Dieser Beitrag zeigt dir Schritt für Schritt, wie du einen No-Code Intune Copilot im Azure OpenAI Studio erstellst — und zwar ausschließlich mit dem Azure-Portal, deinem Intune-Tenant und einer Microsoft Graph App-Registrierung. Am Ende hast du eine funktionierende Chat-Oberfläche, die auf Intune-Gerätedaten basiert und sich in Teams oder als eigene Web-App bereitstellen lässt.
Der einfachste Weg, einen Chatbot bereitzustellen, ist, dies ganz ohne Programmierung zu tun. Wenn du diese Idee in ein fortgeschritteneres Agenten-Szenario weiterentwickeln möchtest, kannst du dir auch ansehen, wie du einen Microsoft Intune AI Agent mit Foundry baust. Genau das möchte ich hier demonstrieren. Ein solcher Chatbot lässt sich so anpassen, dass er deine eigene Dokumentation, Wissensartikel oder beliebige andere Ressourcen nutzt, die du einbinden möchtest. Diese Methode vereinfacht den gesamten Prozess und macht ihn auch dann zugänglich, wenn du dich mit dem Programmieren nicht gut auskennst. Indem du vorhandene Dokumente und Wissensdatenbanken nutzt, kannst du einen Chatbot erstellen, der sowohl informativ als auch auf deine spezifischen Anforderungen und Inhalte abgestimmt ist.
Inhaltsverzeichnis
Konzept
Bei der Bereitstellung wird eine eigene Webseite mit einer Chat-Oberfläche eingerichtet. Diese Oberfläche interagiert mit Azure AI Search und ruft Inhalte aus deinen eigenen Dokumenten ab. Anschließend kombiniert die Oberfläche diese Inhalte nahtlos mit den Benutzeranfragen, bevor sie an die Azure OpenAI-Dienste weitergeleitet werden.
Den Chatbot-Co-Pilot einrichten
Voraussetzungen
Um unseren ersten Chatbot-Co-Pilot zu starten, sind bestimmte Voraussetzungen erforderlich:
– Azure Blob Storage Account: zum Speichern der Dokumente.
– Azure AI Search Instance: um das Abrufen und Indizieren von Inhalten zu ermöglichen.
– Azure OpenAI Account: für den Zugriff auf die Sprachmodelle.
Gehe folgendermaßen vor, um Azure AI Search einzurichten:
- Öffne das Azure-Portal
- Suche in der Suchleiste nach Azure AI Search
- Klicke auf + Create
- Wähle das Subscription und die Resource group aus, gib anschließend einen Namen und einen Standort ein
- Klicke auf Review + create
Vorbereitung
Jetzt müssen wir einige Vorbereitungsschritte durchführen. Öffne dazu den Azure AI Search-Dienst und wähle einen Semantic ranker-Plan aus:
- Danach können wir unsere Dokumente in einem Blob-Account speichern. Bevor wir sie hochladen können, benötigen wir jedoch einen Container:
- Sobald der Container erstellt ist, kannst du die Dokumente in diesen Container hochladen
Den Chatbot einrichten
Öffne das Azure OpenAI Studio und erstelle ein Deployment von gpt-35-turbo und text-embedding-ada
- Gehe zum Bereich Chat
- Der erste Schritt besteht darin, eine System-Message zu definieren, die dem Chatbot mitteilt, was er ist und was er tun soll. Mein Beispiel lautete (“You are a senior expert who can answer all questions about Intune. Please only answer questions related to Intune, and only answer if you are sure.”). Sobald das erledigt ist, klicke auf Apply changes.
- Ich habe die Temperature auf 0 gesetzt, um sicherzustellen, dass wir so wenig Halluzinationen wie möglich haben
- Wechsle den Bereich zu “Add your data” und klicke auf + Add a data source
Jetzt müssen wir die Verbindung zum Blob und zu Azure AI Search konfigurieren. Wähle dazu Azure Blob Storage als Datenquelle aus. Anschließend musst du das Subscription auswählen, in dem sich dein Blob und deine AI Search befinden. Als Nächstes gibst du einen Namen für den Index ein und wählst einen Zeitplan aus. In meinem Fall aktualisiere ich die Dokumente nicht regelmäßig, daher reicht es aus, den Index einmal zu erstellen. Um bessere Ergebnisse zu erzielen, aktivieren wir außerdem das Flag Add vector search to this search resource und wählen unser Embedding-Modell aus. Wenn all diese Konfigurationen abgeschlossen sind, kannst du auf Next klicken.
Im nächsten Fenster müssen wir das Kontrollkästchen I acknowledge that using semantic search will incur usage to my Azure AI Search account aktivieren und die Chunk-Größe auswählen. Dies ist der Prozess, bei dem große Textabschnitte in kleinere Segmente zerlegt werden. Ich habe hier die Standardeinstellungen ausgewählt und das Kontrollkästchen I acknowledge that adding vector embeddings will incur usage to my account aktiviert. Klicke auf Next.
- Klicke auf Save and Close. Die Konfiguration kann einige Sekunden dauern.
Jetzt ist auch die Integration mit der Suche eingerichtet. Das Einzige, was wir jetzt noch tun müssen, ist die Webseite bereitzustellen. Auch hier haben wir einen sehr schönen Assistenten, der uns durch den gesamten Bereitstellungsprozess führt.
Klicke hier auf Deploy und wähle “A new web app…” aus.
Jetzt müssen wir das Subscription und die Resource group auswählen, in der der App Service bereitgestellt werden soll, und wir müssen einen Namen für die App eingeben. Dieser Name wird später auch Teil der URL sein. Wenn du Free als Tarif verwendest, entstehen dir keine Kosten, aber auch keine SLAs für die Web-App. Klicke dann auf Deploy.
Die Bereitstellung dauert einige Minuten. Sobald die Bereitstellung abgeschlossen ist, kannst du deinen Bot öffnen und testen.
Dies ist das Standard-Look-and-Feel des Bots. Du kannst ihn bereits nutzen, um Fragen zu deinen Dokumenten zu stellen.
Werfen wir aber auch einen kurzen Blick darauf, wie du das Look-and-Feel anpassen kannst. Für einen tiefergehenden nächsten Schritt sieh dir an, wie du deine eigenen custom GPT-Apps baust. Dazu kannst du dieses Repository klonen: https://github.com/microsoft/sample-app-aoai-chatGPT und die gewünschten Änderungen vornehmen.
Wenn du ein weiteres Copilot-Szenario aufbauen möchtest, gefällt dir vielleicht auch meine Anleitung dazu, wie du deinen eigenen Intune Co-Pilot mit Copilot Studio erstellst.