Overzicht van Microsoft Copilot afstemmen (preview-versie van vroege toegang)

Microsoft Copilot afstemmen is een AI-aanpassingsmogelijkheid waarmee organisaties taakspecifieke Copilot-agents kunnen maken door grote taalmodellen (LLM's) af te stemmen op hun eigen organisatiegegevens. Met afstemming kunnen agents antwoorden produceren die de domeinkennis, terminologie, toon en kwaliteitsnormen van een organisatie weerspiegelen.

In tegenstelling tot algemene AI-ervaringen, zijn afgestemde agents ontworpen voor specifieke, herhaalbare taken. Omdat ze volledig binnen de Microsoft 365-tenant werken, blijven organisatiegegevens beschermd door bestaande beveiligings-, nalevings- en beheerfuncties.

Dit artikel bevat een overzicht van Copilot afstemmen, inclusief belangrijke mogelijkheden, ondersteunde scenario's, afstemmingsconcepten en administratieve governance.

Belangrijkste mogelijkheden

Copilot Afstemmen stelt organisaties in staat om AI-ervaringen te bouwen die nauw aansluiten bij hun zakelijke behoeften. Het biedt de volgende functies:

• Aanpassing zonder code - Maak afgestemde agents met behulp van sjablonen in Agent Builder zonder kennis van codering of datawetenschap. Zakelijke gebruikers en domeinexperts kunnen afstemming begeleiden met behulp van gecureerde voorbeelden en organisatorische inhoud.

• Taakspecifieke agents - bouw agents die zijn geoptimaliseerd voor hoogwaardige scenario's, zoals het beantwoorden van vragen, documenten schrijven, samenvatten, valideren en het bewerken van de schrijfstijl. Afgestemde agents produceren outputs die het vocabulaire, de structuur en de verwachtingen van de organisatie weerspiegelen.

• Verbeterde efficiëntie en consistentie - Door organisatorische kennis in Copilot in te sluiten, kunnen afgestemde agents de tijd die nodig is voor complexe inhoudstaken verkorten en tegelijkertijd de consistentie en naleving van interne normen verbeteren.

• Integratie met Microsoft 365-gegevens - Afgestemde agenten kunnen geselecteerde organisatie-inhoud gebruiken en live bedrijfsgegevens gebruiken via Microsoft Graph, zodat antwoorden zijn gebaseerd op actuele informatie.

• Beveiliging op bedrijfsniveau - alle afstemmingsbewerkingen vinden plaats binnen de Microsoft 365-vertrouwensgrens. Afgestemde agenten houden zich aan toegangsbeheerlijsten (ACL's) van de trainingsgegevens en retourneren alleen informatie waartoe gebruikers toegang hebben.

Ondersteunde scenario's

Copilot afstemmen ondersteunt een set taakgerichte agentsjablonen.

Documenten schrijven

Agenten die documenten schrijven, genereren gestructureerde, lange documenten op basis van organisatiesjablonen, voorbeelden en standaarden. Deze agenten kunnen eerste versies van inhoud produceren, zoals voorstellen, contracten, beleidsregels en technische documentatie, terwijl ze zich houden aan de opmaak- en nalevingsvereisten.

Zie Agentsjabloon voor het schrijven van documenten voor meer informatie.

Documentoverzicht

Agents voor documentoverzichten genereren op maat gemaakte samenvattingen op basis van toon, doelgroep, doel en lengte. Organisaties kunnen deze agents afstemmen op interne samenvattingsstandaarden en de nadruk leggen op informatie die het meest relevant is voor hun gebruiksscenario's.

Zie Agentsjabloon voor documentsamenvatting voor meer informatie.

Antwoorden van experts (Q&A)

Deskundige antwoordagenten bieden domeinspecifieke antwoorden door antwoorden te baseren op organisatie-inhoud. Deze agents ondersteunen scenario's die uitgebreid onderzoek vereisen in grote gegevenssets, strikte beleidsregels of gespecialiseerde terminologie.

Zie de agentsjabloon Expert Answers voor meer informatie.

Validatie van documenten

Documentvalidatieagenten controleren documenten op naleving van de richtlijnen, het beleid, de huisstijlnormen en de wettelijke vereisten van de organisatie. Ze identificeren problemen, categoriseren risico's en bieden rechtstreeks in documenten bruikbare feedback.

Zie Agentsjabloon voor documentvalidatie voor meer informatie.

Stijl bewerken

Agenten voor het bewerken van stijlen verfijnen concepten om ze af te stemmen op de merkstem, toon en schrijfrichtlijnen van een organisatie. Deze agents helpen consistentie te garanderen tussen inhoud die door verschillende gebruikers en teams wordt geproduceerd.

Zie Agentsjabloon voor het bewerken van stijlen voor meer informatie.

Optimalisatieagent

Optimalisatieagents helpen bij problemen met bedrijfsoptimalisatie, zoals resourcetoewijzing, taaktoewijzing en planning. Gebruikers definiëren doelstellingen en beperkingen en de agent produceert verklaarbare oplossingen op basis van geüploade gegevens en organisatieregels.

Zie Optimization-agent voor meer informatie.

Selectie van agenten

Kies een sjabloon op basis van de taak die u wilt uitvoeren. Afstembare sjablonen zijn ontworpen voor specifieke, herhaalbare taken, zoals documenten schrijven, samenvatten, vragen beantwoorden, valideren, stijl bewerken en optimaliseren.

Een werkstroom toewijzen aan sjablonen

Veel werkstromen gebruiken meer dan één sjabloon.

Medewerkers afstemmen

Met Agent tuning kun je agents verfijnen die zijn gemaakt op basis van afstembare sjablonen in Microsoft Copilot Agent Builder. Elke afstembare sjabloon is ontworpen voor een specifieke taak en bevat een vooraf gedefinieerde inferentiewerkstroom die het basismodel, de instructies, de basisbenadering, het gebruik van hulpprogramma's en het genereren van uitvoer specificeert. Deze workflow biedt een geoptimaliseerde standaardconfiguratie, een kant-en-klaar 'recept' waarmee agents relevante context kunnen ophalen, tools effectief kunnen toepassen en vanaf het begin hoogwaardige resultaten kunnen produceren.

In veel scenario's voldoen agents die op basis van deze sjablonen zijn gemaakt aan de kwaliteitsverwachtingen zonder verdere aanpassingen. Wanneer verdere verfijning nodig is, zoals het beter afstemmen van uitvoer op organisatiestandaarden, domeinspecifieke behoeften of gebruikersverwachtingen, biedt het afstemmen van agents gestructureerde manieren om gedrag en prestaties te verbeteren.

Afstembare sjablonen zijn beschikbaar voor gebruikers met een Copilot-licentie in in aanmerking komende tenants en worden gemaakt in Agent Builder. Wanneer je een agent maakt op basis van een instelbare sjabloon, kunnen gebruikers ondersteunde eigenschappen aanpassen, zoals de naam van de agent, instructies en prompts. De toegang tot de afstemmingsmogelijkheden is afhankelijk van de configuratie van de tenantbeheerder. Als er geen afstemmingsopties beschikbaar zijn, moeten gebruikers mogelijk toegang aanvragen bij een beheerder. In aanmerking komende gebruikers zouden de optie 'Agent afstemmen' kunnen zien nadat ze een agent hebben gemaakt op basis van een afstembare sjabloon.

Er worden drie soorten afstemming ondersteund: afstemmingscontext, afstemmingshulpmiddelen en afstemmingsmodel. Deze dimensies zijn ontworpen om samen te werken en worden geëvalueerd aan de hand van een consistente gebruikersdoelstelling om ervoor te zorgen dat afstemming leidt tot meetbare verbeteringen.

Context afstemmen

Contextafstemming definieert de doelen en succescriteria van de agent door de primaire taak, het domein en representatieve voorbeelden op te geven. Contextvereisten verschillen per sjabloon. Sjablonen voor het schrijven van documenten gebruiken bijvoorbeeld voorbeelden van de soorten documenten die de agent moet produceren, sjablonen voor documentsamenvattingen vereisen invoer zoals doel, doelgroep, lengte, toon en aandachtsgebieden, en sjablonen voor deskundige antwoorden vertrouwen op voorbeeldbestanden om evaluatievragen en antwoorden te genereren. Op basis van deze input stelt het systeem subdoelen en evaluatierubrieken voor, die een meetbare basislijn vormen voor het beoordelen van de prestaties van agenten.

Hulpprogramma Afstemming

Het afstemmen van hulpprogramma's breidt de mogelijkheden van agents uit door extra agents of tools in de workflow te integreren. Deze hulpprogramma's kunnen worden gebruikt voor het uitvoeren van taken als onderzoek, validatie of uitlijning van schrijfstijlen. Aangepaste orkestratie-instructies definiëren hoe tools worden toegepast en de prestaties van agenten worden opnieuw geëvalueerd op basis van de vastgestelde rubrieken nadat wijzigingen zijn aangebracht.

Model afstemmen

Modelafstemming richt zich op het verbeteren van redeneren en outputkwaliteit door middel van gesuperviseerde finetuning en reinforcement learning-technieken. Hoogwaardige voorbeelden van organisatiegegevens worden gebruikt als input voor training, met evaluatierubrieken die de afstemming op de verwachtingen van de organisatie bepalen. Tijdens dit proces kunnen toegangsbesturingselementen, bestandsmachtigingen en gevoeligheidslabels worden toegepast. Modelafstemming wordt asynchroon uitgevoerd, zodat gebruikers de bestaande agent kunnen blijven gebruiken terwijl het afstemmen wordt uitgevoerd. Wanneer het afstemmen is voltooid, bepalen de evaluatieresultaten of het bijgewerkte model gereed is om te worden gepubliceerd.

Het afstemmen van agents is een iteratief proces in plaats van een eenmalige configuratie. Organisaties worden aangemoedigd om het gebruik in de echte wereld te monitoren, feedback te verzamelen en context, hulpprogramma's, gegevens of regels te verfijnen naarmate de vereisten in de loop van de tijd veranderen. Deze doorlopende levenscyclus zorgt ervoor dat agents nauwkeurig, relevant en afgestemd blijven op veranderende behoeften.

Afgestemde agents gebruiken

Na het maken of afstemmen kunnen agents worden gedeeld met in aanmerking komende gebruikers binnen de organisatie. Gebruikers communiceren met afgestemde agents via ondersteunde Microsoft Copilot-ervaringen, zoals de Microsoft Copilot-app of Copilot Chat in Microsoft Teams.

Afgestemde agents bieden de volgende voordelen:

• Verhoogde productiviteit door snellere contentcreatie en -analyse
• Verbeterde nauwkeurigheid door antwoorden te baseren op organisatiegegevens
• Consistente uitvoer die is afgestemd op interne normen
• Bredere toegang tot organisatorische kennis in alle teams

Aanbevolen procedures

Pas de volgende aanbevolen procedures toe om optimaal gebruik te maken van afgestemde agents:

• Begrijp het bereik en de beperkingen van de agent.
• Gebruik duidelijke, specifieke prompts.
• Geef startersprompts om gebruikers te begeleiden.
• Verfijn de uitvoer door middel van interacties met meerdere beurten.
• Volg het beveiligings- en nalevingsbeleid van de organisatie.
• Moedig gebruikersfeedback aan om de kwaliteit van agents in de loop van de tijd te verbeteren.

Disclaimer

De AI-beheerder is ervoor verantwoordelijk dat je gebruik van dit product voldoet aan alle toepasselijke wetten voor gegevensbescherming, privacy en intellectueel eigendom. Dit houdt onder meer in dat u moet voldoen aan uw verplichtingen als gegevensbeheerder onder regelgeving zoals de AVG of CCPA.

Verplichtingen als verwerkingsverantwoordelijke

• U bent zelf verantwoordelijk voor de manier waarop gegevens worden verzameld, opgeslagen en gebruikt in uw tenantomgeving.
• U moet ervoor zorgen dat uw gegevenspraktijken voldoen aan de wettelijke vereisten voor transparantie, toestemming, toegang en verwijdering.
• Het is uw verantwoordelijkheid om de nauwkeurigheid, geschiktheid en naleving te controleren van alle uitvoer die door dit systeem wordt gegenereerd voordat u deze gebruikt. Mogelijk moet dit worden besproken met de deskundigen op dit gebied.

Auteursrecht- en modeltraining

• Als u ervoor kiest een aangepast model te trainen met uw eigen gegevens, moet u ervoor zorgen dat u over de juiste rechten of licenties beschikt voor al het auteursrechtelijk beschermde materiaal dat deel uitmaakt van de trainingsset.
• Auteursrechtelijke bescherming is niet van toepassing op modellen die zijn getraind met behulp van ongeoorloofde auteursrechtelijk beschermde inhoud. U aanvaardt de volledige verantwoordelijkheid voor dergelijk gebruik.

Verwijderen van gegevens

• Als een gebruiker wiens gegevens worden gebruikt bij de training van een model een geldige verwijderingsaanvraag indient op grond van de AVG (of vergelijkbare regelgeving), bent u verplicht het model opnieuw te trainen.
• Wanneer u een model nauwkeurig afstemt, worden de modelgewichten aangepast op basis van de trainingsgegevens. U kunt het verfijnde model op elk gewenst moment verwijderen.

Verwante onderwerpen

• Agents voor Microsoft Copilot
• Agents bouwen met Copilot Studio agentbouwer
• Overzicht van Copilot Studio