-1. 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 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。
 
@@ -151,7 +132,7 @@ 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
 
 1. **[ランタイム]** 一覧の中で、**[開始]** を選択して自動ランタイムを開始します。
 
-    次に、その開始を待ちます。 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。
+    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**
@@ -173,15 +154,15 @@ 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
 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**: `MLIndex file from path`
-        - **mlindex_path**:*ベクトル インデックスの URI を貼り付けます*
+        - **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**: `Hybrid (vector + keyword)`
     - **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)*: ${search_question_from_indexed_docs.output}
+    - **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。
 
@@ -216,16 +197,15 @@ 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
 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]**: brochure-endpoint
+        - **エンドポイント名**: `brochure-endpoint`
         - **[デプロイ名]**: brochure-endpoint-1
         - **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
-        - **[Application Insights 診断]**: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]** の下で **[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 (これには時間がかかる場合があります)。**
+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。