Cosa è Azure AI Foundry

Cosa è Azure AI Foundry

Cos’è Azure AI Foundry: Un’Introduzione

Azure AI Foundry è una piattaforma unificata e integrata sviluppata da Microsoft che consente alle aziende, agli sviluppatori e ai team di data science di progettare, costruire, testare e distribuire applicazioni di intelligenza artificiale in ambiente enterprise. La piattaforma si pone come un punto di riferimento per:

• L’orchestrazione di agenti intelligenti: creando flussi di lavoro dove differenti modelli e servizi AI collaborano per eseguire compiti specifici.
• L’integrazione di modelli avanzati: supportando sia modelli proprietari come quelli di Azure OpenAI che modelli di terze parti (ad esempio, Meta, xAI e altri) e fornendo un’interfaccia unificata che semplifica il deployment.
• La gestione end-to-end dei progetti AI: dalla fase di prototipazione fino alla messa in produzione, con strumenti per il monitoraggio, la valutazione e l’ottimizzazione.

Questa piattaforma si basa sull’infrastruttura di Azure e su tecnologie consolidate che garantiscono scalabilità, sicurezzza e performance elevate .

Origine e Nascita – Cosa è Azure AI Foundry

Sebbene Microsoft abbia storicamente investito notevolmente nello sviluppo e nell’adozione di soluzioni AI e machine learning, la nascita di Azure AI Foundry rappresenta un’evoluzione strategica in cui l’obiettivo è semplificare l’adozione in azienda di soluzioni intelligenti. Presentato nell’ambito di eventi come Microsoft Build, la piattaforma è stata sviluppata per sfruttare la vasta gamma di modelli AI creati non solo internamente ma anche da partner e startup, garantendo così maggiore flessibilità e scelta. L’integrazione di modelli avanzati come quelli di xAI (ad es. Grok 3) e il consolidamento di strumenti per la gestione delle operazioni AI fanno di Azure AI Foundry una risposta alle crescenti esigenze di integrazione e automazione nei progetti digitali aziendali .

Tecnologie e Definizione

Azure AI Foundry è un “punto di incontro” per diversi ambiti tecnologici:

• Infrastruttura Cloud di Azure: che offre risorse di calcolo, storage e networking per ospitare modelli e workflow AI.
• Modelli di Intelligenza Artificiale: che spaziano dai grandi modelli linguistici (LLM) ai modelli per l’elaborazione di immagini, audio e dati strutturati.
• Agent Orchestration: grazie a strumenti che consentono la creazione e il coordinamento di agenti multipli in un singolo ecosistema, utile per automazioni complesse.
• Strumenti di Monitoraggio e Sicurezza: che permettono di controllare e ottimizzare costantemente le performance dei modelli, garantendo conformità con gli standard enterprise.

Questa architettura modulare e integrata permette agli sviluppatori di passare rapidamente dalla sperimentazione in fase di prototipazione alla distribuzione in ambienti di produzione, riducendo significativamente la complessità di gestione di sistemi AI distribuiti .

A Cosa Serve e Per Quali Progetti Utilizzarlo – Cosa è Azure AI Foundry

Azure AI Foundry è adatto a una vasta gamma di scenari applicativi, tra cui:

• Chatbot e Assistenti Virtuali: sviluppare interfacce conversazionali che combinano modelli di linguaggio e analisi dei dati.
• Automazione dei Processi Aziendali: grazie agli agenti AI che automatizzano attività ripetitive e migliorano l’efficienza operativa.
• Applicazioni di Analisi dei Dati: in cui è necessario trasformare contenuti non strutturati in informazioni fruibili (ad esempio, estrazione di dati da documenti e immagini).
• Sistemi di Decision-Making in Tempo Reale: integrando modelli predittivi e strumenti di analisi per supportare le scelte strategiche aziendali.

Insomma, si tratta di una piattaforma ideale sia per progetti pilota che per implementazioni su larga scala, in diversi settori industriali come sanità, finanza, retail e produzione .

Come e Quando Utilizzarlo: I Primi Passi

1. Creazione di un Account e di un Progetto

Il primo passo consiste nel possedere una sottoscrizione Azure. Una volta ottenuta, è possibile creare un progetto Azure AI Foundry all’interno del portale.

Esempio di comando con Azure CLI:

bash

# Autenticazione su Azure
az login

# Creazione di un Resource Group
az group create --name "MyAIGroup" --location "West Europe"

# Creazione di un progetto AI Foundry
az AI-foundry project create --name "MyProject" --resource-group "MyAIGroup"

Questo comando è solo rappresentativo: il portale offre un’interfaccia grafica intuitiva per svolgere tutte queste operazioni .

2. Configurazione dell’Ambiente

Dopo aver creato il progetto, il portale di Azure AI Foundry consente di configurare ambienti di sviluppo “Foundry project” oppure “Hub based project”.

• Foundry Project: Offre una configurazione rapida e accesso diretto agli agenti e modelli.
• Hub Based Project: Ideale se l’organizzazione ha già definito un hub centralizzato per le collaborazioni.

Una volta scelto il tipo di progetto, è possibile caricare file, configurare dataset, impostare le variabili d’ambiente e definire i parametri di sicurezza, quali l’accesso a Azure Key Vault per la gestione segreta delle chiavi.

Il Portale di Azure AI Foundry

Il portale mette a disposizione una dashboard ricca di funzionalità:

• Visualizzazione dei Progetti e degli Agenti: in cui è possibile monitorare lo stato di esecuzione, vedere log e metriche in tempo reale.
• Playground di Sperimentazione: che consente di testare direttamente le richieste ai modelli, simulare conversazioni o azioni con gli agenti.
• Strumenti di Debug e Valutazione: per effettuare analisi delle prestazioni e interventi di tuning sui parametri dei modelli.
• Integrazione con Visual Studio Code e GitHub: per lo sviluppo collaborativo e l’integrazione con pipeline CI/CD.

Questa interfaccia grafica intuitiva aiuta a gestire risorse complesse, riducendo il tempo di configurazione e facilitando il passaggio dalla sperimentazione al deployment .

Costi e Piani

I costi di Azure AI Foundry sono determinati in base al consumo delle risorse Azure, come ad esempio:

• Modelli e Servizi AI: con tariffazione basata sul numero di token utilizzati, sulla potenza di calcolo impiegata e sul volume dei dati elaborati.
• Agent Service: che prevede costi mensili variabili in base al traffico e alle operazioni eseguite.
• Risorse di Storage e Compute: necessarie per il funzionamento del portale e per l’accesso ai modelli.

I prezzi vengono calcolati in dollari statunitensi e successivamente convertiti in euro, seguendo il tasso di cambio corrente. Ad esempio, un’organizzazione potrebbe avere un costo stimato variabile a partire da alcune decine di euro al mese per prototipi, con costi in aumento in funzione del volume e della complessità dei progetti. Per i dettagli aggiornati è sempre consigliabile consultare il Pricing Calculator di Azure AI Foundry .

Le Librerie Client di Azure AI Foundry

Per facilitare lo sviluppo, Microsoft mette a disposizione varie librerie SDK che consentono agli sviluppatori di interagire direttamente con la piattaforma. Tra queste spicca l’Azure AI Projects client library for Python, che fa parte dell’Azure AI Foundry SDK.

Esempio Pratico in Python

Il seguente esempio mostra come autenticarsi e utilizzare il client per elencare gli agenti disponibili:

python

from azure.ai.projects import AIProjectsClient
from azure.identity import DefaultAzureCredential

# Impostare l'endpoint del progetto (questo valore lo trovi dalla pagina Overview del tuo progetto)
project_endpoint = "https://<nome-account-ai>.services.ai.azure.com/api/projects/my-project"

# Creazione dell'oggetto credential utilizzando il metodo predefinito
credential = DefaultAzureCredential()

# Creazione del client per il progetto
client = AIProjectsClient(endpoint=project_endpoint, credential=credential)

# Recupero e lista degli agenti attivi nel progetto
agents = client.agents.list_agents()
for agent in agents:
    print("Nome agente:", agent.name)

Questa libreria supporta anche operazioni per la gestione di dataset, indici di ricerca e connessioni a modelli esterni, rendendo estremamente versatile lo sviluppo di soluzioni AI .

I Modelli e i Servizi di Intelligenza Artificiale

All’interno di Azure AI Foundry è possibile accedere a un ampio catalogo di modelli, che spaziano da soluzioni di completamento testuale a modelli per l’elaborazione di immagini e dati strutturati. I modelli possono provenire da:

• Microsoft OpenAI Models: per applicazioni di linguaggio naturale (NLP).
• Modelli di Terze Parti: come quelli offerti da Meta, xAI, Mistral e altri, che consentono la massima flessibilità.
• Modelli Custom: sviluppati in-house e distribuiti attraverso l’infrastruttura Azure, con supporto per il fine-tuning e la personalizzazione.

Questi modelli sono resi disponibili tramite API gestite e integrabili anche via SDK, semplificando l’accesso e il deployment senza il bisogno di gestire l’infrastruttura sottostante. Ad esempio, per utilizzare un modello di completamento in una chat, si potrebbe scrivere:

python

from azure.ai.inference import ChatCompletionsClient

# Impostare l'endpoint del modello
model_endpoint = "https://<nome-account-ai>.services.ai.azure.com/api/models/chat-completion"

# Creazione del client per il modello
chat_client = ChatCompletionsClient(endpoint=model_endpoint, credential=credential)

# Richiesta di completamento conversazionale
response = chat_client.get_chat_completions(prompt="Ciao, come posso aiutarti oggi?")
print(response.choices[0].text)

Questa integrazione consente agli sviluppatori di passare rapidamente da una fase sperimentale a soluzioni operative in produzione .

Il portale include inoltre i principali servizi Azure AI:

• Azure AI Search: per implementare la ricerca semantica e la RAG su contenuti aziendali.
• Azure AI Content Safety: sistema di moderazione automatica dei contenuti testuali o multimediali generati.
• Azure AI Content Understanding: (v. sotto) per estrarre informazioni strutturate da dati multimodali.
• Logica Documenti di Azure (Document Intelligence): per l’elaborazione intelligente dei documenti (estrazione OCR e classificazione da moduli, fatture, ricevute, ecc.).
• Azure AI Foundry Observability: per centralizzare monitoraggio e metriche degli agenti e applicazioni AI (grazie a tracciamento e metriche integrate).

Tutti questi servizi possono essere configurati e richiamati dal progetto Foundry: ad esempio, l’SDK Python offre classi anche per Azure Document Intelligence e Azure AI Search che possono essere usate in parallelo all’uso del client Foundry.

Azure AI Content Understanding

Un’altra componente fondamentale dell’ecosistema è Azure AI Content Understanding, un servizio che analizza e trasforma contenuti multimediali (documenti, immagini, audio, video) in dati strutturati e ricercabili. Le sue funzionalità principali includono:

• Estrazione di Informazioni: come testo, tabelle, chiavi-valore e metadati.
• Schema Extraction: personalizzabile per adattarsi alle specifiche esigenze aziendali.
• Grounding e Confidence Scoring: per garantire che le informazioni riportate siano affidabili e coerenti con i dati originali.

Esempio di Utilizzo di Content Understanding

Utilizzando una semplice chiamata REST, è possibile elaborare un documento:

python

import requests

# Impostare l'endpoint del servizio e la chiave di sottoscrizione
endpoint = "https://<nome-resource>.cognitiveservices.azure.com/content/understanding"
headers = {
    "Ocp-Apim-Subscription-Key": "<la-tua-chiave>",
}
# Apertura del documento da elaborare
with open("documento.pdf", "rb") as f:
    files = {"file": f}
    response = requests.post(endpoint, headers=headers, files=files)
    result = response.json()

print(result)

Questo processo permette di trasformare documenti non strutturati in insiemi di dati pronti per essere integrati in processi di analisi o workflow automatizzati .

Logica dei Documenti di Azure per l’Intelligenza Artificiale

Il concetto di “Logica dei Documenti” si riferisce alla capacità di automatizzare flussi di lavoro complessi per l’elaborazione e l’analisi dei documenti. Utilizzando piattaforme come Azure Logic Apps in combinazione con il servizio di Document Intelligence di Azure, è possibile:

• Innescare Workflow Automatici: ad esempio, quando un documento (come una fattura) viene caricato in OneDrive, viene automaticamente processato per estrarre informazioni chiave e inviare notifiche via email.
• Integrare e Orchestrare Servizi: combinando più servizi Azure in un flusso logico che va dall’estrazione dei dati all’inserimento in database o sistemi ERP.
• Ridurre Interventi Manuali: automatizzando processi ripetitivi e minimizzando il rischio di errori umani.

Un esempio pratico potrebbe essere realizzato con una Logic App che scrive:

1. Il trigger del caricamento del documento.
2. L’elaborazione tramite il modello predefinito di Document Intelligence.
3. L’invio dei risultati via email.

Questa soluzione è particolarmente utile in contesti come la gestione delle fatture, i processi fiscali e l’automazione dei workflow di back office .

Approfondimento: Azure AI Projects Client Library for Python

Come anticipato, la Azure AI Projects client library for Python fa parte dell’SDK di Azure AI Foundry e permette di lavorare facilmente all’interno del proprio progetto. Tra le funzionalità disponibili troviamo:

• Gestione degli Agenti: creare, eseguire e cancellare agenti AI direttamente tramite codice.
• Connessione a Servizi di Inference: per ottenere client specifici, ad esempio per Azure OpenAI.
• Gestione di Dataset e Indici di Ricerca: per organizzare e interrogare documenti e dati.

Il codice di esempio mostrato in precedenza illustra come autenticarsi e listare gli agenti. La libreria è aggiornata costantemente e offre supporto a funzionalità avanzate, come la tracciabilità OpenTelemetry, fondamentale per il monitoraggio in ambienti di produzione .

Le API REST di Azure Machine Learning

Per chi preferisce interagire con le risorse AI tramite chiamate standard HTTP, le API REST di Azure Machine Learning offrono una soluzione robusta. Queste API permettono di:

• Gestire il Ciclo di Vita dei Modelli: dal deployment alla gestione delle versioni.
• Invocare Endpoint di Scoring: per richiedere predizioni ai modelli in tempo reale.
• Integrare Pipeline di Machine Learning: in soluzioni CI/CD e applicazioni custom.

Esempio con cURL

Un semplice comando cURL per effettuare una richiesta di scoring potrebbe essere:

bash

curl -X POST "https://<workspace-name>.<region>.api.azureml.ms/model/score" \
     -H "Content-Type: application/json" \
     -H "Authorization: Bearer <token>" \
     -d '{"data": [ ... ] }'

Questa flessibilità permette alle applicazioni di utilizzare le capacità di machine learning di Azure in maniera diretta, integrandole con altri servizi cloud o soluzioni on-premises .

Scenari Futuri e Conclusioni – Cosa è Azure AI Foundry

L’evoluzione delle tecnologie AI sta guidando lo sviluppo di piattaforme sempre più integrate, flessibili e scalabili. Azure AI Foundry rappresenta una risposta efficace alle esigenze delle aziende moderne, consentendo di:

• Accelera la Trasformazione Digitale: integrando modelli avanzati e workflow automatizzati in applicazioni di business-critical.
• Sfruttare il Potenziale dei Dati Multimodali: grazie a servizi come Azure AI Content Understanding, che permettono di estrarre valore anche dai dati non strutturati.
• Costruire Architetture Multi-Agente: che orchestrano sofisticati processi decisionali in tempo reale.
• Integrare Infrastrutture Cloud e On-Premises: mediante API REST e SDK dedicati, rendendo possibile la creazione di soluzioni ibride che combinano la sicurezza dei dati con la scalabilità del cloud.

Nei prossimi anni potremo assistere all’espansione dei casi d’uso:

• Applicazioni AI Generative più sofisticate: in grado di non solo rispondere a domande, ma anche di apprendere e adattarsi in tempo reale.
• Integrazione con Sistemi IoT e Edge Computing: per elaborare dati in situ e fornire risposte immediate.
• Miglioramenti nelle Pipeline di DevOps AI: facilitando il passaggio tra ambiente di sviluppo, test e produzione, integrando in modo nativo strumenti di monitoraggio e sicurezza.

Azure AI Foundry, con il suo ecosistema dinamico di modelli, agenti, librerie e API, offre agli sviluppatori un’unica piattaforma di riferimento per innovare e trasformare i processi aziendali. Il futuro, infatti, vedrà una sempre maggiore interconnessione tra i vari servizi cloud e una rapidità nell’adozione di nuove tecnologie AI, con impatti rilevanti in settori chiave come healthcare, finanza, retail e industria manifatturiera.

In conclusione, utilizzare Azure AI Foundry significa aprire la porta a nuove soluzioni digitali avanzate, in cui la collaborazione tra modelli AI, la gestione centralizzata dei progetti e l’integrazione in tempo reale divengono il motore della trasformazione digitale nel mondo del software.

(fonte) (fonte)

Innovaformazione, scuola informatica specialistica promuove la cultura dell’AI e le sue integrazioni e applicazioni nello sviluppo software moderno. Trovate l’offerta a catalogo formativa rivolta alle aziende sul nostro sito QUI.

Eroghiamo inoltre corsi personalizzati su richiesta.

Per altri articoli tecnici di settore consigliamo di navigare sul nostro blog QUI.

INFO: info@innovaformazione.net – tel. 3471012275 (Dario Carrassi)