Develop generative AI apps in Azure

Generativ kunstig intelligens (AI) bliver i stigende grad tilgængelig gennem omfattende udviklingsplatforme som Azure AI Foundry. I dette modul lærer du, hvordan du bygger generative AI-applikationer, der anvender sprogmodeller til at kommunikere med brugerne.

DETALJER

Modul 1 - Planlæg og forbered udvikling af AI-løsninger på Azure:

Microsoft Azure tilbyder en bred vifte af tjenester, der gør det muligt for udviklere at skabe avancerede AI-drevne løsninger. En vellykket udviklingsproces starter med grundig planlægning og forberedelse – herunder at identificere de relevante Azure-tjenester, værktøjer og rammer samt skabe et effektivt arbejdsmiljø for udviklingsteamet.

I takt med den stigende anvendelse af kunstig intelligens – især generativ AI – bliver udviklere i stigende grad bedt om at bygge komplette AI-løsninger, der kombinerer maskinlæringsmodeller, AI-tjenester, prompt engineering og specialudviklet kode. Azure giver en fleksibel platform, hvor disse elementer kan samles i én sammenhængende løsning.

Dette modul gennemgår de vigtigste overvejelser, når man planlægger udvikling af AI-applikationer, og introducerer Azure AI Foundry – en samlet udviklingsplatform til AI på Microsoft Azure. Platformen hjælper organisationer med at designe, bygge, teste og implementere AI-løsninger effektivt og ansvarligt.

Ved afslutningen af modulet har du fået indsigt i, hvordan du bedst planlægger og forbereder et AI-udviklingsprojekt, og hvordan Azure AI Foundry kan understøtte hele processen fra idé til implementering.

Modul 2 - Vælg og implementér modeller fra modelkataloget i Azure AI Foundry-portalen:

I dette modul lærer du at vælge mellem de forskellige sprogbaserede modeller, der er tilgængelige i Azure AI Foundrys modelkatalog, samt hvordan du vælger, implementerer og tester en model for at forbedre dens ydeevne.

Generativ AI bygger på sproglige foundation-modeller, som danner grundlaget for applikationer, der forstår og genererer naturligt sprog. Udviklingsprocessen begynder typisk med at udforske og sammenligne de tilgængelige modeller for at finde den, der bedst matcher dit projekts behov. Når den rette model er valgt, kan den implementeres som et endpoint, der kan tilgås af en klientapplikation eller en AI-agent.

Foundation-modeller, som eksempelvis GPT-familien, er avancerede sprogmodeller udviklet til at forstå, generere og interagere på naturligt sprog. De kan bruges til en lang række formål – fra tale-til-tekst og maskinoversættelse til tekstklassificering, opsummering og spørge-svar-funktioner.

I dette modul fokuserer du særligt på question answering-modeller, som danner grundlaget for chatapplikationer, hvor AI’en genererer præcise og kontekstuelle svar på brugerens spørgsmål. Du lærer, hvordan du effektivt vælger, konfigurerer og tester disse modeller i Azure AI Foundry, så de bedst understøtter dine generative AI-løsninger.

Modul 3 - Udvikl en AI-app med Azure AI Foundry SDK:

Når du bygger AI-løsninger på Azure AI Foundry, arbejder du typisk med flere tjenester og frameworks. Azure AI Foundry SDK samler de fælles tjenester og kodebiblioteker i ét centralt, programmatisk adgangspunkt, så du hurtigere kan skrive den kode, der binder din AI-app sammen på Azure.

I dette modul lærer du at bruge Azure AI Foundry SDK til at arbejde med ressourcer i et AI-projekt: oprette forbindelse til projektets komponenter, kalde de relevante service-specifikke biblioteker og orkestrere data- og modelflows. Kernen er AIProjectClient, som fungerer som en programmatisk proxy for projektet. Med den kan du tilgå tilknyttede ressourcer (fx modelendpoints, datakilder, evaluerings- og prompt-artefakter) og anvende de underliggende SDK’er og klienter til at forbruge dem i din applikation.

Efter modulet kan du strukturere din app omkring AIProjectClient, genbruge projektets konfigurationer og forbindelser, og bygge rige AI-applikationer, der sikkert og effektivt bruger de ressourcer, der er defineret i dine Azure AI Foundry-projekter.

Modul 4 - Kom godt i gang med Prompt Flow i Azure AI Foundry:

Den fulde styrke i Large Language Models (LLMs) ligger i deres praktiske anvendelse. Uanset om du vil bruge LLM’er til at klassificere websider eller udvikle en chatbot baseret på dine egne data, skal du bygge en applikation, der kombinerer dine datakilder med LLM’er for at generere det ønskede output.

Med Prompt Flow, som er tilgængelig i både Azure Machine Learning Studio og Azure AI Foundry-portalen, kan du udvikle, teste, justere og udrulle LLM-baserede applikationer.

En prompt er den forespørgsel, du sender til modellen — den tekst eller de instruktioner, der får modellen til at generere et svar eller udføre en opgave. Effektive prompts formidler tydeligt brugerens intention og ønskede resultat.

Prompt Flow gør det muligt at skabe flows, som er sekvenser af handlinger eller trin, der tilsammen udgør processen for, hvordan en LLM anvendes i en bestemt use case — fra input til output. På den måde kan du designe og automatisere hele arbejdsflowet, der styrer samspillet mellem data, modeller og applikationer, og dermed skabe kraftfulde og målrettede AI-løsninger i Azure.

Modul 5 - Udvikl en RAG-baseret løsning med dine egne data i Azure AI Foundry:

I dette modul lærer du, hvordan du kan bygge din egen chatbaserede sprogmodelløsning i Azure AI Foundry, der er grounded i dine egne data. Du arbejder med at forbinde en relevant datakilde, bygge en agent og bruge den til at generere kontekstuelle, præcise og pålidelige svar.

Sprogbaserede modeller bliver stadig mere populære, fordi de kan generere sammenhængende og meningsfulde svar på brugerens spørgsmål. Når brugeren interagerer med en model via en chat, føles det som en naturlig samtale — men for at svaret skal være pålideligt, skal det være forankret i virkelige data.

Et af de største problemer ved brug af sprogmodeller er manglende groundedness — altså hvorvidt et svar bygger på faktuelle og kontekstuelle oplysninger. Uden grounding baserer modellen sine svar på det generelle træningsmateriale, som ofte består af store mængder tekst fra internettet uden relevant kontekst. Resultatet kan være et grammatisk korrekt, men faktuelt forkert svar, eller endda information, som modellen har “opfundet”.

For at løse dette anvendes en RAG-tilgang (Retrieval-Augmented Generation). Her “forankres” prompten i en relevant datakilde, så modellen kan hente faktuelle oplysninger, før den genererer et svar. Det kan for eksempel være data fra et produktkatalog, som gør, at spørgsmålet “Hvilket produkt skal jeg bruge til X?” besvares med præcise oplysninger om reelle produkter.

Modul 6 - Finjustér en sprogmodel med Azure AI Foundry:

I dette modul lærer du, hvordan du finjusterer en sprogmodel direkte i Azure AI Foundry-portalen. Du forbereder dine data, vælger en model fra modelkataloget, og tilpasser den til dit behov. Ved at fine-tune en model i stedet for at træne en helt ny sparer du både tid, beregningskraft og data, samtidig med at du får en løsning, der præcist matcher din applikations formål og kommunikationsstil.

Sprogmodeller er fortrænede modeller, der giver et stærkt udgangspunkt for at bygge AI-løsninger. Ved at bruge en eksisterende base- eller foundation-model kan du spare både tid og ressourcer, fordi du kun behøver en mindre mængde data for at tilpasse modellen til dit specifikke formål.

Forestil dig, at du arbejder som udvikler i et rejsebureau. Når kunder bruger jeres chatapplikation, skal svarene have en bestemt tone og stil, der afspejler virksomhedens brand og kommunikation. For at sikre denne konsistens kan du fine-tune en eksisterende sprogmodel, så den tilpasses netop jeres tone, ordvalg og kontekst.

Modul 7 - Implementér en ansvarlig generativ AI-løsning i Azure AI Foundry:

Generativ AI er en af de mest kraftfulde teknologiske landvindinger til dato. Den gør det muligt at bygge applikationer, der bruger maskinlæringsmodeller trænet på store datamængder fra internettet til at generere nyt indhold, som kan være vanskeligt at skelne fra menneskeskabt indhold.

Med denne styrke følger også risici. Derfor kræver generativ AI en ansvarlig tilgang, hvor dataforskere, udviklere og andre involverede parter systematisk identificerer, måler og afbøder potentielle skader. Dette modul gennemgår Microsofts retningslinjer for ansvarlig generativ AI, der bygger videre på Microsoft’s Responsible AI Standard og adresserer de særlige hensyn ved generative modeller.

For at forebygge eller reducere skadeligt indhold i generative systemer kan du anvende følgende praktiske proces:

1. Identificér potentielle skader, der er relevante for din løsning.
2. Mål forekomsten af disse skader under reel brug.
3. Afbød risici på flere niveauer i løsningen (model, prompt/flow, filtre, brugergrænseflade, overvågning).
4. Udrul med passende planer og forberedelser for ansvarlig drift (governance, incident response, løbende evaluering).

Modulet hjælper dig med at omsætte disse principper til praksis i Azure AI Foundry, så du kan udvikle generative AI-løsninger, der er både effektive og ansvarlige.

Modul 8 - Evaluer generativ AI-ydeevne i Azure AI Foundry-portalen

I dette modul lærer du at bruge Azure AI Foundry-portalen til at evaluere dine generative AI-løsninger. Du får indsigt i, hvordan du arbejder med modelbenchmarks, udfører manuelle evalueringer og anvender automatiserede evalueringsværktøjer for at måle kvalitet og forbedre modelperformance systematisk.

Evaluering af dine generative AI-applikationer er afgørende for at sikre kvalitet, præcision og brugeroplevelse. Ved at vurdere appens ydeevne kan du identificere fejl, forbedringsområder og sikre, at modellen leverer relevante og korrekte svar. Høj kvalitet i svarene øger brugertilfredsheden og styrker tilliden til applikationen.

Evaluering er samtidig en central del af løbende optimering. Ved at analysere resultaterne af dine evalueringer kan du målrette forbedringer og gradvist hæve appens præstation. Denne iterative proces hjælper dig med at tilpasse løsningen til brugernes behov og sikre, at den forbliver effektiv og værdifuld over tid.