Azure AI Foundry モデルを使用するように AI プロジェクトを構成する

2025-06-30

Azure AI Foundry に既に AI プロジェクトがある場合、モデルカタログは、既定でサードパーティモデルプロバイダーのモデルをスタンドアロンエンドポイントとしてプロジェクトにデプロイします。各モデルデプロイには、それにアクセスするための独自の URI と資格情報のセットがあります。一方、Azure OpenAI モデルは、Azure AI Services リソースまたは Azure AI Foundry Models リソースの Azure OpenAI にデプロイされます。

この動作を変更し、両方の種類のモデルを Azure AI Foundry Services (旧称 Azure AI Services) にデプロイできます。構成が完了すると、 サーバーレス API デプロイとしてのモデルのデプロイは、接続されている Azure AI Services リソース ではなくプロジェクト自体に対して行われ、Azure AI Foundry にデプロイされているすべてのモデルにアクセスするためのエンドポイントと資格情報のセットが 1 つ与えられます。 Azure OpenAI とサードパーティのモデルプロバイダーのモデルを、同じ方法で管理できます。

さらに、Azure AI Foundry Models にモデルをデプロイすると、次のような利点があります。

ルーティング機能。
カスタムコンテンツフィルター。
グローバルな容量のデプロイの種類。
ロールベースのアクセス制御によるキーレス認証。

この記事では、Foundry Models デプロイを使用するようにプロジェクトを構成する方法について説明します。

[前提条件]

このチュートリアルを完了するには、次のものが必要です。

Azure サブスクリプション。 GitHub モデルを使用している場合は、エクスペリエンスをアップグレードし、プロセスで Azure サブスクリプションを作成できます。お客様の場合は、 GitHub モデルから Foundry モデルへのアップグレードをお読みください。
Azure AI サービスリソース。詳細については、「Azure AI サービスリソースを作成する」を参照してください。
Azure AI プロジェクトと Azure AI ハブ。

ヒント

AI ハブがプロビジョニングされると、それとともに Azure AI サービスリソースが作成され、それら 2 つのリソースは接続されます。プロジェクトに接続されている Azure AI サービスリソースを確認するには、Azure AI Foundry ポータル>[管理センター]>[接続されたリソース] に移動して、[AI サービス] の種類の接続を見つけてください。

Foundry モデルを使用するようにプロジェクトを構成する

Azure AI Foundry Services で Foundry Models 機能を使用するようにプロジェクトを構成するには、次の手順に従います。

Azure AI Foundry ポータルに移動します。
上部のナビゲーションバーで、右上隅にあるプレビュー機能アイコンを選択します。画面の右側にコンテキストブレードが表示されます。
Azure AI モデル推論サービスへのモデルのデプロイ機能を有効にします。
そのパネルを閉じます。
プロジェクトのランディングページ内で、プロジェクトに接続されている Azure AI サービスリソースを特定します。必要に応じて、ドロップダウンを使用して接続されているリソースを変更します。
ドロップダウンの中にリソースが一覧表示されていない場合は、AI ハブに Azure AI サービスリソースが接続されていません。新しい接続を次のように作成します。
1. 画面の左下隅にある [管理センター] を選択します。
2. [接続] セクション内で [新しい接続] を選択します。
3. [Azure AI サービス] を選択します。
4. ブラウザーで、サブスクリプション内の既存 Azure AI サービスリソースを探します。
5. [接続の追加] を選択します。
6. 新しい接続がハブに追加されます。
7. プロジェクトのランディングページに戻って続行し、ここで新しく作成された接続を選択します。ページがすぐに表示されない場合は更新してください。
[含まれる機能] の下で、確実に [Azure AI 推論] を選択してください。 Foundry Models エンドポイント URI が、アクセスするための資格情報と共に表示されます。

ヒント

各 Azure AI Foundry Services リソースには、その上の任意のモデルデプロイにアクセスするために使用できる単一 の Foundry Models エンドポイント があります。同じエンドポイントが、構成されているものに応じて複数のモデルに対応します。エンドポイントのしくみを確認してください。
エンドポイントの URL と資格情報をメモしてください。

Foundry Models でモデルデプロイを作成する

Foundry Models の下にデプロイするモデルごとに、次の手順に従います。

Azure AI Foundry ポータル内の [モデルカタログ] セクションに移動します。
関心のあるモデルまでスクロールして選択します。
モデルカードでモデルの詳細を確認できます。
[デプロイ] を選択します。
追加の契約条件が必要なモデルプロバイダーの場合は、それらの条件に同意するように求められます。 [サブスクリプションとデプロイ] を選択して、これらのケースの使用条件に同意します。
この時点でデプロイ設定を構成できます。既定では、デプロイはデプロイするモデルの名前を受け取ります。デプロイ名は、この特定のモデルデプロイにルーティングする要求の model パラメーターで使用されます。これにより、特定の構成をアタッチする際に、モデルに特定の名前を構成できます。たとえば、厳密なコンテンツフィルターを使用するモデルの場合、o1-preview-safe。
[Azure AI モデル推論サービスにモデルをデプロイする] の機能を有効にしたため、プロジェクトに応じて Azure AI サービス接続が自動的に選択されます。 [カスタマイズ] オプションを使用し、ニーズに基づいて接続を変更します。 サーバーレス API デプロイの種類でデプロイする場合は、Azure AI Services リソースのリージョンでモデルを使用できる必要があります。
[デプロイ] を選択します。
デプロイが完了すると、そのモデルにアクセスするためのエンドポイント URL と資格情報が表示されます。これで、指定された URL と資格情報が Foundry Models エンドポイントのプロジェクトのランディングページに表示されるのと同じになります。
[モデル + エンドポイント] セクションに移動し、AI サービスリソースへの接続のグループを見つけると、そのリソースのもとで使用可能なすべてのモデルを表示できます。

新しいエンドポイントを使用してコードをアップグレードする

Azure AI サービスリソースが構成されたら、コードからそのリソースの使用を開始できます。エンドポイント URL とそのキーが必要です。これは、[概要] セクションで確認できます。

サポートされている SDK のいずれかを使用して、エンドポイントから予測を取得できます。次の SDK が正式にサポートされています。

OpenAI SDK
Azure OpenAI SDK
Azure AI 推論パッケージ
Azure AI Projects パッケージ

詳細と例については、サポートされている言語と SDK のセクションを参照してください。次の例は、新しくデプロイされたモデルで Azure AI 推論パッケージを使用する方法を示しています。

pip のように、パッケージマネージャーを使用してパッケージ azure-ai-inference をインストールします。

pip install azure-ai-inference

その後、パッケージを使用してモデルを使用できます。次の例では、チャット入力候補を使用してクライアントを作成する方法を示します。

import os
from azure.ai.inference import ChatCompletionsClient
from azure.core.credentials import AzureKeyCredential

client = ChatCompletionsClient(
    endpoint="https://<resource>.services.ai.azure.com/models",
    credential=AzureKeyCredential(os.environ["AZURE_INFERENCE_CREDENTIAL"]),
)

サンプルを確認し、API リファレンスドキュメントを参照して、作業を開始してください。

npm を使用してパッケージ @azure-rest/ai-inference をインストールします。

npm install @azure-rest/ai-inference

その後、パッケージを使用してモデルを使用できます。次の例では、チャット入力候補を使用してクライアントを作成する方法を示します。

import ModelClient from "@azure-rest/ai-inference";
import { isUnexpected } from "@azure-rest/ai-inference";
import { AzureKeyCredential } from "@azure/core-auth";

const client = new ModelClient(
    "https://<resource>.services.ai.azure.com/models", 
    new AzureKeyCredential(process.env.AZURE_INFERENCE_CREDENTIAL)
);

サンプルを確認し、API リファレンスドキュメントを参照して、作業を開始してください。

次のコマンドを使用して Azure AI 推論ライブラリをインストールします:

dotnet add package Azure.AI.Inference --prerelease

次の名前空間をインポートします。

using Azure;
using Azure.Identity;
using Azure.AI.Inference;

その後、パッケージを使用してモデルを使用できます。次の例では、チャット入力候補を使用してクライアントを作成する方法を示します。

ChatCompletionsClient client = new ChatCompletionsClient(
    new Uri("https://<resource>.services.ai.azure.com/models"),
    new AzureKeyCredential(Environment.GetEnvironmentVariable("AZURE_INFERENCE_CREDENTIAL"))
);

サンプルを確認し、API リファレンスドキュメントを参照して、作業を開始してください。

パッケージをプロジェクトに追加します。

<dependency>
    <groupId>com.azure</groupId>
    <artifactId>azure-ai-inference</artifactId>
    <version>1.0.0-beta.1</version>
</dependency>

その後、パッケージを使用してモデルを使用できます。次の例では、チャット入力候補を使用してクライアントを作成する方法を示します。

ChatCompletionsClient client = new ChatCompletionsClientBuilder()
    .credential(new AzureKeyCredential("{key}"))
    .endpoint("https://<resource>.services.ai.azure.com/models")
    .buildClient();

サンプルを確認し、API リファレンスドキュメントを参照して、作業を開始してください。

リファレンスセクションを活用して、API の設計と使用可能なパラメーターを調べることができます。たとえば、チャット補完のリファレンスセクションでは、ルート /chat/completions を使用し、チャット形式の指示に基づいて予測を生成する方法について詳しく説明しています。パス /models が URL のルートに含まれていることに注目してください。

依頼

POST https://<resource>.services.ai.azure.com/models/chat/completions?api-version=2024-05-01-preview
api-key: <api-key>
Content-Type: application/json

最初のチャット入力候補を生成します。

from azure.ai.inference.models import SystemMessage, UserMessage

response = client.complete(
    messages=[
        SystemMessage(content="You are a helpful assistant."),
        UserMessage(content="Explain Riemann's conjecture in 1 paragraph"),
    ],
    model="mistral-large"
)

print(response.choices[0].message.content)

var messages = [
    { role: "system", content: "You are a helpful assistant" },
    { role: "user", content: "Explain Riemann's conjecture in 1 paragraph" },
];

var response = await client.path("/chat/completions").post({
    body: {
        messages: messages,
        model: "mistral-large"
    }
});

console.log(response.body.choices[0].message.content)

requestOptions = new ChatCompletionsOptions()
{
    Messages = {
        new ChatRequestSystemMessage("You are a helpful assistant."),
        new ChatRequestUserMessage("Explain Riemann's conjecture in 1 paragraph")
    },
    Model = "mistral-large"
};

response = client.Complete(requestOptions);
Console.WriteLine($"Response: {response.Value.Content}");

List<ChatRequestMessage> chatMessages = new ArrayList<>();
chatMessages.add(new ChatRequestSystemMessage("You are a helpful assistant"));
chatMessages.add(new ChatRequestUserMessage("Explain Riemann's conjecture in 1 paragraph"));

ChatCompletions chatCompletions = client.complete(new ChatCompletionsOptions(chatMessages));

for (ChatChoice choice : chatCompletions.getChoices()) {
    ChatResponseMessage message = choice.getMessage();
    System.out.println("Response:" + message.getContent());
}

依頼

POST https://<resource>.services.ai.azure.com/models/chat/completions?api-version=2024-05-01-preview
api-key: <api-key>
Content-Type: application/json

{
    "messages": [
        {
            "role": "system",
            "content": "You are a helpful assistant"
        },
        {
            "role": "user",
            "content": "Explain Riemann's conjecture in 1 paragraph"
        }
    ],
    "model": "mistral-large"
}

パラメーター model="<deployment-name> を使用して、要求をこのデプロイにルーティングします。デプロイは、特定の構成下で特定のモデルのエイリアスとして機能します。 Azure AI Foundry Models がデプロイをルーティングする方法については、「ルーティング」ページを参照してください。

サーバーレス API デプロイから Foundry モデルへの移行

Foundry Models を使用するようにプロジェクトを構成しましたが、既存のモデルデプロイはサーバーレス API デプロイとしてプロジェクト内に引き続き存在します。それらのデプロイは移動されません。そのため、以前のモデルデプロイを参照する既存コードを、段階的にアップグレードすることができます。モデルデプロイの移行を開始するには、次のワークフローをお勧めします。

Foundry Models でモデルのデプロイを再作成します。このモデルデプロイには、 Foundry Models エンドポイントでアクセスできます。
新しいエンドポイントを使用するようにコードをアップグレードします。
サーバーレス API デプロイを削除して、プロジェクトをクリーンアップします。

新しいエンドポイントを使用してコードをアップグレードする

モデルが Azure AI Foundry Services にデプロイされたら、Foundry Models エンドポイントを使用するようにコードをアップグレードできます。サーバーレス API デプロイと Foundry Models のしくみの主な違いは、エンドポイント URL とモデルパラメーターにあります。サーバーレス API デプロイには、各モデルのデプロイごとに URI とキーのセットが用意されていますが、Foundry Models には、それらすべてに対して 1 つだけがあります。

次の表は、導入する必要がある変更をまとめたものです。

プロパティ	サーバーレス API のデプロイ	鋳造所モデル
エンドポイント	`https://<endpoint-name>.<region>.inference.ai.azure.com`	`https://<ai-resource>.services.ai.azure.com/models`
資格情報	モデル/エンドポイントごとに 1 つ。	Azure AI サービスリソースごとに 1 つ。 Microsoft Entra ID も使用できます。
モデルパラメーター	なし。	必須。モデルデプロイの名前を使用します。

プロジェクトから既存のサーバーレス API デプロイをクリーンアップする

コードをリファクタリングした後、プロジェクト内の既存のサーバーレス API デプロイ (存在する場合) を削除できます。

サーバーレス API デプロイとしてデプロイされたモデルごとに、次の手順に従います。

Azure AI Foundry ポータルに移動します。
[モデル + エンドポイント] を選択します。
サーバーレス API デプロイの種類のエンドポイントを特定し、削除するエンドポイントを選択します。
[削除] オプションを選択します。

Warnung

この操作を元に戻すことはできません。そのエンドポイントが現在、他のユーザーまたはコードの一部によって使用されていないことを確認してください。
[削除] を選択して操作を確認します。
他のプロジェクトからこのエンドポイントへの サーバーレス API デプロイ接続 を作成した場合、そのような接続は削除されず、既存のエンドポイントを指し続けます。エラーを回避するために、それらの接続をすべて削除してください。

制限事項

Foundry モデルを使用するようにプロジェクトを構成する場合は、次の制限事項を考慮してください。

Foundry Models へのデプロイには、サーバーレス API デプロイをサポートするモデルのみを使用できます。カスタムモデルを含め、サブスクリプション (マネージドコンピューティング) からのコンピューティングクォータを必要とするモデルは、指定されたプロジェクト内でのみマネージドオンラインエンドポイントとしてデプロイでき、独自のエンドポイント URI と資格情報のセットを使用して引き続きアクセスできます。
サーバーレス API デプロイとマネージドコンピューティングオファリングの両方として使用できるモデルは、既定では Azure AI Foundry Services リソースの Foundry Models にデプロイされます。 Azure AI Foundry ポータルには、マネージドオンラインエンドポイントにデプロイする方法はありません。「 Foundry Models を使用するようにプロジェクトを構成する」で説明されている機能をオフにするか、Azure CLI/Azure ML SDK/ARM テンプレートを使用してデプロイを実行する必要があります。

次のステップ

エンドポイントにさらにモデルを追加します。

次の方法で共有

Azure AI Foundry モデルを使用するように AI プロジェクトを構成する

[前提条件]

Foundry モデルを使用するようにプロジェクトを構成する

Foundry Models でモデルデプロイを作成する

新しいエンドポイントを使用してコードをアップグレードする

サーバーレス API デプロイから Foundry モデルへの移行

新しいエンドポイントを使用してコードをアップグレードする

プロジェクトから既存のサーバーレス API デプロイをクリーンアップする

制限事項

次のステップ

フィードバック

その他のリソース