Ofte stillede spørgsmål om AI-godkendelser

Disse ofte stillede spørgsmål forklarer kapaciteterne, brugen og sikkerhedsforanstaltningerne i de AI-drevne godkendelsesfaser (AI-godkendelser) i Microsoft Copilot Studio. AI-godkendelser gør det muligt for en agentflow automatisk at godkende eller afvise anmodninger baseret på foruddefinerede kriterier, samtidig med at mennesker bevarer kontrollen med vigtige beslutninger. Her er nogle almindelige spørgsmål og svar om denne funktion.

Hvad er AI-godkendelser?

AI-godkendelser er intelligente, automatiserede beslutningstrin i godkendelsesprocesser. AI-godkendelser bruger AI (Azure OpenAI-modeller eller modeller, som du kan integrere fra Azure AI Foundry) til at evaluere godkendelsesanmodninger baseret på dine forretningsregler og returnere en "Godkendt" eller "Afvist" afgørelse med en begrundelse.

Hvilke funktioner har AI-godkendelser?

I modsætning til grundlæggende regelbaseret automatisering kan AI-godkendelser fortolke ustrukturerede data og komplekse dokumenter (som PDF'er eller billeder vedhæftet en anmodning) og anvende nuanceret logik til at træffe en beslutning. For eksempel kan en AI-godkendelse læse en skriftlig begrundelse, tjekke for policy-nøgleord og derefter træffe en beslutning.

AI-godkendelsesfaser kan også kombineres med faser med menneskelig involvering, så AI håndterer rutinebeslutninger, mens personer stadig overvåger og færdiggør eventuelle kritiske eller særlige tilfælde. Sammenfattende automatiserer AI-godkendelser de gentagne ja/nej-beslutninger i en proces, fremskynder arbejdsgange uden at fjerne menneskelig overvågning, hvor det betyder noget.

Hvad er den tilsigtede anvendelse af AI-godkendelser?

AI-godkendelser er designet til almindelige forretningsscenarier med veldefinerede kriterier, effektiviserer daglige arbejdsgange ved at automatisere rutinebeslutninger. Typisk brug af sager omfatter:

Godkendelse af udgiftsrefusion: Krav under bestemte beløb med gyldige kvitteringer godkendes automatisk, så ledere primært kan fokusere på undtagelser.

Godkendelser af indkøbsordrer (PO): Vurder anmodninger mod budgetgrænser og leverandørlister, godkend automatisk standard PO'er inden for politikken.

Godkendelse af rejseanmodninger: Godkend automatisk rejseanmodninger, der overholder politikken, og afvis anmodninger med politikovertrædelser.

Leverandørgodkendelse: Acceptér eller afvis ansøgninger ved at kontrollere kvalifikationer og overholdelseskrav mod foruddefinerede kriterier.

Fakturagodkendelse: Valider fakturaer ved at matche beløb op mod indkøbsordrer og bekræfte, at nødvendig dokumentation er til stede.

Dokumentgodkendelse: Bekræft, at kontrakter eller politikker indeholder de nødvendige elementer og opfylder formateringsstandarder, før de går videre til næste trin.

Ferieanmodningsgodkendelse: Godkend ferieanmodninger, når medarbejdere har tilstrækkelig saldo og ingen skemakonflikter.

AI-godkendelser blev designet til rutineprægede, veldefinerede beslutninger. Der er dog scenarier, hvor systemet måske ikke fungerer pålideligt eller ansvarligt. Vi opfordrer kunder til at bruge AI-godkendelser i deres innovative løsninger eller programmer, men overvej følgende principper, når de vælger et anvendelsestilfælde:

• Kritiske eller livsændrende beslutninger: Systemet er ikke designet til at håndtere beslutninger, der påvirker sundhed, sikkerhed, økonomi eller juridisk status. Eksempler inkluderer forsikringskrav, medicinske tilladelser, lånegodkendelser eller immigrationsafgørelser, som kræver menneskelig dømmekraft og ansvarlighed.

• Juridiske eller disciplinære forhold: Brugssager, der involverer juridisk ansvar, fortolkning af overholdelse eller medarbejderdisciplin, kan overskride systemets tilsigtede omfang. Selvom AI kan opsummere input, bør de endelige beslutninger på disse områder forblive hos mennesker.

• Subjektive eller tvetydige kriterier: Systemet kan have svært ved beslutninger, der bygger på smag, skøn eller komplekse afvejninger – såsom at vurdere kreativt arbejde eller kvalitet – hvor standarder ikke let kan kodificeres.

• Følsomme eller etisk komplekse scenarier: AI-godkendelser var ikke designet til beslutninger vedrørende personlige attributter, potentiel diskrimination eller generering af begrænset indhold. Disse anvendelser rejser bekymringer om ansvarlig AI og kan kræve yderligere sikkerhedsforanstaltninger.

• Regulerede brancher og workflows med følsomhed for overholdelse: Inden for områder som sundhedssektoren, finans eller luftfart kan regulatoriske krav kræve menneskelig overvågning, selv ved rutinemæssige beslutninger. Systemet er ikke blevet evalueret for overholdelse af regler i disse sammenhænge.

• Forudsigelige, men utilsigtede anvendelser: Efterhånden som brugen af AI-godkendelser vokser, kan brugere forsøge at anvende dem på områder som medarbejdersamtaler, ansættelsesbeslutninger eller vurdering af kunders berettigelse. Disse anvendelser var ikke en del af systemets design eller konsekvensvurdering og kunne medføre risici, hvis de ikke håndteres omhyggeligt.

Hvad er de tekniske begrænsninger for AI-godkendelser, og hvordan kan brugerne minimere virkningen af begrænsninger?

Selvom AI-godkendelser er en stærk funktion, opfordrer vi brugerne til at være opmærksomme på deres begrænsninger:

AI-godkendelser afhænger af de givne regler: AI følger strengt dine instruktioner og data. Hvis din prompt er uklar eller ufuldstændig, kan AI-godkendelsen træffe forkerte beslutninger eller fejle. Definer kriterier eksplicit; at sige "godkend hvis rimeligt" uden at definere "rimeligt" fører til misfortolkning.

Mulighed for fejl: AI-godkendelser kan begå fejl på grund af tvetydige input, komplekse undtagelsestilfælde eller fejllæsning af dårligt scannede dokumenter. Resultaterne er ikke altid 100% nøjagtige, så tilsyn er essentielt i grænsetilfælde.

Mangel på menneskelig intuition: AI-godkendelser forstår ikke konteksten ud over det, de får at vide, og kan ikke stille opklarende spørgsmål eller bruge mavefornemmelser. AI-godkendelser kan gå glip af nuancer, som et menneske ville opdage, f.eks. ved at spotte mistænkelige udgifter, der synes for høje for den tur.

Ingen læring af erfaring: AI-godkendelser udvikler sig ikke på baggrund af tidligere godkendelser – de ændrer ikke adfærd, medmindre du opdaterer prompten. Nye scenarier, der ikke dækkes af eksisterende regler, kræver løbende vedligeholdelse, efterhånden som politikkerne udvikler sig.

Afhængighed af datakvalitet: AI-godkendelser er kun så gode som inputdataene. Filer af dårlig kvalitet, ufuldstændige dokumenter eller ulæselige scanninger kan føre til forkerte beslutninger eller systemfejl.

Integrations- og præstationsbegrænsninger: Komplekse godkendelseskriterier eller afgørelser, der kræver realtidsdata fra flere systemer, kan føre til lavere nøjagtighed og længere behandlingstid.

Kræver ansvarlig konfiguration: Brugere skal konfigurere AI-godkendelser etisk, med passende menneskelige fejlsikringer og biasfri regler. Sørg altid for, at instruktionerne stemmer overens med virksomhedens politik og etiske retningslinjer.

Ingen adgang til realtidsinformation: AI-godkendelser kan kun fungere med data, der eksplicit er angivet som input. De kan ikke tilgå aktuelle forhold, nyheder eller hændelser, medmindre disse data tilføres godkendelsesprocessen.

For at reducere risici og forbedre pålideligheden ved brug af AI-godkendelser:

• Inkluder menneskelig overvågning: Videresend kritiske eller tvetydige sager til manuelle gennemgangsfaser for at sikre ansvarlighed og dømmekraft.

• Test med forskellige eksempler: Brug historiske data og grænsetilfælde til at validere systemets adfærd før implementering.

• Forfin prompts regelmæssigt: Opdater instruktioner, efterhånden som politikker udvikler sig, eller nye scenarier opstår, for at bevare relevans og nøjagtighed.

• Undgå vage kriterier: Sørg for, at prompts er eksplicitte og veldefinerede—undgå termer som "rimelig" uden klar kontekst.

• Overvåg beslutninger: Brug værktøjer som prompt builder Activity til at spore godkendelsesrater og identificere mønstre eller fejl.

• Oplær brugere: Oplær personalet i at fortolke AI-begrundelser og anvende procedurer for tilsidesættelse af AI-beslutninger for at opbygge tillid og gennemsigtighed.

Husk: AI kan selvsikkert udføre fejlbehæftede instruktioner, så klar og korrekt vejledning er afgørende.

Hvilke driftsmæssige faktorer og indstillinger gør det muligt at oplevelsen ved agentgodkendelser?

For at bruge AI-godkendelser effektivt og sikkert, overvej disse operationelle bedste praksis:

• Indstil lav temperatur for konsistens: Brug lavtemperaturindstillinger (nær 0) for at sikre, at AI'en træffer deterministiske, forudsigelige beslutninger i stedet for at variere responserne på identiske input. Copilot Studios standardindstillinger er allerede optimeret for pålidelighed.

• Vælg den rigtige model: GPT-4.1 er typisk ideel til de fleste godkendelsesscenarier. Avancerede ræsonnementsmodeller (som O3) kan håndtere kompleks logik bedre, men er langsommere. Microsofts modeller er allerede integrerede og testede, men du kan selv tilføje dine egne finjusterede modeller fra Azure AI Foundry, hvis du har særlige krav eller behov.

• Implementér menneskelig kontrol: Konfigurer menneskelige eller manuelle trin, som kan anvendes ved kritiske beslutninger. Menneskelige og manuelle faser sikrer, at mennesker altid har kontrol.

• Test grundigt i sandkasse: Kør omfattende tests med historiske data og eksempelanmodninger, før du går live. Udfør målrettet tests af kanttilfælde: manglende felter, modstridende regler og usædvanlige scenarier Verificér de end-to-end arbejdsgange korrekt.

• Overvåg beslutninger: Alle beslutninger logges i prompt builder-aktivitetssektionen i Power Automate. Brug disse data til at spore målinger som godkendelsesrater og vurdere korrektheden af AI-godkendelsesbeslutningerne.

• Opdater kriterierne regelmæssigt: Behandl AI-prompts som levende dokumenter. Opdater instruktioner, efterhånden som politikker ændrer sig, eller nye scenarier opstår. Indarbejd feedback fra ledere om, hvorvidt AI er for streng eller for lempelig i bestemte områder.

• Sikre gennemsigtighed og træning: Træn relevant personale i at fortolke AI-begrundelser og tilsidesætte procedurer. Oplys slutbrugerne om, at anmodninger indledningsvist kan blive vurderet af AI. Klare forventninger forhindrer forvirring og opbygger tillid.

Ved at justere AI-indstillinger for konsistens, integrere menneskelig overvågning og aktivt styre processen, sikrer du, at AI-godkendelser forbliver effektive og på rette spor. Tænk på det som et partnerskab: AI håndterer volumen og hastighed, mennesker står for vejledning og undtagelser.

Hvilke beskyttelsesforanstaltninger har Copilot Studio for ansvarlig AI?

Hvilken form for indholdsmoderation er implementeret?

GPT-modellen er trænet på internetdata, som er egnet til at opbygge en generel model i hele verden. Samtidig kan den nedarve skadeligt og forudindtaget indhold fra de samme kilder. Modellerne er oplært til at opføre sig sikkert og ikke producere skadeligt indhold, men nogle gange kan de generere giftigt output. AI-godkendelser integrerer Azure AI Content Safety-tjenesten for at indbygge avancerede funktioner til indholdsmoderation direkte i AI-prompterne. Denne moderering omfatter tjenester, der analyserer det genererede output med tekstscannere med forskellige sværhedsniveauer og beskyttelse mod prompt-injektion-angreb. Outputtet scannes også for afvisning af beskyttet materiale.

Hvilke sprogmodeller understøttes, hvor bliver de hostet, og hvordan kan jeg få adgang til dem?

AI-godkendelser understøtter GPT 4.1 mini, GPT 4.o, GPT 4.1 og o3 modeller, der hostes på Azure OpenAI Service. Du kan få adgang til disse modeller via prompterne på tværs af Power Platform, i dine programmer, flows og agenter.

Læs mere i Hvad er nyt i Azure OpenAI Service?

Bliver mine data brugt til at oplære eller forbedre de store sprogmodeller?

AI-godkendelser kører på Azure OpenAI Service, som hostes af Microsoft. Kundedata bruges ikke til at træne eller forbedre Azure OpenAI Service-fundamentsmodeller. Microsoft deler ikke dine kundedata med en tredjepart, medmindre du har givet tilladelse til at gøre det. Hverken kundeprompts (input) med grounding-data eller modelsvarene (output) bruges til at oplære eller forbedre Azure OpenAI Service-grundmodeller.

Hvordan behandles billeder af personer?

AI-godkendelser er ikke beregnet til at identificere personer baseret på ansigtstræk eller biometriske data. Når du indsender billeder, der indeholder personer i AI-godkendelser, anvender systemet automatisk en ansigtssløringsfunktion, før billederne analyseres for at beskytte den enkeltes privatliv. Denne sløringsproces hjælper med at løse problemer med beskyttelse af personlige oplysninger ved at forhindre identifikation baseret på ansigtstræk. Med sløring er ingen ansigtsgenkendelse eller ansigtsskabelonmatchning involveret. I stedet er enhver identifikation af kendte personer afhængig af kontekstuelle tegn, f.eks. uniformer eller særlige omgivelser, ikke af deres ansigter. Denne foranstaltning til beskyttelse af personlige oplysninger bør ikke påvirke kvaliteten af de resultater, du modtager. Der kan lejlighedsvis refereres til ansigtssløring i systemets svar.

Få mere at vide i Ansigtssløring.

Hvilke potentielle risici er der ved brug af billeder eller dokumenter i prompts?

AI-godkendelser mindsker de fleste risici, der er forbundet med brug af billeder eller dokumenter i prompts, men nogle risici kræver stadig ekstra omhu fra den, der opretter prompten:

• Billeder eller dokumenter kan indeholde skadelig tekst eller visuelle elementer, som kan påvirke dine downstream-processer.

• Billeder eller dokumenter kan indeholde særlige og muligvis skjulte instruktioner, der kan kompromittere eller tilsidesætte den oprindelige prompt.

• Billeder eller dokumenter kan indeholde instruktioner, der kan føre til generering af indhold, der er underlagt intellektuelle ejendomsrettigheder (IP).

• Prompts kan give partiske kommentarer på billeder eller dokumenter.

• At udtrække information fra billeder eller dokumenter af lav kvalitet kan føre til hallucination.

Hvilke slags problemer kan opstå ved brug af AI-godkendelser, og hvordan kan jeg håndtere dem?

Når du bruger AI-godkendelser, kan du støde på problemer som analysefejl (når AI ikke med sikkerhed kan anvende regler), forkerte godkendelsesbeslutninger (falske positiver/negative), inkonsistente resultater på lignende anmodninger eller behandlingsforsinkelser med komplekse sager. For at håndtere disse udfordringer effektivt, skal du sikre, at din arbejdsgang sender anmodninger videre til manuelle godkendelsestrin.

Implementér konsekvent og grundig test gennem hele udviklingen og implementeringen for at identificere potentielle fejlpunkter tidligt. Brug lavtemperaturindstillinger for forudsigelige resultater, og forfin løbende dine prompts baseret på observerede fejl. Regelmæssig overvågning og iterative forbedringer vil hjælpe med at opretholde systemets pålidelighed og nøjagtighed over tid.