Veelgestelde vragen over AI-goedkeuringen

Deze veelgestelde vragen leggen de mogelijkheden, het gebruik en de waarborgen van de met AI mogelijk gemaakte goedkeuringsfasen (AI-goedkeuringen) in Microsoft Copilot Studio uit. AI-goedkeuringen stellen een agentstroom in staat om automatisch verzoeken goed te keuren of af te wijzen op basis van vooraf gedefinieerde criteria, terwijl mensen de controle behouden over belangrijke beslissingen. Hier vindt u enkele veelgestelde vragen en antwoorden over deze functie.

Wat zijn AI-goedkeuringen?

AI-goedkeuringen zijn intelligente, geautomatiseerde beslissingsstappen in goedkeuringswerkstromen. AI-goedkeuringen gebruiken AI (Azure OpenAI-modellen of modellen die u van Azure AI Foundry kunt meebrengen) om goedkeuringsverzoeken te vergelijken aan de hand van uw bedrijfsregels en een "Goedgekeurd" of "Afgewezen" beslissing met een onderbouwing terug te geven.

Wat zijn de mogelijkheden voor AI-goedkeuringen?

In tegenstelling tot elementaire op regels gebaseerde automatisering kunnen AI-goedkeuringen ongestructureerde gegevens en complexe documenten (zoals PDF's of afbeeldingen die aan een verzoek zijn toegevoegd) interpreteren en genuanceerde logica toepassen om een beslissing te nemen. Een AI-goedkeuring kan bijvoorbeeld een schriftelijke onderbouwing lezen, controleren op beleidszoekwoorden en vervolgens beslissen.

AI-goedkeuringsfasen kunnen ook worden gecombineerd met menselijke fasen, zodat hoewel AI routinematige beslissingen neemt, mensen nog steeds toezicht houden op kritieke of uitzonderlijke gevallen en deze afronden. Samenvattend automatiseren AI-goedkeuringen de repetitieve ja/nee-beslissingen in een proces, waardoor werkstromen versnellen zonder menselijke controle te verwijderen waar het ertoe doet.

Wat is het bedoelde gebruik van AI-goedkeuringen?

AI-goedkeuringen zijn ontworpen voor gangbare bedrijfsscenario's met goed gedefinieerde criteria, waardoor dagelijkse werkstromen worden gestroomlijnd door routinematige beslissingen te automatiseren. Typische gebruiksvoorbeelden zijn onder andere:

Goedkeuring van onkostenvergoedingen: keur claims automatisch goed onder bepaalde bedragen met geldige bonnetjes, zodat managers zich alleen op uitzonderingen kunnen richten.

Goedkeuringen van inkooporders (PO): beoordeel verzoeken aan de hand van budgetlimieten en leverancierslijsten, en keur standaard-PO's automatisch goed binnen het beleid.

Goedkeuring van reisverzoeken: Automatische goedkeuring van conforme reisverzoeken terwijl verzoeken met beleidsovertredingen worden afgewezen.

Leveranciersonboarding: accepteer of weiger sollicitaties door kwalificaties en nalevingsvereisten te controleren aan de hand van vooraf gedefinieerde criteria.

Goedkeuringen voor factuurverwerking: valideer facturen door bedragen te koppelen aan inkooporders en te bevestigen dat de benodigde documentatie aanwezig is.

Goedkeuringen van documentbeoordelingen: bevestig dat contracten of beleidsregels de vereiste elementen bevatten en voldoen aan de indelingsnormen voordat u doorgaat naar de volgende stappen.

Goedkeuring van verlofaanvragen: keur verlofverzoeken goed wanneer werknemers voldoende saldo hebben en er geen planningsconflicten zijn.

AI-goedkeuringen zijn ontworpen voor routinematige, goed gedefinieerde beslissingen. Er zijn echter situaties waarin het systeem mogelijk niet betrouwbaar of verantwoord presteert. We moedigen klanten aan om AI-goedkeuringen te gebruiken in hun innovatieve oplossingen of applicaties, maar houd bij het kiezen van een gebruiksscenario rekening met de volgende principes:

• Beslissingen met hoge inzet of levensveranderende beslissingen: het systeem is niet ontworpen om beslissingen te behandelen die gezondheid, veiligheid, financiën of juridische status beïnvloeden. Voorbeelden hiervan zijn verzekeringsclaims, medische autorisaties, goedkeuringen van leningen of immigratiebeslissingen, die menselijk oordeel en verantwoordelijkheid vereisen.

• Juridische of disciplinaire zaken: gebruikszaken met betrekking tot juridische aansprakelijkheid, interpretatie van naleving of disciplinaire maatregelen van werknemers kunnen de beoogde reikwijdte van het systeem overstijgen. Hoewel AI input kan samenvatten, moeten de uiteindelijke beslissingen op deze gebieden bij mensen blijven.

• Subjectieve of dubbelzinnige criteria: het systeem kan worstelen met beslissingen die gebaseerd zijn op smaak, discretie of complexe afwegingen, zoals het beoordelen van creatief werk of het beoordelen van kwaliteit, waarbij normen niet gemakkelijk gecodificeerd zijn.

• Gevoelige of ethisch complexe scenario's: AI-goedkeuringen zijn niet ontworpen voor beslissingen over persoonlijke kenmerken, mogelijke discriminatie of het genereren van beperkte inhoud. Dit gebruik roept zorgen op over verantwoorde AI en kan extra waarborgen vereisen.

• Gereguleerde sectoren en werkstromen die gevoelig zijn voor naleving: in domeinen zoals gezondheidszorg, financiën of luchtvaart kan regelgeving menselijke controle vereisen, zelfs bij routinebeslissingen. Het systeem werd in deze contexten niet geëvalueerd op naleving.

• Voorzienbaar maar onbedoeld gebruik: naarmate de adoptie toeneemt, kunnen gebruikers proberen AI-goedkeuringen toe te passen op gebieden zoals functioneringsgesprekken, wervingsbeslissingen of klantbeoordelingen. Deze toepassingen maakten geen deel uit van het ontwerp of de impactbeoordeling van het systeem en kunnen risico's met zich meebrengen als ze niet zorgvuldig worden beheerd.

Wat zijn de technische beperkingen van AI-goedkeuringen en hoe kunnen gebruikers de impact van beperkingen minimaliseren?

Hoewel AI-goedkeuringen een krachtige mogelijkheid zijn, raden we gebruikers aan zich bewust te zijn van de beperkingen:

AI-goedkeuringen zijn afhankelijk van de gegeven regels: AI volgt strikt uw instructies en gegevens. Als uw prompt onduidelijk of onvolledig is, kan de AI-goedkeuring verkeerde beslissingen nemen of falen. Definieer criteria expliciet. Zeggen "goedkeuren indien redelijk" zonder "redelijk" te definiëren leidt tot misinterpretatie.

Mogelijkheid van fouten: AI-goedkeuringen kunnen fouten maken door onduidelijke invoer, complexe randgevallen of verkeerd gelezen verkeerd gescande documenten. Uitkomsten zijn niet altijd 100% accuraat, dus toezicht is essentieel bij grensgevallen.

Gebrek aan menselijke intuïtie: AI-goedkeuringen begrijpen de context niet buiten wat ze horen en kunnen geen verduidelijkende vragen stellen of intuïtie gebruiken. De AI-goedkeuring kan nuances missen die een mens zou opmerken, zoals het opmerken van verdachte uitgaven die "te hoog lijken voor die reis."

Niet leren van ervaring: AI-goedkeuringen passen zich na elke goedkeuring aan. Ze veranderen het gedrag niet tenzij u de prompt bijwerkt. Nieuwe scenario's die niet door bestaande regels worden gedekt, vereisen voortdurend onderhoud naarmate beleid zich ontwikkelt.

Afhankelijkheid van gegevenskwaliteit: AI-goedkeuringsbeslissingen zijn slechts zo goed als de invoergegevens. Slechte kwaliteit van bestanden, onvolledige documenten of onleesbare scans kunnen leiden tot verkeerde beslissingen of systeemstoringen.

Integratie- en prestatiebeperkingen: complexe goedkeuringscriteria of beslissingen die realtime gegevens van meerdere systemen vereisen, kunnen de nauwkeurigheid verminderen en de verwerkingstijd verlengen.

Vereist verantwoordelijke configuratie: gebruikers moeten AI-goedkeuringen ethisch configureren, met de juiste menselijke failsafes en vooroordeelvrije regels. Zorg er altijd voor dat de instructies overeenkomen met het bedrijfsbeleid en de ethische richtlijnen.

Geen toegang tot realtime informatie: AI-goedkeuringen kunnen alleen werken met expliciet verstrekte gegevens als invoer. Ze kunnen geen actualiteiten, nieuws of gebeurtenissen controleren tenzij die informatie in het goedkeuringsproces wordt verwerkt.

Om risico's te verminderen en de betrouwbaarheid te verbeteren bij het gebruik van AI-goedkeuringen:

• Neem menselijke controle op: stuur kritieke of dubbelzinnige zaken door naar handmatige beoordelingsfasen om verantwoording en oordeel te waarborgen.

• Test met diverse voorbeelden: gebruik historische gegevens en randgevallen om systeemgedrag te valideren vóór de implementatie.

• Verfijn prompts regelmatig: werk instructies bij naarmate beleid evolueert of nieuwe scenario's ontstaan om relevantie en nauwkeurigheid te behouden.

• Vermijd vage criteria: zorg dat prompts expliciet en goed gedefinieerd zijn. Vermijd termen als "redelijk" zonder duidelijke context.

• Volg beslissingen: gebruik tools zoals promptbuilder Activity om goedkeuringspercentages te volgen en patronen of fouten te identificeren.

• Train gebruikers: onderwijs medewerkers in het interpreteren van AI-redeneringen en overrulingsprocedures om vertrouwen en transparantie op te bouwen.

Onthoud: AI kan vol vertrouwen foutieve instructies uitvoeren, dus duidelijke, correcte begeleiding is essentieel.

Welke operationele factoren en instellingen maken een effectief en verantwoord gebruik van de ervaring voor agentgoedkeuringen?

Om AI-goedkeuringen effectief en veilig te gebruiken overweegt u deze operationele best practices:

• Stel lage temperatuur in voor consistentie: gebruik lage temperatuurinstellingen (bijna 0) om ervoor te zorgen dat de AI deterministische, voorspelbare beslissingen neemt in plaats van te variëren in reacties op identieke inputs. Standaard Copilot Studio-instellingen zijn al geoptimaliseerd voor betrouwbaarheid.

• Kies het juiste model: GPT-4.1 is doorgaans ideaal voor de meeste goedkeuringsscenario's. Geavanceerde redeneermodellen (zoals O3) kunnen complexe logica beter aan, maar zijn trager. De door Microsoft geleverde modellen zijn vooraf geïntegreerd en getest, hoewel u uw eigen fijn afgestemde modellen van Azure AI Foundry kunt meenemen als u specifieke eisen of aangepaste behoeften hebt.

• Implementeer menselijk toezicht: configureer menselijke of handmatige fasen waar kritieke beslissingen naartoe kunnen worden gestuurd. Menselijke en handmatige fasen zorgen ervoor dat mensen altijd de controle hebben.

• Test grondig in sandbox: voer uitgebreide tests uit met historische gegevens en voorbeeldverzoeken voordat u live gaat. Test bewust randgevallen: ontbrekende velden, conflicterende regels, ongebruikelijke scenario's. Controleer of de end-to-end werkstroom correct wordt geactiveerd.

• Volg beslissingen: alle beslissingen worden geregistreerd in de sectie promptbuilder Activiteit in Power Automate. Gebruik die gegevens om statistieken zoals goedkeuringspercentages te volgen en de juistheid van AI-goedkeuringsbeslissingen te beoordelen.

• Werk de criteria regelmatig bij: behandel AI-prompts als levende documenten. Werk instructies bij zodra beleid verandert of nieuwe scenario's ontstaan. Neem feedback van managers op over dat AI op bepaalde gebieden te streng of te soepel is.

• Bied transparantie en training: train relevant personeel in het interpreteren van AI-redeneringen en overrulingsprocedures. Informeer eindgebruikers dat verzoeken aanvankelijk door AI kunnen worden geëvalueerd. Duidelijke verwachtingen voorkomen verwarring en bouwen vertrouwen op.

Door AI-instellingen af te stemmen op consistentie, menselijke controle te integreren en het proces actief te beheren, zorgt u ervoor dat AI-goedkeuringen effectief en op schema blijven. Zie het als een partnerschap: AI regelt volume en snelheid, mensen regelen begeleiding en uitzonderingen.

Welke beschermingsmaatregelen bestaan er in Copilot Studio voor verantwoorde AI?

Welk soort inhoudsmoderatie wordt geïmplementeerd?

De GPT-modellen zijn getraind met internetgegevens, wat geweldig is voor het bouwen van een algemeen wereldmodel. Tegelijkertijd kan het toxische, schadelijke en bevooroordeelde inhoud van dezelfde bronnen overnemen. De modellen worden getraind voor veilig gedrag en om geen schadelijke inhoud te produceren, maar soms kan dit toxische output genereren. AI-goedkeuringen gebruiken Azure AI-inhoudsveiligheid om de modernste mogelijkheden voor inhoudsmoderatie binnen de AI-prompts op te nemen. Deze moderatie omvat services om de gegenereerde uitvoer te analyseren met tekstscanners voor meerdere ernstniveaus en beveiliging tegen promptinjectie-aanvallen. De uitvoer wordt ook gescand op regurgitatie van beschermd materiaal.

Welke taalmodellen worden ondersteund, waar worden ze gehost, en hoe kan ik er toegang toe krijgen?

AI-goedkeuringen ondersteunen GPT 4.1 mini-, GPT 4.o-, GPT 4.1- en o3-modellen, die gehost worden op Azure OpenAI Service. U kunt deze modellen openen via de prompts in Power Platform, uw toepassingen, stromen en agents.

Zie voor meer informatie Wat is er nieuw in Azure OpenAI Service?

Worden mijn gegevens gebruikt om de grote taalmodellen te trainen of te verbeteren?

AI-goedkeuringen worden uitgevoerd op Azure OpenAI Service, gehost door Microsoft. Klantgegevens worden niet gebruikt om de basismodellen van Azure OpenAI Service te trainen of te verbeteren. Uw klantgegevens worden door Microsoft niet gedeeld met een derde partij, tenzij u daarvoor toestemming hebt gegeven. Noch de klantprompts (invoer) met de bijbehorende basisgegevens, noch de modelreacties (uitvoer) worden gebruikt om Azure OpenAI Service-basismodellen te trainen of te verbeteren.

Hoe worden afbeeldingen van personen verwerkt?

AI-goedkeuringen zijn niet bedoeld om personen te identificeren op basis van gezichtskenmerken of biometrische gegevens. Wanneer u afbeeldingen in AI-goedkeuringen indient waarop mensen voorkomen, past het systeem automatisch een functie voor het vervagen van gezichten toe voordat de afbeeldingen worden geanalyseerd, om de privacy van personen te beschermen. Dit vervagingsproces helpt bij het aanpakken van privacyproblemen, omdat identificatie op basis van gezichtskenmerken wordt voorkomen. Bij vervaging is er geen sprake van gezichtsherkenning of gezichtssjabloonmatching. In plaats daarvan is de identificatie van bekende personen gebaseerd op contextuele aanwijzingen, zoals uniformen of unieke omgevingen, en niet op hun gezichten. Deze privacymaatregel heeft geen invloed op de kwaliteit van de resultaten die u ontvangt. Het systeem kan af en toe verwijzen naar gezichtsvervaging.

Meer informatie vindt u in Gezichtsvervaging.

Wat zijn enkele mogelijke gevaren bij het gebruik van afbeeldingen of documenten in prompts?

AI-goedkeuringen beperken de meeste risico's die gepaard gaan met het gebruik van afbeeldingen of documenten in prompts, maar sommige risico's vereisen toch extra aandacht van de maker van de prompt:

• Afbeeldingen of documenten kunnen schadelijke tekst of visuele elementen bevatten die van invloed kunnen zijn op uw downstreamprocessen.

• Afbeeldingen of documenten kunnen speciale en mogelijk verborgen instructies bevatten, die de oorspronkelijke prompt kunnen beïnvloeden of overschrijven.

• Afbeeldingen of documenten kunnen instructies bevatten die kunnen leiden tot het genereren van inhoud die onder intellectueel eigendom valt.

• Prompts kunnen bevooroordeelde opmerkingen over afbeeldingen of documenten opleveren.

• Het extraheren van informatie uit afbeeldingen of documenten van lage kwaliteit kan leiden tot onjuiste gegevens.

Welke soorten problemen kunnen zich voordoen bij het gebruik van AI-goedkeuringen, en hoe kan ik daarmee omgaan?

Bij het gebruik van AI-goedkeuringen kunt u problemen tegenkomen zoals analysefouten (wanneer AI regels niet met vertrouwen kan toepassen), verkeerde goedkeuringsbeslissingen (valse positieven/negatieven), inconsistente uitkomsten bij vergelijkbare verzoeken, of verwerkingsvertragingen bij complexe zaken. Om deze uitdagingen effectief aan te pakken zorgt u ervoor dat u werkstroomverzoeken naar menselijke fasen stuurt.

Implementeer consistente en rigoureuze tests tijdens de ontwikkeling en implementatie om potentiële fouten vroeg te identificeren. Gebruik lage temperatuurinstellingen voor voorspelbare uitkomsten en verfijn uw prompts continu op basis van waargenomen fouten. Regelmatige monitoring en iteratieve verbeteringen helpen om de betrouwbaarheid en nauwkeurigheid van het systeem in de loop van de tijd te behouden.