Konfigurer og optimer Copilot til lokale arbejdsgange

Den måde, vi arbejder med lokale data og processer på, ændrer sig med et halsbrækkende tempo Tak til kunstig intelligens værktøjer som Microsoft CopilotFlere og flere virksomheder ønsker at bringe den kraft direkte ind i deres daglige arbejdsgange og integrere IA med sine dokumenter, applikationer og interne systemer uden at miste kontrollen over sikkerhed eller compliance.

Konfiguration og optimering af Copilot til lokale arbejdsgange handler ikke kun om at "aktivere" en funktionmen snarere ved at kombinere automatisering, proprietære data, governance og gode brugsvaner. Når Copilot implementeres korrekt, bliver det endnu et medlem af teamet: det udarbejder dokumenter, besvarer komplekse spørgsmål om intern information, opsummerer tætte rapporter og foreslår løsninger på operationelle problemer, altid med respekt for din organisations tilladelser og regler.

Intelligent automatisering og Copilots rolle i lokale flows

Automatisering handler ikke længere bare om at følge et stift manuskriptDen AI, der er integreret i Copilot, gør det muligt for lokale arbejdsgange at lære af data, registrere mønstre og tilpasse sig, når konteksten ændrer sig. Dette påvirker direkte, hvordan opgaver som dokumentoprettelse, kapacitetsplanlægning og håndtering af kvalitets- eller forsyningsproblemer håndteres.

Kombinationen af ​​AI, RPA, low-code/no-code platforme og process mining fører til det, der kaldes hyperautomatisering.hvor næsten enhver gentagen eller informationsbaseret aktivitet kan automatiseres delvist eller fuldt ud. Copilot fungerer som et intelligenslag oven på disse systemer: det forstår tekst, genererer indhold og hjælper med at træffe beslutninger hurtigt, uden at brugeren behøver at kende den underliggende tekniske kompleksitet.

Low-code og no-code platforme forenkler radikalt oprettelsen af ​​lokale arbejdsgangegiver forretningspersonale uden teknisk baggrund mulighed for at konfigurere processer, formularer og AI-agenter. Copilot Studio passer her som et "værksted", hvor fageksperter (marketing, finans, jura, drift osv.) kan finjustere modeller og oprette agenter uden at skrive kode, ved hjælp af visuelle assistenter og skabeloner (se Copilot-handlinger og agenter).

Process- og task mining er en nøglefaktor i beslutningen om, hvad der skal automatiseresDen viser, hvor arbejdsgange går i stå, hvilke aktiviteter der er mest tidskrævende, og hvor Copilot-baserede agenter giver mening. Med disse data prioriteres automatiseringer, der virkelig påvirker effektivitet, servicekvalitet eller compliance, og udviklingen af ​​resultater kan spores over tid. Desuden suppleres disse teknikker af tilgange til semantisk søgning med Copilot at finde relevant viden hos lejeren.

Denne kontekst af avanceret automatisering baner vejen for, at Copilot kan operere lokalt. på dine egne data, hvor du kombinerer det bedste fra store sprogmodeller (LLM) med den viden, der allerede findes i SharePoint, Microsoft 365ERP, produktionssystemer eller interne applikationer.

Hvad er Copilot-optimering, og hvorfor er det vigtigt for lokale miljøer?

Microsoft 365 Copilot-optimering er den funktionalitet, der giver dig mulighed for at "finjustere" LLM'er med data fra din egen lejer.uden at tage oplysningerne uden for det sikre miljø i Microsoft 365. Målet er, at modellen forstår tonen, skabelonerne, procedurerne og det specifikke ordforråd i din organisation, så dens svar har den samme stil, som en intern ekspert ville bruge.

Al maskinlæring og behandling af kunstig intelligens udføres i Microsoft 365-lejeren.Den optimerede model overholder eksisterende sikkerheds- og compliance-politikker, men arver tilladelser fra træningsdataene, hvilket sikrer, at den ikke "ser" eller bruger oplysninger, som konfigurerede grupper ikke har adgang til. Dette er afgørende for lokale arbejdsgange, der håndterer følsomme, regulerede eller kontrollerbare data.

Baseret på disse optimerede modeller kan specifikke deklarative agenter oprettes.som er integreret direkte i Microsoft 365 Copilot og vises i applikationer som f.eks. ordOutlook, Teams eller Excel. Disse agenter er ikke bare generiske chatbots: de er designet til specifikke opgaver såsom udarbejdelse af juridiske klausuler, opsummering af hændelsesrapporter, udarbejdelse af forretningsforslag eller præcis forklaring af interne politikker.

Den store fordel er, at modeljusteringen sker via en kodefri brugerflade i Copilot Studio.Derfor kan forretningsanalytikere eller funktionelle eksperter lede processen med begrænset IT-support. De behøver ikke at være dataloger; de skal blot have en god forståelse af domænet, dokumenttypen og det forventede resultat.

I praksis forvandler Copilot Optimization Copilot fra et generisk værktøj til en dybt tilpasset assistent. til dine lokale arbejdsgange: Tal "som din virksomhed", brug de rigtige skabeloner, anvend den rigtige argumentation, og tilpas dig til de regler, der allerede findes i din organisation.

Forudsætninger og grundlæggende styring for aktivering af Copilot-optimering

Før du kan konfigurere og styre Copilot Optimization, skal du opfylde visse tekniske krav og krav til roller.Tjenesten er i første omgang designet til organisationer med et betydeligt antal licenser og en klart defineret AI-manager.

Først skal lejeren være tilmeldt Copilot Optimizations Early Access Program (EAP).Dette kræver blandt andet et minimum antal aktive Microsoft 365 Copilot-tilføjelseslicenser i lejeren. Derudover skal en person med rollen AI-administrator acceptere programvilkårene på vegne af organisationen.

Det er vigtigt, at Copilot-udvidelsesmuligheder er aktiveret i Microsoft 365 Administration.I afsnittet Copilot-indstillinger kan du administrere både aktivering af optimeringstjenester og indstillinger for udgivelse og agentadgang. Hvis din organisation anvender DLP-politikker, der blokerer nye Power Platform-connectorer, skal du omklassificere "Tenant Copilot"-connectoren ved hjælp af [den relevante metode/metode]. PowerShell så den kan bruges med den passende klassificering.

Kun personer med rollen AI-administration kan administrere Copilot Optimization-styringskontrollerHvem kan oprette modeller, hvilke brugere eller grupper har adgang til dem, hvilke modeller forbliver publicerede, og hvilke der fjernes. Alt dette styres fra selve administrationscentret i det specifikke afsnit om Copilot-optimering.

Ved at aktivere Copilot-optimering kan du eksplicit begrænse tjenesten til bestemte brugere eller grupper.Det er god praksis at starte med en lille gruppe (f.eks. juridiske, forsknings- og udviklings- eller forsyningskædeteams) og gradvist udvide, efterhånden som resultaterne valideres, og disciplinen for ansvarlig brug af AI konsolideres.

Rolledesign: administratorer, modeludviklere og slutbrugere

En robust Copilot-opsætning til lokale arbejdsgange kræver klart definerede roller. der griber ind, forhindrer "alle i at gøre alt" og sikrer sporbarhed af, hvem der kan oprette og udgive modeller.

Administratorer af kunstig intelligens er ansvarlige for styringslaget.De aktiverer eller deaktiverer Copilot Optimization, beslutter hvilke afdelinger, der deltager, kontrollerer modellens livscyklus og gennemgår overholdelse af sikkerheds- og privatlivspolitikker. De kan også fjerne offentliggjorte modeller, når de bliver forældede eller ikke længere er i overensstemmelse med interne regler.

Modelmagere er fageksperter inden for hvert område —for eksempel personer fra marketing, finans, jura eller drift — med mulighed for at vælge datakilder, konfigurere opgaver og gennemgå resultater. De får tilladelse til at bruge Copilot Optimization fra Administration Center og er typisk en begrænset gruppe (som standard op til ti brugere pr. organisation, der kan udvides via Microsoft support, hvis det er nødvendigt).

Når en ny modeludvikler tilmelder sig, modtager de en e-mail med instruktioner. Sådan kommer du i gang i Copilot Studio: hvor finder du afsnittet Copilot-optimering, hvilke typer opgaver du kan oprette, hvordan du vælger videnskilder, og hvordan du giver andre brugere adgang til de resulterende agenter.

Slutbrugere interagerer med de optimerede agenter direkte i Microsoft 365-applikationer. (Word, Teams, Outlook osv.), ligesom de ville gøre med standard Copilot, men med fordel af den specifikke viden om den trænede model. De behøver ikke at kende konfigurationsdetaljerne; de ​​skal kun have et klart billede af agentens omfang og hvordan man formulerer effektive instruktioner.

Oprettelse af optimerede modeller: Q&A-opgaver, generering og opsummering

Copilot Optimization understøtter i øjeblikket tre hovedtyper af opgaver der dækker de fleste lokale dokumentbaserede arbejdsgange: ekspertspørgsmål og -svar (Q&A), dokumentgenerering og dokumentopsummering.

I tilfælde af spørgsmål og svar er målet, at agenten skal fungere som specialist Kan forklare regler, sammenligne politikker, begrunde klausuler eller præcisere procedurer ved hjælp af indhold gemt i formater som .docx, .pdf eller .html. Ideel til emner med tæt og stabil tekst: regler, skattelove, tekniske manualer, videnskabelig dokumentation eller interne politikker.

Dokumentgenereringsopgaven er designet til at producere førsteudkast af høj kvalitet Dette er baseret på referencedokumenter og strukturerede ændringer. For eksempel tilbagevendende kontrakter, kommercielle tilbud, jobbeskrivelser, compliance-formularer eller produktdokumentation. Her er det nøglen til at have velafstemte par af "originaldokument + endelig ændret version".

Kort sagt lærer modellen at kondensere komplekse dokumenter med respekt for organisationens tone, format og indholdsprioriteter. Det er meget nyttigt i højrisiko- eller storforbrugssammenhænge (regulatoriske rapporter, resuméer, kvalitetsrapporter eller revisioner), hvor konsistens og nøjagtighed er lige så vigtige som at spare tid.

At vælge den rigtige type opgave er den første afgørende beslutning Når man konfigurerer en optimeret model: Det er ikke det samme at bede Copilot om at generere en kontrakt fra bunden, som det er at anmode om resuméer af eksisterende kontrakter eller besvare komplekse spørgsmål om deres indhold. En klar definition af forretningsopgaven hjælper med at justere data, instruktioner og evalueringer.

Tilpasning af modellen i Copilot Studio trin for trin

Modeltilpasningsarbejdsgangen administreres udelukkende fra Copilot Studiotilgængelig fra browseren. Derfra følger modeludviklere en række guidede trin, der strukturerer processen fra start til slut.

Først oprettes en ny model, som får et klart navn og en tydelig beskrivelse. De bør forklare præcis, hvad det gør, og hvad det skal bruges til. Det er tilrådeligt at bruge et sprog, der er forståeligt for slutbrugerne, og undgå rent tekniske navne, som ingen vil genkende.

Derefter udvælges videnskilderne.Disse er typisk samlinger af dokumenter, der er placeret i SharePoint. Disse datasæt er det fundament, som modellen lærer på: godkendte skabeloner, udfyldte rapporter, underskrevne kontrakter, gyldige compliance-formularer osv. Kvaliteten og aktualiteten af ​​disse data vil direkte påvirke modellens kvalitet.

Afsnittet Tilladelser definerer de sikkerhedsgrupper eller personer, der kan bruge modellenCopilot Optimization filtrerer træningsdokumenter, der ikke er tilgængelige for disse grupper, og kan foreslå yderligere grupper for at maksimere rækkevidden af ​​viden, altid med respekt for ACL'erne for hver fil.

Dernæst vælges opgavetypen (Spørgsmål og svar, generering eller opsummering), og modelinstruktionerne skrives.Disse instruktioner styrer systemet med hensyn til tone ("formel tone", "venligt, men professionelt sprog"), kvalitetskriterier ("opfind ikke regler", "angiv altid dokumentreferencen") og outputforventninger. Jo mere præcise og realistiske disse instruktioner er, desto bedre vil modellens adfærd stemme overens med virksomhedens behov.

Når disse elementer er konfigureret, begynder forberedelsen af ​​data til mærkning.Copilot analyserer adgangskontrollisterne for dokumenter og organiserer datasættet til senere brug i træning. Dette trin kan tage flere timer (op til 24 timer, afhængigt af volumen), og systemet giver dig besked via e-mail, når det er klar til at fortsætte.

Mærkning, træning og evaluering af optimerede modeller

Datamærkningsfasen søger at identificere, hvilke eksempler der virkelig er gode. at lære modellen, hvordan et kvalitetsoutput skal se ud. I stedet for at kræve massivt manuelt arbejde fra starten, udvælger Copilot Optimization automatisk par eller eksempler, som den anser for relevante, og beder eksperten om at mærke dem som gode eller knap så gode.

Mærkningsformularen viser kandidatdokumenter eller udkast Modelskaberen angiver derefter, om dataene nøjagtigt repræsenterer den ønskede standard. Denne proces kan gentages i flere omgange, afhængigt af opgavens kompleksitet, indtil systemet har tilstrækkelige referencedata til at træne pålideligt.

Når dataene er forberedt, startes modeltræningen i Azure AI Foundry.Alt dette styres via Copilot Studio-grænsefladen. Finjusteringsprocessen kan tage flere timer mere, afhængigt af datamængden. Når det er færdigt, genererer værktøjet testresultater, som du kan gennemgå, før du publicerer noget.

Evaluering er et kritisk trin: det er ikke nok, at modellen "virker mere eller mindre"Det er vigtigt at kontrollere, at tonen er ensartet, at følsomme data ikke er fabrikeret, at skabelonerne følges, at der anvendes fornuftige forretningskriterier, og at nøgleoplysninger ikke udelades. Hvis noget ikke passer, kan du gå tilbage: tilføje flere datakilder, justere instruktioner, inkorporere flere eksempler eller forbedre kortlægningsfilen.

Eventuelt kan en mapping.csv-fil forberedes. med dokumentpar af typen "precedent-target", der angiver, hvilken originalfil der svarer til hvilket endeligt udkast. Denne CSV-fil gemmes i roden af ​​videnskilden og hjælper modellen med bedre at forstå forholdet mellem input og output, især i forbindelse med genererings- og opsummeringsopgaver.

Avanceret brug af dokumentgenerering med Copilot Optimization

En af Copilots mest kraftfulde applikationer i lokale arbejdsgange er dokumentgenerering. Baseret på skabeloner og historiske eksempler bruges AI til at producere indledende udkast meget tæt på den endelige version, hvilket drastisk reducerer processen. El tiempo manuel udarbejdelse.

Denne fremgangsmåde fungerer især godt, når dokumenterne følger genkendelige mønstre Kun visse detaljer eller klausuler ændres: jobbeskrivelser, servicekontrakter, indkøbsordrer, compliance-formularer eller produktdokumentation. Modellen identificerer organisationens struktur og stil og anvender ensartede ændringer baseret på de specifikationer, du angiver.

For at få mest muligt ud af det, er det tilrådeligt at have mere end 20 velafstemte par af referencedokumenter og deres målversioner.Disse par, der er gemt i SharePoint, bør dække den række af variationer, du forventer, at systemet skal håndtere: forskellige kontrakttyper, forskellige produktfamilier, rutinemæssige lovgivningsmæssige ændringer osv.

De nødvendige ændringer findes i et struktureret felt i Copilot Optimization.Dette gør det nemmere for modellen at forstå, hvilke dele der skal ændres, og hvordan. På denne måde inkorporerer de genererede udkast allerede de nye oplysninger, samtidig med at det eksisterende format, den eksisterende terminologi og den interne stil bevares.

Resultatet er langt mere agile lokale arbejdsgange.HR genererer jobtilbud i overensstemmelse med virksomhedskulturen, juridiske udarbejdelser udarbejder periodiske kontrakter med minimal gennemgang, compliance opbygger nye formularer ud fra godkendte skabeloner, og indkøb udarbejder ordreudkast, der kun kræver endelig validering.

Copilot i møder og samarbejde i Teams

På et samarbejdsniveau er Copilot integreret i Microsoft Teams er blevet en vigtig allieret at styre kortere, mere fokuserede og handlingsrettede møder. Selvom disse ikke er "lokale arbejdsgange" i den klassiske forstand af interne dataprocesser, udgør deres anvendelse i møder en yderst relevant daglig arbejdsgang.

For at bruge Copilot i Teams skal du bruge en kompatibel Microsoft 365-licens. (for eksempel E3, E5 eller Business Premium) og muliggøre mødetransskription eller -optagelse. Uden transskription eller optagelse er Copilots muligheder reduceret, da den mangler råmaterialet til at generere detaljerede resuméer eller pålidelige handlingslister.

Under mødet aktiverer brugeren Copilot fra Teams-værktøjslinjen. Og du kan anmode om opsummeringer i realtid, to-do-lister, uenigheder eller åbne spørgsmål. Dette er især nyttigt for dem, der tilmelder sig sent: de kan komme i gang på under et minut uden at afbryde samtalens flow.

Til sidst hjælper Copilot med at afslutte sessionen tydeligt.Identifikation af opgaver, ansvarlige parter og næste trin. Alle disse elementer er tilgængelige fra fanen mødeoversigt i Teams, hvilket forhindrer, at aftaler går tabt i endeløs chat eller spredte personlige noter.

Der findes supplerende værktøjer som Noota, der udvider disse mulighederDe tilbyder mere strukturerede referater, avancerede søgbare filer og specifikke indstillinger for hver mødetype. Integreret med Teams giver de dig mulighed for at optage, transskribere og generere brugerdefinerede resuméer, hvilket forbedrer opfølgning og efterfølgende samarbejde.

Copilot i browseren: et første skridt mod at implementere AI i hverdagen

For mange organisationer er introduktionen af ​​Copilot gennem Microsoft Edge Det er en blød adoptionsstrategiDet giver folk mulighed for at blive fortrolige med AI i et miljø, de allerede bruger dagligt (browseren), før Copilots avancerede funktioner udvides til hele Microsoft 365.

Træningssessionerne med fokus på Copilot i Edge viser, hvordan dette værktøj forenkler opgaver såsom at oprette regneark, skrive e-mails, opsummere lange websider eller finde relevante oplysninger hurtigere. Alt dette plus OneDrive-integration, der automatisk gemmer filer og sikrer, at intet går tabt.

Denne type træning har en stærk praktisk komponentDeltagerne oplever i realtid, hvordan AI fjerner repetitivt arbejde, hvordan de kan automatisere små processer, og hvordan Copilot kan foreslå konkrete trin til at løse hverdagens projektledelsesproblemer.

Effekten er ikke kun individuel, men også organisatorisk.Ved at frigøre tid fra gentagne opgaver kan teams dedikere mere tid til kreativitet, strategi og beslutningstagning på højt niveau. Dette styrker igen SMV'ers og virksomheders konkurrenceevne på stadig mere digitale markeder.

Efterhånden som modenheden stiger, er det almindeligt at organisere avancerede og personlige sessioner For specifikke afdelinger involverer dette at forbinde Copilot i Edge med Copilot i Microsoft 365 og med optimerede modeller i lokale arbejdsgange. På denne måde ophører AI med at være en nyhed og bliver en strukturel del af den daglige drift.

Sikkerhed, overholdelse af regler og administration i Copilot Optimization

Sikkerhed og styring er vigtige søjler, når man optimerer Copilot med lokale dataDet handler ikke kun om at "få det til at fungere godt", men om at sikre, at det respekterer databeskyttelsesregler, intellektuel ejendomsret og virksomhedens interne politikker.

Copilot-optimering kører i et isoleret miljø i Microsoft 365-lejeren.Den trænede model arver tilladelser fra de underliggende dokumenter. Under træningen sendes der ingen kundedata til eksterne tjenester uden for lejerens sikre cloud, hvilket hjælper med at overholde standarder som GDPR eller CCPA.

Administratorer kan kontrollere adgang til både modeller og agenter Dette opnås via sikkerhedsgrupper, der kun aktiverer tjenesten for bestemte teams (f.eks. R&D eller juridisk) og præcist kontrollerer, hvem der kan oprette, bruge og se hver agent. Administrationscenteret giver dig mulighed for at overvåge projekter, gennemgå aktive brugerdefinerede skabeloner og fjerne dem, der ikke længere er egnede.

Overholdelsespolitikker gælder også for svar, som Copilot genererer baseret på Microsoft GraphSystemet viser ikke dokumenter eller uddrag til brugere uden tilladelser, ligesom det ville ske med en standardsøgning i Microsoft 365. Derudover udelukker Copilot Optimization filer fra træning, som de relevante grupper ikke har adgang til.

Det er vigtigt at huske, at organisationen fortsat er ansvarlig for brugen af ​​data og modeller.AI-administratoren skal sikre, at træningssæt respekterer ophavsret, at enkeltpersoner er korrekt informeret om behandlingen af ​​deres data, og at gyldige anmodninger om sletning behandles. Hvis en model blev trænet ved hjælp af data fra en person, der udøver sin ret til sletning, kan det være nødvendigt at genoptræne eller slette den optimerede model og gennemgå, hvordan aktivere eller deaktivere Copilot-hukommelse.

Endelig er det tilrådeligt at etablere procedurer for menneskelig gennemgang af outputtene.især inden for følsomme områder (juridiske, lovgivningsmæssige, finansielle). Kunstig intelligens kan fremskynde arbejdet, men ekspertverifikation er fortsat nødvendig for at sikre nøjagtighed, egnethed og overholdelse af lovgivningen.

Bedste fremgangsmåder til opsætning og brug af Copilot i lokale arbejdsgange

For at Copilot virkelig kan tilføre værdi i lokale miljøer, er det tilrådeligt at følge en række bedste praksisser. der afstemmer forventninger, data, processer og sikkerhed. Det er ikke kun et teknisk problem; det involverer også kultur og arbejdsmetoder.

Start med klare forretningsmål Det hjælper med at prioritere use cases: Vil vi reducere tiden til kontraktudarbejdelse? Fremskynde rapportgenerering? Forbedre responsen på leveringshændelser? Standardisere resuméer? Et klart fokus gør det nemmere at måle investeringsafkastet og justere konfigurationen.

Vælg træningsdata af høj kvalitet og god pleje Dette er fundamentalt. Modeller lærer af det, de ser: hvis dokumenter er forældede, dårligt formaterede eller inkonsistente, vil outputtet afspejle disse problemer. Et mindre, men meget repræsentativt sæt er at foretrække frem for en enorm, uorganiseret samling.

Definer specifikke modelinstruktioner og opstartsprompter Det forbedrer agenternes adfærd betydeligt. Instruktioner som "brug en venlig, men professionel tone", "opfind ikke politikker, der ikke findes" eller "angiv altid referencen og datoen for det originale dokument" gør en betydelig forskel i praksis.

Opfordr brugerne til at formulere klare instruktioner og stille opfølgende spørgsmål Det er også en del af opsætningen, selvom det er uhåndgribeligt. Copilot understøtter samtaler med flere runder, så det at forfine et spørgsmål, bede om yderligere eksempler eller anmode om brug af et andet dokument som reference er strategier, der forbedrer resultatets kvalitet.

Til sidst, antag en iterativ og feedbackbaseret tankegang Dette gør det muligt for Copilot at forbedre sig over tid. Den analyserer, hvilke svar der virker, hvilke fejl der gentages, hvilke nye data der skal indarbejdes, og hvornår det giver mening at genoptræne modellen. Copilot er ikke et engangsprojekt, men en levende funktion, der udvikler sig i takt med din organisations processer.

Integrationen af ​​Copilot og dens optimering med lokale data repræsenterer en kvalitativ ændring i vores arbejdsmåde.Arbejdsgange bliver mere agile, kritisk information er mere tilgængelig, beslutninger dokumenteres bedre, og samarbejdet vinder dybde. Med et solidt styringsgrundlag, omhyggeligt kuraterede data og velvalgte use cases ophører AI med at være et abstrakt løfte og bliver en hverdagsallieret, der forbedrer din organisations produktivitet, kvalitet og tilpasningsevne.