Antes do AI Foundry, você precisava de pelo menos três portais diferentes para construir um agente de IA no Azure: Azure OpenAI Studio, Azure ML e Cognitive Services. Cada time tomava um caminho diferente, e integrar tudo era trabalho manual.
O AI Foundry é a tentativa da Microsoft de resolver isso. Vale entender o que ele realmente unifica e onde ainda tem fragmentação. construir aplicações de IA Generativa em ambiente corporativo. Ele substituiu o Azure AI Studio e centralizou catálogo de modelos, playgrounds, orquestração com Prompt Flow e ferramentas de avaliação em um único hub.
Neste guia, mostro como criar um projeto do zero, do setup do hub até um chatbot com RAG funcional.
Por que o AI Foundry importa para o corporativo
Antes do AI Foundry, montar uma PoC de IA Generativa no Azure exigia integrar manualmente 4 ou 5 serviços: Azure OpenAI para o modelo, Azure AI Search para o índice de busca, Azure Blob Storage para os documentos, algum orquestrador para conectar tudo, e Azure Monitor para observabilidade.
O AI Foundry unifica isso. Tudo roda dentro da sua assinatura Azure, com controle de rede (Private Endpoints), identidade (Entra ID) e compliance. Para quem trabalha em instituições reguladas, isso é decisivo.
Conceitos fundamentais
AI Hub, O contêiner organizacional. Ele gerencia as conexões com modelos, compute e storage.
Projeto, Dentro do hub, cada projeto é um workspace isolado. Cada PoC ou aplicação vive em seu próprio projeto, com seus dados, deployments e avaliações.
Catálogo de modelos, O AI Foundry oferece modelos da OpenAI (GPT-4o, GPT-4o-mini), Meta (Llama), Mistral, Cohere e outros.
Setup: Hub e Projeto
az ml workspace create \
--kind hub \
--name hub-ia-corp \
--resource-group rg-ia \
--location eastus2
az ml workspace create \
--kind project \
--name poc-chatbot-docs \
--hub-id /subscriptions/{sub-id}/resourceGroups/rg-ia/providers/Microsoft.MachineLearningServices/workspaces/hub-ia-corp \
--resource-group rg-ia
Deployando o modelo
Para a maioria das PoCs, deploy serverless (pay-per-token) é suficiente e mais barato:
az ml serverless-endpoint create \
--name gpt4o-mini-endpoint \
--model-id azureml://registries/azure-openai/models/gpt-4o-mini \
--workspace-name poc-chatbot-docs \
--resource-group rg-ia
Construindo o RAG
RAG é o padrão mais comum em aplicações corporativas. A ideia: antes de enviar a pergunta para o modelo, você busca documentos relevantes na base da empresa e inclui esse contexto no prompt.
O Prompt Flow do AI Foundry facilita essa orquestração com componentes visuais:
- Input, pergunta do usuário
- Embedding, converte a pergunta em vetor
- Index Lookup, busca trechos similares no Azure AI Search
- LLM, envia contexto + pergunta para o GPT-4o
- Output, resposta formatada
System prompt funcional:
Você é um assistente que responde perguntas sobre os documentos internos da empresa.
Use APENAS as informações do contexto fornecido para responder.
Se a resposta não estiver no contexto, diga "Não encontrei essa informação nos documentos disponíveis."
Sempre cite o nome do documento de onde veio a informação.
Responda em português brasileiro, de forma clara e objetiva.
Avaliação
O AI Foundry tem métricas integradas: Groundedness (evita alucinações), Relevance, Coherence e Fluency. Cada uma recebe nota de 1 a 5. Para produção, busque scores acima de 4.0 em todas as dimensões.
Próximos passos
Com o RAG funcionando no playground, o caminho para produção envolve: autenticação via Entra ID, Private Endpoints para o AI Search e o endpoint do modelo, content filters e logging para monitorar a qualidade das respostas.
O Azure AI Foundry reduziu drasticamente o tempo de montagem de PoCs de IA Generativa. O que antes levava semanas de integração manual agora está em um fluxo unificado.