Vanliga frågor och svar om AI-godkännanden

Dessa vanliga frågor beskriver funktionerna, användningen och skyddsåtgärderna för AI-baserade godkännandesteg (AI-godkännanden) i Microsoft Copilot Studio. Med AI-godkännanden kan ett agentflöde automatiskt godkänna eller avslå förfrågningar baserat på fördefinierade kriterier, samtidigt som viktiga beslut förblir under mänsklig kontroll. Här följer några vanliga frågor och svar om den här funktionen.

Vad är AI-godkännanden?

AI-godkännanden är intelligenta, automatiserade beslutsteg i godkännandeflöden. AI-godkännanden använder AI (Azure OpenAI-modeller eller modeller som du kan ta med från Azure AI Foundry) för att bedöma godkännandeförfrågningar mot dina affärsregler och lämna ett "Godkänt" eller "Avvisat" beslut med en motivering.

Vilka funktioner har AI-godkännanden?

Till skillnad från grundläggande regelbaserad automation kan AI-godkännanden tolka ostrukturerad data och komplexa dokument (som PDF:er eller bilder bifogade till en begäran) och tillämpa nyanserad logik för att fatta ett beslut. Till exempel kan ett AI-godkännande läsa en skriftlig motivering, kontrollera policynyckelord och sedan bestämma sig.

AI-godkännandefaser kan också kombineras med manuella steg, så att AI hanterar rutinbeslut medan människor övervakar och fattar slutgiltiga beslut i kritiska eller exceptionella fall. Sammanfattningsvis automatiserar AI-godkännanden de upprepade ja/nej-besluten i en process, vilket påskyndar arbetsflöden utan att ta bort mänsklig tillsyn där det är viktigt.

Vad är den avsedda användningen med AI-godkännanden?

AI-godkännanden är utformade för vanliga affärsscenarier med väldefinierade kriterier, för att effektivisera vardagliga arbetsflöden genom att automatisera rutinbeslut. Vanliga användningsfall är:

Godkännanden av ersättningsanspråk: Godkänn automatiskt anspråk under vissa belopp med giltiga kvitton, så att chefer endast kan fokusera på undantagsfall.

Godkännanden av inköpsorder (PO): Utvärdera förfrågningar mot budgetgränser och leverantörslistor, och godkänn automatiskt standardbeställningar enligt policy.

Godkännanden av reseförfrågningar: Godkänn automatiskt reseförfrågningar som följer policyn, samtidigt som du avslår förfrågningar som strider mot policyn.

Leverantörsintroduktion: Acceptera eller avslå ansökningar genom att kontrollera kvalifikationer och efterlevnadskrav utifrån förutbestämda kriterier.

Fakturabearbetningsgodkännanden: Validera fakturor genom att matcha belopp med inköpsorder och bekräfta att nödvändig dokumentation finns.

Godkännande av dokumentgranskning: Bekräfta att kontrakt eller policyer innehåller nödvändiga element och uppfyller formateringsstandarder innan de går vidare till nästa steg.

Godkännande av ledighetsansökningar: Godkänn ledighetsansökningar när anställda har tillräcklig saldo och inga schemakonflikter förekommer.

AI-godkännanden var utformade för rutinmässiga, väldefinierade beslut. Det finns dock situationer där systemet kanske inte fungerar pålitligt eller ansvarsfullt. Vi uppmuntrar kunder att använda AI-godkännanden i sina innovativa lösningar eller appar, men tänk på följande principer när du väljer användningsområde:

• Högrisk- eller livsförändrande beslut: Systemet är inte utformat för att hantera beslut som påverkar hälsa, säkerhet, ekonomi eller juridisk status. Exempel inkluderar försäkringsanspråk, medicinska godkännanden, lånegodkännanden eller immigrationsbeslut, som kräver mänskligt omdöme och ansvarstagande.

• Juridiska eller disciplinära frågor: Användningsfall som rör juridiskt ansvar, tolkning av efterlevnad eller disciplinära åtgärder mot anställda kan överskrida systemets avsedda omfattning. Även om AI kan sammanfatta indata, bör slutgiltiga beslut i dessa områden ligga hos människor.

• Subjektiva eller tvetydiga kriterier: Systemet kan ha svårt att fatta beslut som bygger på smak, diskretion eller komplexa avvägningar – såsom att utvärdera kreativt arbete eller kvalitet – där standarder är svåra att formulera.

• Känsliga eller etiskt komplexa scenarier: AI-godkännanden är inte avsedda för beslut som rör personliga attribut, potentiell diskriminering eller generering av otillåtet innehåll. Dessa användningar väcker frågor kring ansvarsfull AI och kan kräva ytterligare skyddsåtgärder.

• Reglerade branscher och efterlevnadskänsliga arbetsflöden: Inom områden som sjukvård, finans eller flyg kan regulatoriska krav kräva mänsklig tillsyn även vid rutinbeslut. Systemet har inte utvärderats för efterlevnad i dessa sammanhang.

• Förutsebara men oavsiktliga användningar: När införandet växer kan användare försöka applicera AI-godkännanden på områden som prestationsbedömningar, anställningsbeslut eller bedömning av kunders berättigande. Dessa användningar ingick inte i systemets design eller konsekvensbedömning och kan innebära risker om de inte hanteras noggrant.

Vilka tekniska begränsningar har AI-godkännanden och hur kan användarna minimera deras inverkan?

Även om AI-godkännanden är en kraftfull funktion, uppmanar vi användare att vara medvetna om deras begränsningar:

AI-godkännanden bygger på givna regler: AI följer strikt dina instruktioner och data. Om din prompt är oklar eller ofullständig kan AI-godkännandet fatta fel beslut eller misslyckas. Definiera kriterier tydligt; om du säger "godkänn om rimligt" utan att definiera vad "rimligt" betyder kan det leda till misstolkning.

Risk för fel: AI-godkännanden kan begå misstag på grund av otydliga indata, komplexa undantagsfall eller feltolkning av dåligt skannade dokument. Utdata är inte alltid 100 % korrekta, så övervakning är avgörande i tveksamma fall.

Brist på mänsklig intuition: AI-godkännanden förstår inte sammanhang utöver vad de instrueras om och kan inte ställa förtydligande frågor eller använda magkänsla. AI-godkännanden kan missa nyanser som människor skulle uppfatta, som att upptäcka misstänkta utgifter som verkar för höga för den typen av resa.

Ingen erfarenhetsbaserad inlärning: AI-godkännanden lär sig inte av tidigare godkännanden – de ändrar inte sitt beteende om du inte uppdaterar prompten. Nya scenarier som inte omfattas av befintliga regler kräver löpande underhåll i takt med att policyer utvecklas.

Beroende av datakvalitet: AI-godkännandebeslut är bara så bra som den data som matas in. Dåliga filer, ofullständiga dokument eller oläsliga skanningar kan orsaka felaktiga beslut eller systemfel.

Integrations- och prestandabegränsningar: Komplexa godkännandekriterier eller beslut som kräver realtidsdata från flera system kan minska noggrannheten och öka bearbetningstiden.

Kräver ansvarsfull konfiguration: Användare måste konfigurera AI-godkännanden etiskt, med lämpliga mänskliga skyddsåtgärder och partiskhetsfria regler. Se alltid till att instruktionerna är i linje med företagets policy och etiska riktlinjer.

Ingen tillgång till realtidsinformation: AI-godkännanden kan endast fungera med data som uttryckligen tillhandahålls som inmatning. De kan inte kontrollera aktuella händelser, nyheter eller evenemang om inte den informationen matas in i godkännandeprocessen.

För att minska risker och förbättra tillförlitligheten vid användning av AI-godkännanden:

• Inkludera mänsklig övervakning: Skicka kritiska eller tvetydiga ärenden till manuella granskningssteg för att säkerställa ansvarstagande och omdöme.

• Testa med varierade exempel: Använd historisk data och gränsfall för att validera systemets beteende innan driftsättning.

• Justera prompt regelbundet: Uppdatera instruktioner i takt med att policyer utvecklas eller nya scenarier uppstår för att säkerställa relevans och precision.

• Undvik vaga kriterier: Se till att prompts är explicita och väldefinierade—undvik termer som "rimlig" utan tydlig kontext.

• Övervaka beslut: Använd verktyg som "Prompt Builder Activity" för att följa godkännandefrekvenser och identifiera mönster eller fel.

• Träna användare: Utbilda personalen i att tolka AI-motiveringar och använda åsidosättningsprocedurer för att bygga förtroende och transparens.

Kom ihåg: AI kan utan tvekan utföra felaktiga instruktioner, så tydlig och korrekt vägledning är avgörande.

Vilka driftfaktorer och inställningar gör det möjligt att på ett effektivt och ansvarigt sätt använda agentens godkännandeupplevelse?

För att använda AI-godkännanden effektivt och säkert, överväg dessa operativa bästa praxis:

• Ställ in låga temperaturvärden för konsekvens: Använd låga temperaturvärden (nära 0) för att säkerställa att AI:n fattar konsekventa och förutsägbara beslut, istället för att ge varierande svar på identisk inmatning. Standardinställningarna för Copilot Studio är redan optimerade för tillförlitlighet.

• Välj rätt modell: GPT-4.1 är det bästa valet för de flesta godkännandefall. Avancerade AI-modeller för resonemang (som O3) kan hantera komplex logik bättre, men är långsammare. Microsofts modeller är redan integrerade och testade i Copilot Studio, men du kan använda egna finjusterade modeller från Azure AI Foundry om du har specifika krav eller behov av anpassning.

• Implementera mänsklig tillsyn: Konfigurera mänskliga eller manuella steg som kan användas vid kritiska beslut. Mänskliga och manuella steg säkerställer att människor alltid har kontroll.

• Testa noggrant i testmiljö: Utför omfattande tester med historisk data och testförfrågningar innan du går live. Testa medvetet gränsfall: saknade fält, motstridiga regler och ovanliga scenarier. Verifiera att arbetsflödet från början till slut utlöses korrekt.

• Övervaka beslut: Alla beslut loggas i aktivitetsloggen för promptbyggaren i Power Automate. Använd uppgifterna för att följa nyckeltal som godkännandefrekvens och utvärdera korrektheten i AI-godkännandebesluten.

• Uppdatera kriterierna regelbundet: Behandla AI-promptar som levande dokument. Uppdatera instruktioner när policyer ändras eller nya scenarier uppstår. Ta hänsyn till synpunkter från chefer om att AI är för sträng eller för mild inom specifika områden.

• Säkerställ transparens och utbildning: Träna berörd personal i att tolka AI-beslutsmotiveringar och hantera åsidosättande av beslut. Informera slutanvändare om att förfrågningar initialt kan utvärderas av AI. Tydliga förväntningar förhindrar förvirring och bygger förtroende.

Genom att justera AI-inställningar för konsekvens, integrera mänsklig tillsyn och aktivt hantera processen säkerställer du att AI-godkännandena förblir effektiva och på rätt spår. Tänk på det som partnerskap: AI hanterar volym och hastighet, människor hanterar styrning och undantag.

Vilka skydd finns på plats i Copilot Studio för ansvarsfull AI?

Vilken typ av innehållsmoderering implementeras?

GPT-modellerna har utbildats med hjälp av data från nätet vilket gör att det bra för att bygga en allmän världsmodell. Samtidigt kan den ärva innehåll som är olämpligt, skadlig eller fördomsfullt från samma källor. Modellerna är tränade att bete sig säkert och inte producera skadligt innehåll, men ibland kan de generera skadliga resultat. AI-godkännanden använder Azure AI Innehållsäkerhet-tjänsten för att integrera avancerad innehållsmoderering i AI-prompter. Denna moderering omfattar tjänster för att analysera det genererade resultatet med hjälp av textskannrar som kan hantera flera svårighetsgrader samt skydd mot promptinjektionsattacker. Utdata genomsöks även för att inte återge skyddat material.

Vilka språkmodeller stöds, var är de hostade och hur kan jag komma åt dem?

AI-godkännanden stöder GPT 4.1 mini, GPT 4.o, GPT 4.1 och o3-modeller, som är hostade på Azure OpenAI Service. Du kan komma åt dessa modeller via prompterna i Power Platform, i dina appar, flöden och agenter.

För mer information, se Vad är nytt i Azure OpenAI Service?

Används mina data för att träna eller förbättra de stora språkmodellerna?

AI-godkännanden körs på Azure OpenAI Service som drivs av Microsoft. Kunddata används inte för att träna eller förbättra några av grundmodellerna för Azure OpenAI Service. Microsoft delar inte dina kunddata med tredje part om du inte har gett behörighet att göra det. Varken kundprompt er (inmatning) med dess underliggande data eller modellens svar (utmatning) används för att träna eller förbättra Azure OpenAI Service grundmodeller.

Hur bearbetas bilder av människor?

AI-godkännanden är inte avsedda att användas för att identifiera individer baserat på ansiktsdrag eller biometriska data. När du skickar in bilder som innehåller personer för AI-godkännande använder systemet automatiskt en ansiktsoskärpa innan bilderna analyseras för att skydda individers integritet. Det här suddiga steget hjälper till att hantera integritetsproblem genom att förhindra identifiering baserat på ansiktsdrag. Med oskärpa är ingen ansiktsigenkänning eller ansiktsmallsmatchning inblandad. I stället förlitar sig all identifiering av välkända individer på kontextuella ledtrådar, som uniformer eller unika miljöer, inte på deras ansikten. Den här sekretessåtgärden bör inte påverka kvaliteten på de resultat du får. Ansiktsoskärpa kan ibland refereras i systemets svar.

Läs mer i Ansiktsoskärpa.

Vilka potentiella negativa konsekvenser kan uppstå när bilder eller dokument används i prompter?

AI-godkännanden minskar de flesta risker vid användning av bilder eller dokument i promptar, men vissa risker kräver fortfarande extra omsorg från promptskaparen:

• Bilder eller dokument kan innehålla skadlig text eller visuella objekt som kan påverka dina efterföljande processer.

• Bilder eller dokument kan innehålla speciella och eventuellt dolda instruktioner som kan påverka eller åsidosätta den ursprungliga prompten.

• Bilder eller dokument kan innehålla instruktioner som kan leda till generering av innehåll som omfattas av immateriella rättigheter (IP).

• Prompter kan producera vinklade kommentarer på bilder eller dokument.

• Att extrahera information från lågkvalitativa bilder eller dokument kan leda till hallucinationer.

Vilka problem kan uppstå vid användning av AI-godkännanden, och hur kan jag hantera dem?

När du använder AI-godkännanden kan du stöta på problem som analysfel (när AI inte säkert kan tillämpa regler), felaktiga godkännandebeslut (falska positiva/negativa), inkonsekventa utfall på liknande förfrågningar eller behandlingsförseningar i komplexa ärenden. För att hantera dessa utmaningar effektivt, se till att ditt arbetsflöde leder förfrågningar till manuella behandlingssteg.

Genomför konsekventa och rigorösa tester under utvecklings- och driftsättningsfasen för att tidigt identifiera potentiella felpunkter. Använd lågtemperaturinställningar för förutsägbara resultat, och förfina dina prompts kontinuerligt baserat på observerade fel. Regelbunden övervakning och iterativa förbättringar hjälper till att upprätthålla systemets tillförlitlighet och noggrannhet över tid.