クイック スタート: Azure AI Studio の画像とビデオで、GPT-4 Turbo with Vision の使用を開始する

重要

この記事で "(プレビュー)" と付記されている項目は、現在、パブリック プレビュー段階です。 このプレビューはサービス レベル アグリーメントなしで提供されており、運用環境ではお勧めしません。 特定の機能はサポート対象ではなく、機能が制限されることがあります。 詳しくは、Microsoft Azure プレビューの追加使用条件に関するページをご覧ください。

この記事を使用して、GPT-4 Turbo with Vision モデルをデプロイしてテストするために Azure AI Studio の使用を開始します。

GPT-4 Turbo with Vision と Azure AI Vision では、次のような高度な機能を提供します。

• 光学式文字認識 (OCR): 画像からテキストを抽出し、ユーザーのプロンプトと画像と組み合わせてコンテキストを展開します。
• オブジェクト グラウンディング: GPT-4 Turbo with Vision テキスト応答をオブジェクト グラウンディングで補完し、入力画像内の顕著なオブジェクトの輪郭を示します。
• ビデオ プロンプト: GPT-4 Turbo with Vision では、ユーザーのプロンプトとの関連性が最も高いビデオ フレームを取得して、質問に回答できます。

GPT-4 Turbo with Vision と Azure AI Vision の機能の使用時には、追加の使用料金が適用される場合があります。

前提条件

• Azure サブスクリプション。無料で作成できます。
• Azure サブスクリプションを取得したら、Azure OpenAI リソースを作成します。
• Azure OpenAI リソースが接続として追加された AI Studio ハブ。

メディアを準備する

画像のクイックスタートを完了するには、画像が必要です。 このサンプル画像または、任意の利用できる画像を使用できます。

動画プロンプトの場合は、長さ 3 分以下のビデオが必要です。

GPT-4 Turbo with Vision モデルをデプロイする

1. Azure AI Studio にサインインし、作業するハブを選択します。
2. 左側のナビゲーション メニューで [AI サービス] を選択します。 [GPT-4 Turbo を試す] パネルを選択します。
3. gpt-4 ページで [展開] を選択します。 表示されたウィンドウで、Azure OpenAI リソースを選択します。 モデル バージョンとして vision-preview を選択します。
4. 展開 を選択します。
5. 次に、新しいモデルのページに移動し、[プレイグラウンドで開く] を選択します。 チャット プレイグラウンドに、[展開] ドロップダウンで作成した GPT-4 の展開が選択されます。

画像プロンプト

このチャット セッションでは、入力した画像を解釈できるようにアシスタントに指示します。

1. [システム メッセージ] タブの [システム メッセージ ] テキスト ボックスで、アシスタントをガイドするためのプロンプト "You're an AI assistant that helps people find information." を指定します。このプロンプトは、イメージまたはシナリオに合わせて調整できます。
2. [変更の適用] を選択して変更を保存します。
3. チャット セッション ウィンドウで、添付ファイル ボタンを選択し、[画像のアップロード] を選択します。 イメージを選択します。
4. チャット フィールドに質問 "Describe this image" を追加し、送信する右矢印アイコンを選択します。
5. 右矢印アイコンは[停止]ボタンに置き換えられます。 これを選択すると、アシスタントは要求の処理を停止します。 このクイックスタートでは、アシスタントに返信を完了させます。
6. アシスタントは、画像の説明と共に応答します。
7. 画像の分析に関連するフォローアップの質問をします。 "What should I highlight about this image to my insurance company?" のように入力できます。
8. 次に示すような関連する応答が表示されるはずです。

   When reporting the incident to your insurance company, you should highlight the following key points from the image:  
   
   1. **Location of Damage**: Clearly state that the front end of the car, particularly the driver's side, is damaged. Mention the crumpled hood, broken front bumper, and the damaged left headlight.  
   
   2. **Point of Impact**: Indicate that the car has collided with a guardrail, which may suggest that no other vehicles were involved in the accident.  
   
   3. **Condition of the Car**: Note that the damage seems to be concentrated on the front end, and there is no visible damage to the windshield or rear of the car from this perspective.  
   
   4. **License Plate Visibility**: Mention that the license plate is intact and can be used for identification purposes.  
   
   5. **Environment**: Report that the accident occurred near a roadside with a guardrail, possibly in a rural or semi-rural area, which might help in establishing the accident location and context.  
   
   6. **Other Observations**: If there were any other circumstances or details not visible in the image that may have contributed to the accident, such as weather conditions, road conditions, or any other relevant information, be sure to include those as well.  
   
   Remember to be factual and descriptive, avoiding speculation about the cause of the accident, as the insurance company will conduct its own investigation.
   

画像プロンプトの機能強化

このチャット セッションでは、入力した画像を解釈できるようにアシスタントに指示します。 拡張ビジョン モデルの機能を試してみてください。

1. チャット ウィンドウの 左側にある [拡張機能] ウィンドウで、Vision のオプションをオンにします。 表示されたウィンドウで、Azure Computer Vision リソースを選択します。
2. [システム メッセージ] タブの [システム メッセージ ] テキスト ボックスで、アシスタントをガイドするためのプロンプト "You're an AI assistant that helps people find information." を指定します。このプロンプトは、イメージまたはシナリオに合わせて調整できます。 [変更の適用] を選択して変更を保存します。
3. チャット セッション ウィンドウで、添付ファイル ボタンを選択し、[画像のアップロード] を選択します。 イメージを選択します。
4. チャット フィールドに質問 "Describe this image" を追加し、送信する右矢印アイコンを選択します。
5. 右矢印アイコンは[停止]ボタンに置き換えられます。 これを選択すると、アシスタントは要求の処理を停止します。 このクイックスタートでは、アシスタントに返信を完了させます。
6. アシスタントは、画像の説明と共に応答します。 それは Azure AI Vision サービスを使用して、アップロードした画像からさらに詳細を抽出します。
7. 画像の分析に関連するフォローアップの質問をします。 "What should I highlight about this image to my insurance company?" と入力し、 送信する右矢印アイコンを選択します。
8. 次に示すような関連する応答が表示されるはずです。

   When reporting the incident to your insurance company, you should highlight the following key points from the image:  
   
   1. **Location of Damage**: Clearly state that the front end of the car, particularly the driver's side, is damaged. Mention the crumpled hood, broken front bumper, and the damaged left headlight.  
   
   2. **Point of Impact**: Indicate that the car has collided with a guardrail, which may suggest that no other vehicles were involved in the accident.  
   
   3. **Condition of the Car**: Note that the damage seems to be concentrated on the front end, and there is no visible damage to the windshield or rear of the car from this perspective.  
   
   4. **License Plate Visibility**: Mention that the license plate is intact and can be used for identification purposes.  
   
   5. **Environment**: Report that the accident occurred near a roadside with a guardrail, possibly in a rural or semi-rural area, which might help in establishing the accident location and context.  
   
   6. **Other Observations**: If there were any other circumstances or details not visible in the image that may have contributed to the accident, such as weather conditions, road conditions, or any other relevant information, be sure to include those as well.  
   
   Remember to be factual and descriptive, avoiding speculation about the cause of the accident, as the insurance company will conduct its own investigation.
   

ビデオ プロンプトの機能強化

このチャット セッションでは、入力した動画を解釈できるようにアシスタントに指示します。 アシスタントではビデオから複数のフレームを抽出し、それらを使用して質問に回答します。

1. チャット ウィンドウの 左側にある [拡張機能] ウィンドウで、Vision のオプションをオンにします。 表示されたウィンドウで、Azure Computer Vision リソースを選択します。
2. [システム メッセージ] タブの [システム メッセージ ] テキスト ボックスで、アシスタントをガイドするためのプロンプト "You're an AI assistant that helps people find information." を指定します。このプロンプトは、イメージまたはシナリオに合わせて調整できます。
3. [変更の適用] を選択して変更を保存します。
4. チャット セッション ウィンドウで、添付ファイル ボタンを選択し、[動画のアップロード] を選択します。 動画を選択します。
5. "Provide details about this video" のようなテキスト プロンプトを入力し、右矢印アイコンを選択して送信します。
6. 右矢印アイコンは[停止]ボタンに置き換えられます。 これを選択すると、アシスタントは要求の処理を停止します。 このクイックスタートでは、アシスタントに返信を完了させます。
7. アシスタントはビデオの説明で返信します。
8. 動画の分析に関連するフォローアップの質問をお気軽にお寄せください。

制限事項

ビデオ プロンプト拡張機能の既知の制限事項を次に示します。

• 低解像度: フレームは、GPT-4 Turbo with Vision の "低解像度" 設定を使用して分析されます。これは、ビデオ内の小さなオブジェクトとテキスト認識の正確性に影響を与える可能性があります。
• ビデオ ファイルの制限: MP4 と MOV の両方のファイルの種類がサポートされています。 Azure AI Studio プレイグラウンドでは、動画の長さは 3 分未満である必要があります。 API を使用する場合、このような制限はありません。
• プロンプトの制限: ビデオ プロンプトに含まれるビデオは 1 つだけで、画像はありません。 プレイグラウンドでは、セッションをクリアして別のビデオや画像を試すことができます。
• 限られたフレームの選択: 現在、システムではビデオ全体から 20 フレームを選択します。これでは、重要なすべての瞬間や詳細がキャプチャされない場合があります。 フレームの選択は、プロンプトに応じて、動画全体にほぼ均等に分散させることも、特定の動画検索クエリでフォーカスすることもできます。
• 言語のサポート: 現在、システムでは主に、トランスクリプトを使用したグラウディングに英語がサポートされています。 トランスクリプトでは、曲の歌詞に関する正確な情報を提供しません。

コードの表示とエクスポート

チャット セッションの任意の時点で、チャット ウィンドウの上部にある [未加工の JSON の表示] スイッチを有効にして、JSON 形式で整形された会話を表示できます。 クイックスタート チャット セッションの開始時の内容を次に示します。

[
	{
		"role": "system",
		"content": [
			"You are an AI assistant that helps people find information."
		]
	},
]

リソースをクリーンアップする

不要な Azure コストが発生しないように、このクイックスタートで作成したリソースが不要になったら削除してください。 リソースを管理するために、Azure portal を使用できます。

次のステップ

• プロジェクトの作成
• Azure AI Studio について詳しく知る。
• Azure OpenAI のモデルについて詳しく知る。