Azure KI und GPT-4: Anwendungsfälle in der Praxis und beste Praktiken

1. Aufbau eines kundenorientierten Chatbots mit GPT

Überblick

Erstellen eines funktionsfähigen Chatbots, der den Kundensupport für ein Einzelhandelsunternehmen automatisiert. Dieser Chatbot kann Fragen zur Produktverfügbarkeit und Bestellstatus beantworten, indem Azure KI und GPT-4 genutzt werden.

Schritt 1: Definition des Chatbot-Workflows

1. Benutzeranfrage: Der Benutzer stellt eine Frage, z. B. „Ist meine Bestellung versandt worden?“
2. API-Aufruf: Der Chatbot sendet die Anfrage an Azure GPT-4 unter Verwendung der Azure OpenAI-API.
3. Datenbankintegration: Der Chatbot ruft spezifische Informationen (z. B. Bestellstatus) aus der Unternehmensdatenbank ab.
4. Antwort: GPT-4 formatiert die Antwort in natürlicher Sprache und gibt sie an den Benutzer zurück.

Schritt 2: Beispielhafte Architekturdiagramm

So interagieren die Komponenten in einer typischen Chatbot-Architektur:

Schritt 3: Code-Implementierung

Nachfolgend finden Sie den Python-Code zum Aufbau des Chatbots. Er enthält eine Integration einer simulierten Datenbank und Fehlerbehandlung für API-Aufrufe.

import requests
import json

# Azure API-Zugangsdaten
api_key = "YOUR_AZURE_API_KEY"
endpoint = "https://YOUR_RESOURCE_NAME.openai.azure.com/openai/deployments/YOUR_DEPLOYMENT_NAME/completions?api-version=2024-01-01-preview"

# Simulierte Datenbank
database = {
    "order_123": {"status": "Shipped", "delivery_date": "2024-12-10"},
    "order_456": {"status": "Processing", "delivery_date": "2024-12-15"}
}

# Funktion zum Abfragen der Datenbank
def query_database(order_id):
    return database.get(order_id, {"status": "Unknown", "delivery_date": "Unknown"})

# Funktion zur Interaktion mit Azure GPT-4
def get_response_from_gpt(prompt):
    headers = {
        "Content-Type": "application/json",
        "api-key": api_key
    }
    payload = {
        "prompt": prompt,
        "max_tokens": 100
    }
    response = requests.post(endpoint, headers=headers, json=payload)
    if response.status_code == 200:
        return response.json()["choices"][0]["text"].strip()
    else:
        return f"Error {response.status_code}: {response.text}"

# Haupt-Chatbot-Logik
def chatbot(query):
    if "order status" in query.lower():
        order_id = query.split()[-1]  # Extract order ID from query
        order_info = query_database(order_id)
        prompt = (
            f"The order with ID {order_id} has status '{order_info['status']}' "
            f"and is expected to be delivered by {order_info['delivery_date']}. "
            "Respond in a friendly tone."
        )
        return get_response_from_gpt(prompt)
    else:
        return get_response_from_gpt("Answer the user's query: " + query)

# Beispielverwendung
user_query = "What is the order status for order_123?"
print("Chatbot Response:", chatbot(user_query))

Schritt 4: Testen und Bereitstellen

1. Lokales Testen: Verwenden Sie den oben stehenden Python-Code mit Beispielanfragen, um die Genauigkeit sicherzustellen.
2. Bereitstellung: Bereitstellen des Chatbots als Azure-Funktion oder Integration in eine Messaging-Plattform wie Microsoft Teams, Slack oder eine Website.

2. Inhalterstellung für Marketingteams

Szenario

Erzeugen Sie hochwertige Blog-Beiträge, Produktbeschreibungen oder Inhalte für soziale Medien. Entwickler können die Vorgaben feinabstimmen, um sicherzustellen, dass die generierten Inhalte den Markenrichtlinien entsprechen.

Beispielanforderung

"Write a product description for a smartwatch, emphasizing its health-tracking features, stylish design, and durability."

3. Unterstützung von Entwicklern bei der Codegenerierung

Szenario

Beschleunigen Sie die Entwicklung, indem Sie GPT verwenden, um Standardcode zu generieren oder Probleme zu debuggen.

Codebeispiel

payload = {
    "prompt": "Write a Python function to calculate Fibonacci numbers using recursion.",
    "max_tokens": 100
}

response = requests.post(endpoint, headers=headers, json=payload)
if response.status_code == 200:
    print("Generated Code:", response.json()["choices"][0]["text"].strip())

Entwicklertipps und bewährte Verfahren

Um die Vorteile von Azure AI und GPT-4 zu maximieren, befolgen Sie diese bewährten Verfahren:

1. Optimierung von API-Aufrufen

Verwenden Sie präzise Vorgaben für schnellere und relevantere Antworten.

Beispiel: Ersetzen Sie „Erklären Sie ausführlich…“ durch „Fassen Sie die Bedeutung von KI im Kundensupport zusammen.“

2. Fehler elegant behandeln

Implementieren Sie robuste Fehlerbehandlungslogik, um fehlgeschlagene API-Aufrufe zu verwalten:

if response.status_code != 200:
    print("Error occurred:", response.text)

3. Sichern Sie Ihre API-Schlüssel

Verwenden Sie Umgebungsvariablen oder Geheimmanager, um sensible Anmeldeinformationen zu schützen.

4. Experimentieren Sie mit Feinabstimmung

Passen Sie GPT-Modelle fein an, um sie besser auf domänenspezifische Aufgaben wie juristisches Schreiben oder technische Dokumentation abzustimmen.

Schlussfolgerung

Azure AI und GPT-4 bieten Entwicklern Tools zum Erstellen von Anwendungen, die funktional, intelligent und skalierbar sind. Diese Integration automatisiert Prozesse, verbessert die Benutzerpersonalisierung und gewährleistet Sicherheit in komplexen, verteilten Systemen.

Nächste Schritte für Entwickler

1. Erkunden Sie Azure OpenAI Service-Dokumentation.
2. Werfen Sie einen Blick auf GitHub nach Beispielen und Vorlagen.
3. Beginnen Sie klein mit Proof-of-Concept-Projekten und skalieren Sie bei Bedarf.