diff --git a/10-building-low-code-ai-applications/translations/ja-jp/README.md b/10-building-low-code-ai-applications/translations/ja-jp/README.md index 00d3a17f5..39f0460d1 100644 --- a/10-building-low-code-ai-applications/translations/ja-jp/README.md +++ b/10-building-low-code-ai-applications/translations/ja-jp/README.md @@ -141,7 +141,7 @@ 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) @@ -149,11 +149,11 @@ Copilotを　使って Dataverse でテーブルを作成する手順は下記 ![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 @@ -174,13 +174,13 @@ 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。 @@ -188,7 +188,7 @@ AI Builder の請求書処理 AI モデルを使って、財務チームが請 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) diff --git a/11-integrating-with-function-calling/translations/ja-jp/README.md b/11-integrating-with-function-calling/translations/ja-jp/README.md index 40d2876fc..7af015df4 100644 --- a/11-integrating-with-function-calling/translations/ja-jp/README.md +++ b/11-integrating-with-function-calling/translations/ja-jp/README.md @@ -20,7 +20,7 @@ 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。 @@ -28,7 +28,7 @@ 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