Manual, ejemplos, muestras y otros recursos para flujos de trabajo de IA en Azure Logic Apps

Se aplica a: Azure Logic Apps (Consumo + Estándar)

Las funcionalidades de inteligencia artificial desempeñan un papel rápido y creciente en aplicaciones y otro software mediante la realización de tareas útiles, de ahorro de tiempo o nuevas, como interacciones de chat. Estas funcionalidades también pueden trabajar con otros servicios, sistemas, aplicaciones y orígenes de datos para ayudar a crear cargas de trabajo de integración para empresas y organizaciones.

En esta guía se proporcionan bloques de creación, ejemplos y otros recursos que muestran cómo usar servicios de inteligencia artificial como Azure OpenAI, Azure AI Foundry y Azure AI Search con Azure Logic Apps para crear flujos de trabajo automatizados para soluciones de integración de IA.

Agentes de IA y flujos de trabajo con tecnología de modelos (versión preliminar)

Azure Logic Apps admite flujos de trabajo de aplicaciones lógicas estándar que completan tareas mediante agentes con modelos de lenguaje grandes (LLM). Un agente usa un proceso en bucle iterativo para resolver problemas complejos y de varios pasos. Un LLM es un programa entrenado que reconoce patrones y realiza trabajos sin interacción humana.

Por ejemplo, un LLM puede realizar las siguientes tareas:

• Analice, interprete y razone sobre información como instrucciones, indicaciones y entradas.
• Tome decisiones basadas en los resultados y los datos disponibles.
• Formule y devuelva respuestas al solicitante en función de las instrucciones del agente.

Después de crear una aplicación lógica estándar, puede agregar un flujo de trabajo que use el tipo de flujo de trabajo Agentes autónomos o Agentes de conversación . Estos tipos de flujo de trabajo crean un flujo de trabajo parcial que incluye una acción de agente vacía. En función del tipo de flujo de trabajo seleccionado, puede configurar el agente para que funcione sin interacción humana o sin interacción humana, lo que sucede a través de una interfaz de chat integrada.

El agente usa lenguaje natural y LLM conectado para interpretar instrucciones proporcionadas anteriormente o interacciones humanas en tiempo real, respectivamente. El agente también usa salidas generadas por modelos para realizar el trabajo. El modelo ayuda al agente a proporcionar las siguientes funcionalidades:

• Acepte información sobre el rol del agente, cómo operar y cómo responder.
• Recibir y responder a instrucciones y solicitudes urgentes.
• Procesar entradas, analizar datos y tomar decisiones basadas en la información disponible.
• Elija herramientas para completar las tareas necesarias para satisfacer las solicitudes. En escenarios de IA, una herramienta es una secuencia con una o más acciones que completan una tarea.
• Adaptarse a entornos que requieren flexibilidad y son fluidos, dinámicos, impredecibles o inestables.

Con más de 1400 conectores disponibles para ayudarle a crear herramientas para que los agentes los usen, los flujos de trabajo del agente admiten muchos escenarios que se benefician enormemente de las funcionalidades del agente y del modelo.

Para obtener más información, consulte los siguientes recursos:

Bloques de creación para soluciones de IA

En esta sección se describen las operaciones integradas y los vínculos a la documentación que le ayudan a crear flujos de trabajo estándar para escenarios de integración de IA, como la ingesta de documentos. Estas operaciones permiten a los clientes "chatear con los datos".

Por ejemplo, los conectores de Azure OpenAI y Azure AI Search proporcionan operaciones que simplifican los procesos de back-end con la configuración sin código. Estas operaciones no requieren ningún código, lógica ni configuración personalizados para poder usarse.

Este enfoque sin código reduce la complejidad en torno a la integración de funcionalidades de inteligencia artificial en los flujos de trabajo. Puede automatizar flujos de trabajo complejos para tareas como análisis de documentos, fragmentación de datos o modelos de inteligencia artificial para desbloquear el potencial completo de los datos con un esfuerzo mínimo.

Los bloques de creación de inteligencia artificial, como las operaciones integradas y los conectores, están disponibles para flujos de trabajo Consumo y Estándar. Los ejemplos, muestras y recursos utilizan flujos de trabajo estándar para la ejemplificación.

Para obtener más información, consulte los siguientes recursos:

Preparación del contenido

Las siguientes acciones y conectores integrados le ayudan a preparar el contenido para su consumo por parte de los servicios de inteligencia artificial, la ingesta de datos y las interacciones de chat.

Indexación de datos y bases de datos vectoriales

Los conectores siguientes proporcionan operaciones para la indexación y recuperación de datos cuando se trabaja con bases de datos vectoriales, búsqueda y bases de datos estándar.

Más recursos

Para obtener más información, consulte los siguientes recursos:

Chat casi en tiempo real con datos

En las secciones siguientes se describen las formas en que puede configurar funcionalidades de chat casi en tiempo real para los datos mediante Azure Logic Apps y varios servicios de IA.

Creación de asistentes de Azure OpenAI con Azure Logic Apps

Con Azure OpenAI, puede crear fácilmente características similares al agente en las aplicaciones mediante la API Assistants. Aunque la capacidad de compilar agentes existía anteriormente, el proceso a menudo requería una ingeniería significativa, bibliotecas externas y varias integraciones.

Con asistentes, ahora puede crear rápidamente copilotos con estado personalizados entrenados en sus datos empresariales y puede controlar diversas tareas mediante los modelos, herramientas y conocimientos más recientes del transformador generativo preentrenado (GPT). La versión actual incluye características como las herramientas Búsqueda de archivos y Examinar, características de seguridad de datos mejoradas, controles mejorados, nuevos modelos y compatibilidad ampliada con regiones. Estas mejoras facilitan la transición de la creación de prototipos a la producción.

Ahora puede compilar asistentes mediante una llamada a flujos de trabajo de Azure Logic Apps como funciones de IA. Puede detectar, importar e invocar flujos de trabajo en Azure OpenAI Studio desde el área de juegos de Azure OpenAI Assistants sin escribir ningún código. El área de juegos Assistants enumera y enumera todos los flujos de trabajo de la suscripción que son aptos para llamar a funciones.

Para probar Assistants con llamadas a funciones, puede importar flujos de trabajo como funciones de IA mediante una experiencia de exploración y selección. La generación de especificaciones de función y otras configuraciones se extraen automáticamente de Swagger para el flujo de trabajo. La llamada a funciones invoca flujos de trabajo en función de las solicitudes del usuario. Todos los parámetros apropiados se transmiten según la definición.

Para obtener más información, consulte los siguientes recursos:

Integración con Kernel semántico

Este kit de desarrollo ligero y de código abierto ayuda a crear fácilmente agentes de IA e integrar los modelos de IA más recientes en el código base de C#, Python o Java. En el nivel más sencillo, el kernel es un contenedor de inserción de dependencias que administra todos los servicios y complementos que la aplicación de IA necesita ejecutar.

Si proporciona todos los servicios y complementos al kernel, la IA usa sin problemas estos componentes según sea necesario. Como componente central, el kernel actúa como un middleware eficaz que le ayuda a ofrecer rápidamente soluciones de nivel empresarial.

Para obtener más información, consulte los siguientes recursos:

Administrar la recopilación y el procesamiento de documentos inteligentes

Puede usar Azure AI Document Intelligence y Azure Logic Apps para crear flujos de trabajo inteligentes de procesamiento de documentos. El conector de Document Intelligence proporciona operaciones que le ayudan a extraer texto e información de varios documentos. La inteligencia de documentos le ayuda a administrar la velocidad de recopilación y procesamiento de grandes cantidades de datos almacenados en formularios y documentos con una amplia variedad de tipos de datos.

Para obtener más información, consulte los siguientes recursos:

Generación aumentada de recuperación (RAG)

Los modelos de INTELIGENCIA artificial generativa o llms como ChatGPT se entrenan para generar resultados para tareas como responder preguntas y completar oraciones mediante grandes volúmenes de datos estáticos y miles de millones de parámetros. La generación aumentada de recuperación agrega funcionalidades de recuperación de información a un LLM y modifica sus interacciones para que pueda responder a las consultas de usuario haciendo referencia al contenido que aumenta sus datos de entrenamiento.

Un LLM puede usar RAG para permitir que los bots de chat accedan a información específica o actualizada del dominio. RAG puede ayudarle a implementar casos de uso que incorporen datos internos de la empresa o información fáctica proporcionada por una fuente autoritativa.

RAG amplía las funcionalidades ya eficaces de un LLM a dominios específicos o a la base de conocimiento interna de una organización sin tener que volver a entrenar el modelo. La arquitectura RAG también proporciona un enfoque rentable para mejorar y mantener la salida del LLM precisa, relevante y útil.

Ejemplos de RAG

En los ejemplos siguientes se muestran formas de aplicar o implementar el patrón RAG mediante flujos de trabajo Estándar en Azure Logic Apps.

Crear una aplicación de IA basada en RAG de un extremo a otro con Azure Logic Apps

Creación de una aplicación de inteligencia artificial basada en RAG de un extremo a otro con Azure Logic Apps (estándar)

Chatear con datos de seguros

En este ejemplo se usa un patrón RAG clásico en el que un flujo de trabajo ingiere los documentos y los datos de una compañía de seguros para que los empleados puedan formular preguntas sobre sus beneficios y opciones para la cobertura del plan. Para obtener más información, consulte los siguientes recursos:

Automatización de respuestas a preguntas de StackOverflow

En este ejemplo se muestra cómo un flujo de trabajo puede responder automáticamente a las nuevas preguntas de StackOverflow que tienen un hashtag específico mediante los conectores de Azure OpenAI y Azure AI Search . El ejemplo puede ingerir entradas anteriores y documentación del producto. Cuando hay disponible una nueva pregunta, la solución puede responder automáticamente mediante la base de conocimiento y, a continuación, pedir a un usuario que apruebe la respuesta antes de publicarla en StackOverflow.

Puede personalizar este flujo de trabajo para desencadenar el soporte técnico diario, semanal o mensual y simplificar el soporte técnico de la comunidad mediante la configuración de su propio sistema de respuesta automatizado para cualquier hashtag. También puede adaptar esta solución para vales en Outlook, ServiceNow u otras plataformas mediante conectores de Azure Logic Apps para el acceso seguro.

Para obtener más información, consulte los siguientes recursos:

Ingesta de documentos y chat con datos

Los datos son la piedra angular de cualquier aplicación de inteligencia artificial y son únicos para cada organización. Al compilar una aplicación de inteligencia artificial, la ingesta eficaz de datos es fundamental para el éxito. Independientemente de dónde residan los datos, puede integrar la inteligencia artificial en procesos empresariales nuevos y existentes mediante la creación de flujos de trabajo estándar que usan poco o ningún código.

Más de 1400 conectores y operaciones empresariales permiten usar Azure Logic Apps para acceder y realizar tareas rápidamente con una amplia gama de servicios, sistemas, aplicaciones y bases de datos. Cuando se usan estos conectores con servicios de inteligencia artificial como Azure OpenAI y Azure AI Search, la organización puede transformar cargas de trabajo como las siguientes:

• Automatizar tareas rutinarias.
• Mejore las interacciones de los clientes con las funcionalidades de chat.
• Proporcione acceso a los datos de la organización cuando sea necesario.
• Genere información inteligente o respuestas.

Por ejemplo, al integrar los servicios de inteligencia artificial mediante las operaciones del conector azure OpenAI y Azure AI Search en los flujos de trabajo, su organización puede implementar sin problemas el patrón RAG. RAG minimiza el costo mediante el uso de un sistema de recuperación de información para hacer referencia a conocimientos específicos del dominio o autoritativos y aumentar el entrenamiento de un LLM sin tener que volver a entrenar el modelo. Para obtener más información, consulte Generación aumentada por recuperación (RAG) y los siguientes recursos:

Inicio rápido con plantillas de flujo de trabajo

Para admitir la integración de inteligencia artificial y ayudarle a compilar rápidamente las aplicaciones, Azure Logic Apps incluye plantillas de flujo de trabajo precompiladas que ingieren datos de muchos orígenes de datos comunes, como SharePoint, Azure File Storage, Blob Storage y Protocolo de transferencia de archivos seguros (SFTP). Al agregar un nuevo flujo de trabajo a su aplicación lógica Estándar o de Consumo, puede seleccionar una plantilla prediseñada como punto de partida.

Cada plantilla sigue un patrón de flujo de trabajo común que admite un escenario específico. También puede crear plantillas de flujo de trabajo que puede compartir con otros desarrolladores de flujo de trabajo publicándolas en el repositorio de plantillas de GitHub.

En la tabla siguiente se describen algunas plantillas de flijo de trabajo de ejemplo:

Para obtener más información, consulte los siguientes recursos:

Contenido relacionado

• Analizar o dividir en partes el contenido para flujos de trabajo estándar en Azure Logic Apps
• Conexión a servicios de Azure AI desde flujos de trabajo estándar en Azure Logic Apps