kohbanye/aoai-workshop-for-build-japan-for-startups-202406

Azure OpenAI Service x RAG パターン実践ハンズオン: Python 編

💫 概要とゴール

このハンズオンでは、以下を習得することがゴールです。

• Cosmos DB for NoSQL でのベクター検索機能 の利用方法。
  • 2024年5月に開催されたカンファレンス Microsoft Build で発表された機能です。
  • 独自のデータを、ベクター検索が可能な検索インデックスとして作成する方法を学びます。
• Retrieval Augmented Generation (RAG) パターンでの回答生成

開発言語は Python を利用します。
独自データのサンプルとして、このリポジトリのdata/azure-info.jsonにある Azure のサービスの一覧の情報を利用し、検索インデックスを作成します。

🗺️ アーキテクチャ構成

ハンズオンで実現するアーキテクチャ構成は以下となります。

Azure OpenAI Service、Cosmos DB と Function App で以下のプログラムを実装して、ハンズオンのゴールを目指します。

API (Function App)	説明
Indexer (図:左側)	ベクター検索ができるように Cosmos DB へデータを登録
chat (図:右側)	受け付けた質問に対して、Cosmos DB でベクター検索をし、その結果を用いて LLM で回答を生成

🚧 Azure のリソース作成時の注意

Warning

今回のハンズオンでは、Auzre のリソースを作成することで料金が発生するリソースもあります。ご自身の状況に応じて、今回のハンズオンの最後にリソースグループごとすべて消すなどは自己責任で行なってください。

🔖 ハンズオンの構成

以下の構成でハンズオンを進めます。

タイトル	概要
🧪 S1. Azure OpenAI Service のセットアップ	ハンズオンで利用する Azure OpenAI Service のリソースをセットアップします。
🧪 S2. Azure のリソースをセットアップ	ハンズオンで利用する Cosmos DB と Function App のリソースをセットアップします。
🧪 D1. テンプレートのコードをセットアップ	Codespace でハンズオンで利用する Function App のコードのテンプレートで、環境変数の設定などをセットアップします。
🧪 D2. indexer.py の実装	ベクター検索のインデックスとなるデータを Cosmos DB へ更新する処理を実装します。
🧪 D3. chat_app.py の実装	RAG パターンでの回答生成を実装します。
🧪 D4. Azure へのデプロイ	Azure Functions へデプロイして動作確認をします。
🚮 Azure のリソース削除	Azure のリソースを削除する方法を説明します。

🛠️ 事前準備

GitHub アカウントと Azure のサブスクリプションが必要です。

🧑‍💻 Let's Get Started

以下のリンクからハンズオンの旅に出発しょう🚀

• 🧪 S1. Azure OpenAI Service のセットアップ