Modified expression

Modified expression

10-building-low-code-ai-applications/translations/ja-jp/README.md

@@ -141,19 +141,19 @@ Copilotを　使って Dataverse でテーブルを作成する手順は下記
 
 ![Select new table](../../images/describe-new-table.png?WT.mc_id=academic-105485-yoterada)
 
-3. 「新しいテーブルの説明」画面で、テキストエリアを使って作成したいテーブルを記述します。例えば、「請求書情報を保存するテーブルを作成してください」と入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
+3. 「Describe the new Table」画面で、テキストエリアに作成したいテーブルの内容を記述します。例えば、「請求書情報を保存するテーブルを作成してください」と入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
 
 ![Describe the table](../../images/copilot-chat-prompt-dataverse.png?WT.mc_id=academic-105485-yoterada)
 
 4. AI Copilot は、追跡したいデータを保存するために必要なフィールドといくつかのサンプルデータを含む Dataverse テーブルを提案します。その後、会話形式のステップを通じて AI Copilot アシスタント機能を使って、自分のニーズに合わせてテーブルをカスタマイズできます。
 
 ![Suggested Dataverse table](../../images/copilot-dataverse-table.png?WT.mc_id=academic-105485-yoterada)
 
-1. 財務チームは、サプライヤーにメールを送り、請求書の現在のステータスを更新したいと考えています。Copilot を使って、サプライヤーのメールを保存する新しいフィールドをテーブルに追加できます。例えば、「サプライヤーのメールを保存する列を追加してください」という指示を入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
+5. 財務チームは、サプライヤーにメールを送り、請求書の現在のステータスを更新したいと考えています。Copilot を使って、サプライヤーのメールを保存する新しいフィールドをテーブルに追加できます。例えば、「サプライヤーのメールを保存する列を追加してください」という指示を入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
 
-1. AI Copilot は新しいフィールドを生成し、そのフィールドを自分のニーズに合わせてカスタマイズできます。
+6. AI Copilot は新しいフィールドを生成し、そのフィールドを自分のニーズに合わせてカスタマイズできます。
 
-1. テーブルの作成が完了したら、「作成」ボタンをクリックしてテーブルを作成します。
+7. テーブルの作成が完了したら、「作成」ボタンをクリックしてテーブルを作成します。
 
 ## AI Builder を使った Power Platform の AI モデル
 
@@ -174,21 +174,21 @@ Power Platform で利用可能な事前構築済み AI モデルには以下の
 - **フォーム処理**：このモデルはフォームから情報を抽出します。
 - **請求書処理**：このモデルは請求書から情報を抽出します。
 
-カスタム AI モデルを使うと、自分のモデルを AI Builder に取り込んで、AI Builder のカスタムモデルと同様に機能させ、自分のデータを使ってモデルをトレーニングできます。これらのモデルを使って、Power Apps と Power Automate の両方でプロセスを自動化し、結果を予測できます。自分のモデルを使用する場合、適用される制限があります。これらの制限について詳しくは[こちら](https://learn.microsoft.com/ai-builder/byo-model#limitations?WT.mc_id=academic-105485-yoterada)をご覧ください。
+カスタム AI モデルを使うと、自分のモデルを AI Builder に取り込んで、AI Builder のカスタムモデルと同様に機能させ、自分のデータを使ってモデルをトレーニングできます。これらのモデルを使って、Power Apps と Power Automate の両方でプロセスを自動化し、結果を予測できます。自分のモデルを使用する場合、適用に関して制限があります。これらの制限について、詳しくは[こちら](https://learn.microsoft.com/ai-builder/byo-model#limitations?WT.mc_id=academic-105485-yoterada)をご覧ください。
 
 ![AI builder models](../../images/ai-builder-models.png?WT.mc_id=academic-105485-yoterada)
 
 ## 課題#2 - スタートアップによる請求書処理フローの構築
 
-財務チームは請求書の処理に苦労しています。彼らはスプレッドシートを使って請求書を追跡していましたが、請求書の数が増えるにつれて管理が難しくなってきました。そこで、AI を使って請求書を処理するワークフローの構築を依頼されました。このワークフローでは、請求書から情報を抽出し、その情報を Dataverse テーブルに保存することが求められています。また、抽出した情報を財務チームにメールで送信できるようにする必要もあります。
+財務チームは請求書の処理に苦労しています。彼らはスプレッドシートを使って請求書を追跡していましたが、請求書の数が増えるにつれて管理が難しくなってきました。そこで、AI を使って請求書を処理するワークフローの構築を依頼されました。このワークフローでは、請求書から情報を抽出し、その情報を Dataverse テーブルに保存することが求められています。また、抽出した情報を財務チームにメールで送信する必要もあります。
 
 AI Builder とは何か、なぜそれを使うべきなのかを理解したところで、先ほど説明した AI Builder の請求書処理 AI モデルを使って、財務チームが請求書を処理するのに役立つワークフローを構築する方法を見ていきましょう。
 
 AI Builder の請求書処理 AI モデルを使って、財務チームが請求書を処理するのに役立つワークフローを構築するには、下記の手順を実行します：
 
 1. [Power Automate](https://make.powerautomate.com?WT.mc_id=academic-105485-yoterada) のホーム画面に遷移します。
 
-2. ホーム画面のテキストエリアを使って、構築したいワークフローを記述します。例えば、「メールボックスに請求書が届いたら処理してください」と入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
+2. ホーム画面のテキストエリアを使って、構築したいワークフローを記述します。例えば、「メールボックスに請求書が届いたら処理を開始してください」と入力します。「送信」ボタンをクリックして、この指示を AI Copilot に送ります。
 
     ![Copilot power automate](../../images/copilot-chat-prompt-powerautomate.png?WT.mc_id=academic-105485-yoterada)
 

11-integrating-with-function-calling/translations/ja-jp/README.md

@@ -20,15 +20,15 @@
 
 このレッスンを終えると、下記ができるようになります：
 
-- 関数呼び出しの使用理由を説明できます。
+- 関数呼び出しを使う理由を説明できます。
 - Azure Open AI Service を使用して関数呼び出しアプリを構築できます。
 - アプリケーションのユースケースに適した効果的な関数呼び出しを設計できます。
 
 ## シナリオ：関数を用いてチャットボットを改善する
 
 このレッスンでは、教育スタートアップで、利用者である学生がチャットボットを使用して技術コースを検索できる機能を実装したいと考えています。利用者のスキルレベル、現在の役割、興味のある技術に合わせたコースを推奨します。
 
-このシナリオを実現するために、下記を組み合わせて使用します：
+このシナリオを実現するために、下記の機能やサービスを使用します：
 
 - `Azure Open AI`：利用者にチャット体験を提供する為に使用します。
 - `Microsoft Learn Catalog API`：利用者のリクエストに基づいて、コースを見つける支援を行います。
@@ -38,7 +38,7 @@
 
 ## 関数呼び出しを行う理由
 
-関数呼び出しを行う前は、LLM からの回答は構造化されておらず、一貫性がありませんでした。開発者は、得られるさまざまな回答に対して処理できるように、複雑な検証コードを記述する必要がありました。例えば、ユーザーは「今のストックホルムの天気は何ですか？」のような回答も得ることができませんでした。これは、モデルがデータをトレーニングした時間に制限されていたためです。
+関数呼び出しを行う前は、LLM からの回答は構造化されておらず、一貫性がありませんでした。開発者は、得られるさまざまな回答に対して処理できるように、複雑な検証コードを記述する必要がありました。例えば、ユーザーは「今のストックホルムの天気は何ですか？」のような回答も得ることができませんでした。これは、モデルの学習データをトレーニングした時間が制限されていたためです。
 
 「関数呼び出し」は、Azure Open AI Service の機能で、下記ができるようになります：
 
@@ -114,7 +114,7 @@
 
    上記のプロンプトは、LLM に情報を抽出し、応答を JSON 形式で返すように指示しています。
 
-1. プロンプトと Azure Open AI への接続設定を行った後、`openai.ChatCompletion`を使用してプロンプトを LLM に送信します。プロンプトは `messages` 変数に格納し、ロールを `user` に設定します。これは、ユーザーからのメッセージがチャット・ボットに書き込まれる様子を模倣するために記載します。
+1. プロンプトと Azure Open AI への接続設定を行った後、`openai.ChatCompletion`を使用してプロンプトを LLM に送信します。プロンプトは `messages` 変数に格納し、ロールを `user` に設定します。これは、ユーザーからのメッセージがチャット・ボットに書き込まれる様子を模倣するために記載しています。
 
    ```python
    # プロンプト1からの応答
@@ -132,7 +132,7 @@
    openai_response2.choices[0].message.content
    ```
 
-   これで、両方のリクエストを LLM に送信し、受信した回答を `openai_response1['choices'][0]['message']['content']` で調べることができます。
+   これで、両方のリクエストを LLM に送信し、受信した回答を `[openai_response1.choices[0].message.content]` 等で取得することができます。
 
 1. 最後に、`json.loads`を呼び出すことで、応答を JSON 形式に変換できます：
 
@@ -145,13 +145,25 @@
    応答 1：
 
    ```json
-   { "name": "Emily Johnson", "major": "コンピューターサイエンス", "school": "Duke University", "grades": "3.7", "club": "チェス・クラブ" }
+   {
+    "name": "Emily Johnson", 
+    "major": "コンピューターサイエンス", 
+    "school": "Duke University", 
+    "grades": "3.7",
+     "club": "チェス・クラブ" 
+    }
    ```
 
    応答 2:
 
    ```json
-   { "name": "Michael Lee", "major": "コンピューターサイエンス", "school": "Stanford University", "grades": "3.8 GPA", "club": "ロボティクス・クラブ" }
+   { 
+    "name": "Michael Lee", 
+    "major": "コンピューターサイエンス", 
+    "school": "Stanford University", 
+    "grades": "3.8 GPA", 
+    "club": "ロボティクス・クラブ" 
+    }
    ```
 
    プロンプトは同じで、説明も似ていますが、`grades` プロパティ値の出力形式が異なる場合があります。例えば、`3.7`や`3.8 GPA`のような形式で出力する場合があります。
@@ -238,8 +250,8 @@ functions = [
 - `name` - 呼び出したい関数名
 - `description` - 関数がどのように動作するかの説明。ここは具体的で明確であることが重要
 - `parameters` - モデルが回答で生成する値と形式のリスト。`parameters` 配列はアイテムで構成され、各アイテムには次のプロパティを含む
-  1.`type` - プロパティのデータ型
-  1.`properties` - 回答に使用する特定の値のリスト
+   1. `type` - プロパティのデータ型
+   1. `properties` - 回答に使用する特定の値のリスト
       1. `name` - フォーマットされた回答で使用するプロパティ名。例えば、`product`
       1. `type` - プロパティのデータ型。例えば、`string`
       1. `description` - 特定のプロパティの説明