Kurzusleírás
Bevezetés az AI Builderbe és az alacsony kódolású AI-ba
- AI Builder képességek és gyakori forgatókönyvek
- Licencelés, irányítás és bérlőszintű szempontok
- Áttekintés a Power Platform integrációiról (Power Apps, Power Automate, Dataverse)
OCR és űrlapfeldolgozás: Strukturált és strukturálatlan dokumentumok
- Különbségek strukturált sablonok és szabad formátumú dokumentumok között
- Képzési adatok előkészítése: mezők címkézése, minták sokszínűsége és minőségi irányelvek
- AI Builder űrlapfeldolgozó modell építése és a kinyerés pontosságának értékelése
- Kinyert adatok utófeldolgozása: érvényesítés, normalizálás és hibakezelés
- Gyakorlati labor: OCR kinyerés vegyes űrlaptípusokból és integrálás egy feldolgozási folyamatba
Előrejelző modellek: Osztályozás és regresszió
- Probléma meghatározása: kvalitatív (osztályozás) vs kvantitatív (regresszió) feladatok
- Jellemzők előkészítése és hiányzó adatok kezelése Power Platform munkafolyamatokon belül
- Modell tanítása, tesztelése és metrikák értelmezése (pontosság, precízió, visszahívás, RMSE)
- Modell magyarázhatósága és tisztességességi szempontok üzleti használati esetekben
- Gyakorlati labor: egyedi előrejelző modell építése lemorzsolódás/pontszám vagy numerikus előrejelzéshez
Integráció Power Apps és Power Automate segítségével
- AI Builder modellek beágyazása vászon- és modellvezérelt alkalmazásokba
- Automatizált folyamatok létrehozása a kinyert adatok feldolgozására és üzleti műveletek indítására
- Tervezési minták skálázható, karbantartható AI-alapú alkalmazásokhoz
- Gyakorlati labor: végpontok közötti forgatókönyv – dokumentumfeltöltés, OCR, előrejelzés és munkafolyamat automatizálás
Kiegészítő Process Mining koncepciók (Opcionális)
- Hogyan segít a Process Mining a folyamatok felfedezésében, elemzésében és javításában eseménynaplók segítségével
- Process Mining kimenetek felhasználása modell jellemzők tájékoztatására és automatizált javítási ciklusok létrehozására
- Gyakorlati példa: Process Mining eredmények kombinálása AI Builderrel a manuális kivételek csökkentésére
Termelési szempontok, irányítás és monitorozás
- Adatirányítás, adatvédelem és megfelelőség érzékeny dokumentumokon történő AI Builder használatakor
- Modell életciklus: újratanítás, verziókezelés és teljesítmény monitorozás
- Modellek operacionalizálása riasztások, irányítópultok és emberi ellenőrzés segítségével
Összefoglalás és következő lépések
Követelmények
- Tapasztalat Power Apps, Power Automate vagy Power Platform adminisztrációval
- Ismeret az adatkoncepciókkal, alapvető ML ötletekkel és modellértékeléssel
- Kényelem az adathalmazok, Excel/CSV exportok és alapvető adattisztítás használatában
Közönség
- Power Platform fejlesztők és megoldásarchitekták
- Adatelemzők és folyamattulajdonosok, akik automatizálást keresnek AI segítségével
- Üzleti automatizálási vezetők, akik a dokumentumfeldolgozásra és előrejelzési használati esetekre fókuszálnak
Vélemények (2)
A tanár nagyon érdekes volt, és nagyon gyorsan válaszolt a munkánkkal kapcsolatos kérdésekre, személyre szabva az oktatást igazán specifikus igényeinkhez, sőt még annál is többet tett, hogy megfeleljen nekik. Nem is tudnám elegendően ajánlani Shaun-ot!
Tom King - Complete Coherence
Kurzus - Microsoft Power Platform Fundamentals
Gépi fordítás
Nagyszerűen értékelem az Oktató türelmét mindazok iránt, akik 4-5-szor kértek tőle, hogy ismételje. Azt is hiszem, hogy hatalmas tudást ált a téma területén, bár ahogy fentiekben említettem, elegendő időt nem szántunk erre. Szerencsés volt, hogy gyakorlati képzés volt, ahol valós idejű gyakorlással megtanulhattuk az oktatott dolgokat, de újra, szerettem volna többet megtudni a PowerApps-ről, nem pedig a SharePoint-ről. Ez utóbbi területen már nagyon jól orientálkozom, és ha többet akartam volna megtanulni belőle, valószínűleg egy SharePoint-képzést választottam volnom, nem pedig a PowerApps-ot.
Patrycja - EY GDS
Kurzus - Microsoft Flow/Power Automate
Gépi fordítás