Microsoft Discovery-Plattformkarte

Diese Plattformkarte beschreibt Microsoft von Discovery beabsichtigte Verwendungen, Funktionen, Einschränkungen und bewährte Methoden für die verantwortungsvolle Bereitstellung und Verwendung.

Was ist eine Anwendung oder Plattformkarte?

Die Anwendungs- und Plattformkarten von Microsoft helfen Ihnen zu verstehen, wie unsere KI-Technologie funktioniert. Sie erklären die Entscheidungen, die Anwendungsinhaber treffen, die die Leistung und das Verhalten der Anwendung beeinflussen. Sie heben auch die Bedeutung hervor, die gesamte Anwendung zu berücksichtigen, einschließlich Technologie, Menschen und Umwelt. Anwendungskarten werden für KI-Anwendungen erstellt, und Plattformkarten für KI-Plattformdienste. Diese Ressourcen können die Entwicklung oder Bereitstellung Ihrer eigenen Anwendungen unterstützen. Sie können sie mit Nutzern oder Interessengruppen teilen, die von den Anwendungen betroffen sind.

Im Rahmen seiner Verpflichtung zu verantwortungsvoller KI hält sich Microsoft an sechs Grundprinzipien: Fairness, Zuverlässigkeit und Sicherheit, Datenschutz und Sicherheit, Inklusion, Transparenz und Verantwortlichkeit. Der Responsible AI Standard verankert diese Prinzipien. Der Standard leitet Teams beim Entwerfen, Bau und Testen von KI-Anwendungen. Anwendungs- und Plattformkarten spielen eine wichtige Rolle bei der Operationalisierung dieser Prinzipien, indem transparenz in Bezug auf Funktionen, beabsichtigte Verwendungen und Einschränkungen geboten wird. Weitere Einblicke finden Sie im Responsible AI Transparency Report und dem Verhaltenskodex von Microsoft. Sie zeigen, wie Unternehmenskunden und Einzelpersonen verantwortungsvoll mit KI interagieren können.

Overview

Microsoft Discovery steht derzeit ausgewählten Kunden zur Verfügung. Die Nutzung von Microsoft Discovery unterliegt den Kundenberechtigungsanforderungen und der Annahme unserer Produktbedingungen und des Verhaltensregeln des Benutzers. Es erfordert eine Lizenz und wird nur in einer begrenzten Anzahl von Regionen angeboten. Unser Ziel ist es, sicherzustellen, dass das System für alle Benutzer sicher, zuverlässig und vorteilhaft bleibt, während wir seine Fähigkeiten weiter entwickeln.

Bereitstellungsmodus

Microsoft Discovery ist in zwei Bereitstellungsmodi verfügbar:

  • Cloud-Deployment: Eine vollständig verwaltete Azure-gehostete Plattform, die den Azure OpenAI Service über Azure AI Foundry für den Modellzugriff nutzt, mit Azure-Infrastruktur für Rechenleistung, Netzwerke und Sicherheit.
  • Lokale Anwendung: Eine Desktop-Anwendung, die auf Ihrem Rechner läuft und das GitHub Copilot SDK für den Modellzugriff verwendet. Dieser Modus ist für einzelne Forscher und Entwickler konzipiert, die die agentischen KI-Fähigkeiten von Discovery in einer leichten, lokalen Umgebung ohne Azure-Infrastruktur nutzen möchten.

Beide Bereitstellungsmodi teilen die gleiche Kern-Discovery Engine, Multi-Agenten-Architektur und wissensbasierte Denkfähigkeiten. Die folgenden Abschnitte geben an, wo sich Verhalten, Fähigkeiten oder Verantwortlichkeiten zwischen den beiden Modi unterscheiden.

Die Vorschauversion der Microsoft Discovery App (Microsoft Discovery & die Microsoft Discovery App | Microsoft Learn) wurde noch nicht bewertet.

Einführung

Microsoft Discovery ist eine Enterprise-Agentic-KI-Plattform, die zur Unterstützung wissenschaftlicher Forschung und Entwicklung entwickelt wurde. Es hilft Organisationen, Domänenwissen, Daten, Modelle und Berechnungen zusammenzubringen, um komplexe Probleme zu lösen, Hypothesen zu generieren und zu verfeinern, Experimente zu entwerfen und Ergebnisse zu analysieren. Indem Microsoft Discovery die wissenschaftliche Methode in einer einzigen Umgebung durchgängig unterstützt, begegnet es der Fragmentierung und dem kognitiven Mehraufwand, die moderne Forschungs- und Entwicklungsarbeit oft verlangsamen.

Die Plattform nutzt eine agentische KI-Architektur, die eine graphbasierte Wissens-Engine nutzt, um F&E-Ergebnisse mit erhöhter Geschwindigkeit, Skalierung und Genauigkeit zu erzielen. Über eine Oberfläche mit natürlicher Sprache können Benutzer Ziele oder Fragen beschreiben, und das System kann sie in strukturierte Pläne übersetzen, die auf verfügbaren Tools, Modellen und Workflows basieren. Microsoft Discovery operationalisiert das Discoverymodul, das Ergebnisse und Feedback in nachfolgende Begründungen integriert, adaptive, erklärbare und wiederholbare Forschungsausführung ermöglicht, während der Benutzer die Kontrolle behält.

Beabsichtigte Benutzer

Microsoft Discovery ist für F&E-Organisationen gedacht, einschließlich Wissenschaftlern, Ingenieuren und Entwicklern in Branchen, die Life Sciences, Materialien, Halbleiter, Energie, Fertigung und fortgeschrittene Ingenieurtechnik umfassen. In der Cloud-Implementierung basiert die Plattform auf Azure und ist so konzipiert, dass sie erweiterbar und sicher ist, sodass Organisationen ihre eigenen Daten, Modelle und Werkzeuge in eine einheitliche, KI-gesteuerte Umgebung integrieren können. Die lokale Anwendung bietet eine Alternative für einzelne Forscher, die die Fähigkeiten von Discovery auf ihrem eigenen Rechner mit dem GitHub Copilot SDK nutzen möchten. Anstatt menschliches Fachwissen zu ersetzen, erweitert Microsoft Discovery es und hilft Teams dabei, Komplexität zu verwalten und Erkenntnisse über den gesamten Forschungsprozess hinweg zu skalieren.

Schlüsselbegriffe

Die folgende Tabelle enthält ein Glossar mit Schlüsselbegriffen im Zusammenhang mit Discovery.

Begriff Definition
Klassifizierer Machine Learning-Modelle, die Daten in bezeichnete Klassen oder Informationskategorien sortieren.
Entdeckungs-Engine Ein Feature in Discovery, das wie ein Kollege agiert und mit dem Sie sich unterhalten, an den Sie Aufgaben delegieren, mit dem Sie gemeinsam planen und dem Sie Aufgaben übergeben können, wenn Sie an anspruchsvollen, langfristigen Vorhaben arbeiten. Der Zweck der Arbeit, die Sie durchführen möchten, organisiert und steuert das Discovery-Modul. Er verwendet den Rest der Discovery als Ressourcen, um die Arbeit zu erledigen.
GitHub Copilot SDK Ein Softwareentwicklungskit, das Zugang zu großen Sprachmodellen über GitHub Copilot bietet. Im lokalen Anwendungsbereitstellungsmodus verwendet Discovery das GitHub Copilot SDK als Modellanbieter anstelle des Azure OpenAI Service.
Grounding Antworten sind in relevanten, zuverlässigen Quellen verankert, z. B. von Kunden bereitgestellte Daten, interne Wissensdatenbanken und ggf. externe Inhalte. Quellen bieten Zitate oder Rückverfolgbarkeit, wenn verfügbar.
Große Sprachmodelle (LLMs) KI-Modelle wurden mit großen Mengen von Textdaten trainiert, um Wörter in Sequenzen vorherzusagen. Sie können Aufgaben wie Textgenerierung, Zusammenfassung, Übersetzung und Klassifizierung ausführen.
Abmilderung Methoden zur Reduzierung potenzieller Risiken, die sich aus der Verwendung von KI-Features ergeben können.
Aufforderungen Eingaben in Form von Text, Bildern oder Audiodaten, die ein Benutzer für die Interaktion mit KI-Features bereitstellt.
Supercomputer Die Supercomputerkomponente von Discovery verwendet Azure Hochleistungscomputing (HPC) und zukünftige Quantenfunktionen, um rechenintensive wissenschaftliche Workflows, Simulationen und KI-Workloads auszuführen.
Systemnachricht Die Systemnachricht (manchmal auch als Metaaufforderung bezeichnet) leitet das Verhalten des Systems und richtet es an Microsoft KI-Prinzipien und Benutzererwartungen aus. Es kann beispielsweise Anweisungen wie "Keine Informationen bereitstellen oder Inhalte erstellen, die physische, emotionale oder finanzielle Schäden verursachen könnten" enthalten.

Wichtige Features und Funktionen

Die hier beschriebenen wichtigsten Merkmale und Funktionen erläutern, wofür Discovery konzipiert ist und wie es bei den unterstützten Aufgaben arbeitet.

Schnittstelle für natürliche Sprache

Benutzer interagieren mit Microsoft Discovery über einen Unterhaltungsassistenten, der Anforderungen in natürlicher Sprache versteht und sie mithilfe verfügbarer Tools und Workflows in einen strukturierten Plan übersetzt. Dieser Ansatz hilft Wissenschaftlern und Ingenieuren, von einer Forschungsfrage zu einem umsetzbaren Arbeitsablauf überzugehen, ohne mehrere Systeme manuell zusammenzusetzen. Bei Bedarf ruft dieser Copilot integrierte Rechenleistungen und Werkzeuge wie Simulationen, Datenbankabfragen oder Modellläufe auf und unterstützt iterative Verfeinerungen durch Dialoge. Dieser Ansatz senkt die Hürde für die Nutzung fortschrittlicher F&E-Tools, indem Nutzer Workflows Schritt für Schritt in derselben Oberfläche anpassen und erkunden können.

Multi-Agent-Architektur

Discovery verwendet ein Multi-Agent-System, in dem Kunden spezielle KI-Agents mitbringen können, die jeweils in einer bestimmten Domäne (z. B. Chemie, Biologie, Physik, Siliziumdesign und Datenanalyse) oder Funktion (Reasoning, Simulation und Optimierung) verwendet werden können.

Die Agenten arbeiten zusammen, koordiniert durch Copilot und ein zentrales Wissensdiagramm. Sie können über eine umfangreiche, vernetzte Wissensbasis verfügen, die die Datenquellen und wissenschaftlichen Erkenntnisse des Unternehmens integriert. Diese Architektur ermöglicht die Bewältigung komplexer, interdisziplinärer Probleme.

Beispielsweise kann ein Agent wissenschaftliche Literatur analysieren, während ein anderer eine Simulation ausführt und ein anderer die Ergebnisse analysiert. Diese verteilte Intelligenz wird als agentische KI bezeichnet. Es ist kein monolithisches Modell, sondern ein Team von Modellen, die für den Benutzer zusammenarbeiten.

Entdeckungs-Engine

Das Discovery-Modul ist eine Kernfunktion innerhalb von Discovery, die eine nachhaltige, zielorientierte Forschung und Problemlösung über längere Zeiträume ermöglicht. Anstatt sich auf kurze, transaktionale Interaktionen zu konzentrieren, unterstützt die Discovery Engine lang andauernde Arbeitsprozesse. Es koordiniert die Begründung, Planung und Ausführung über Agenten, Tools, Modelle und Wissensquellen hinweg.

Das Discovery Engine ist für komplexe Forschungsszenarien konzipiert, die eine Analyse von übergeordneten Zielen, iterativer Erkundung und Integration von Ergebnissen über mehrere Aktivitäten hinweg erfordern.

Das Discovery-Modul arbeitet durch zwei ergänzende Komponenten: Wahrnehmung und Aufgaben. Die Kognition verwaltet die fortlaufende Begründung und Koordinierung, die erforderlich ist, um Fortschritte bei definierten Zielen zu erzielen. Aufgaben umfassen die Auswahl geeigneter Agents, Tools und Datenquellen sowie die Anpassung der Ausführung basierend auf Zwischenergebnissen und Benutzerfeedback.

Das Aufgabensystem erfasst Benutzerabsicht, Struktur und Fortschritt. Es bietet eine dauerhafte Darstellung dessen, was erreicht werden muss, wie Erfolg gemessen wird und wie sich die Arbeit im Laufe der Zeit weiterentwickelt. Diese Komponenten ermöglichen es Kunden, Die Arbeit zu delegieren, den Fortschritt regelmäßig zu überprüfen und die Richtung nach Bedarf zu verfeinern. Benutzer können während des gesamten Forschungsprozesses menschliche Aufsicht und Kontrolle aufrechterhalten.

Um langwierige und iterative Forschung zu unterstützen, erhält die Discovery Engine kontextuelle Kontinuität zwischen den Interaktionen, indem sie den relevanten Zustand früherer Arbeiten bewahrt, einschließlich der Ziele, Zwischenergebnisse, Entscheidungen und Benutzeranleitungen. Dieser persistente Kontext ermöglicht es dem System, die Arbeit über Sitzungen hinweg fortzusetzen, ohne dass Kunden Ziele ändern oder vorherige Schritte rekonstruieren müssen.

Durch die Fortführung der bereits erforschten oder beschlossenen Aktivitäten unterstützt das Discoverymodul im Laufe der Zeit inkrementelle Fortschritte, adaptive Planung und kohärentere Ausführung. Benutzer werden in jeder Phase durch Überprüfung, Verfeinerung und Aufsicht kontrolliert.

Erweiterbarkeit

Discovery wurde entwickelt, um erweiterbar zu sein, sodass Kunden ihre eigenen Modelle (BYOM) integrieren, proprietäre oder Drittanbieterdaten über Plattformen wie AI Foundry oder Azure Machine Learning (AML) integrieren und benutzerdefinierte Agents erstellen können, die auf Domänenanforderungen zugeschnitten sind. Schließen Sie Ihre internen Modelle, Ihre vorhandenen Labordaten, domänenspezifischen Datenbanken oder sogar benutzerdefinierte KI-Agents an. Discovery integriert diese Ressourcen in das Wissensdiagramm und workflows. Darüber hinaus unterstützt Discovery Partner- und Open-Source-Tools. In seiner Cloud-Implementierung basiert Discovery auf Azure und übernimmt die Sicherheits-, Compliance- und Governance-Fähigkeiten von Azure. Bei der lokalen Anwendungsbereitstellung verwendet Discovery das GitHub Copilot SDK für den Modellzugriff und läuft in der lokalen Umgebung des Nutzers.

HPC-Integration

Da Discovery auf der hochmodernen Infrastruktur von Azure basiert, integriert es Azure-HPC- und -KI-Dienste nativ. Die Plattform kann Workloads in großen CPU-/GPU-Clustern bereitstellen, cloudbasierte Simulationen (z. B. Rechenflüssigkeitsdynamik und molekulare Dynamik) ausführen und erweiterte KI-Modelle wie benutzerdefinierte computergestützte Lernmodelle oder große Sprachmodelle (LLMs) nach Bedarf verwenden.

Wissensgrundlegung

Microsoft Discovery bietet erweiterte Wissensgründe, indem kuratierte Domänengrundung mit graphisch verbesserter, KI-gesteuerter Abruf und Synthese kombiniert wird.

Im Kern bietet Discovery eine Bücherregalfunktion, die Forschende nutzen, um ihre Arbeit mithilfe kuratierter Sammlungen wissenschaftlicher Literatur, Fachartikel und Referenzmaterialien zu organisieren und auf ihr Fachgebiet zugeschnitten zu fundieren. Diese Stiftung stellt sicher, dass Die Gründe und Analysen von Anfang an in vertrauenswürdigen, relevanten Quellen verankert sind.

Basierend auf dieser Grundlage integriert Discovery nativ Azure KI-Suche über Foundry. Sie ermöglicht einen schnellen Abruf über interne Repositorys, externe Literatur und verbundene Datenbanken. Benutzer können nahtlos über verschiedene Wissensquellen hinweg suchen, ohne manuelle Integration oder Wechsel des Kontexts durchzuführen.

Was Discovery auszeichnet, ist die Art und Weise, wie es aus verschiedenen Wissensquellen Schlussfolgerungen zieht. Die Ermittlung geht über die herkömmliche semantische Suche hinaus. Es deckt lokale Erkenntnisse auf, z. B. bestimmte Fakten, Entitäten und Erkenntnisse sowie globales Verständnis, das Themen, Muster und Auswirkungen in einem gesamten Korpus umfasst. Es kombiniert vektorbasierte Abrufe dynamisch mit graphorientierter Begründung zur Abfragezeit.

Dieser Ansatz vermeidet kostspielige Vorabzusammenfassungen und skaliert effizient, ohne die Antwortqualität zu beeinträchtigen. Gemeinsam ermöglichen diese Funktionen Discovery das Verbinden, Kontextualisieren und Synthetisieren von Wissen über große und ständig weiterentwickelte wissenschaftliche Datasets. Das Ergebnis ist eine tiefere Begründung, schnellere Erkenntnisgenerierung und fundiertere wissenschaftliche Erkundung.

Quellenbasierte Zitate

Wenn Antworten auf Web- oder Kundendaten basieren, kann Microsoft Discovery verlinkte Zitate bereitstellen, damit Nutzer auf die referenzierten Webseiten oder interne Dokumente und Datenbanken zugreifen können, die zur Grundlage dienen, um mehr über das Thema zu erfahren.

Beabsichtigte Verwendungen

Sie können Discovery in mehreren Szenarien in verschiedenen Branchen verwenden. In der folgenden Tabelle sind einige Beispiele für Anwendungsfälle aufgeführt.

Industrie/Domäne Szenario Benutzervorteile
Chemie und Materialwissenschaft Unternehmen, die neue Materialien, Chemikalien oder Formulierungen entwickeln (z. B. fortgeschrittene Legierungen, Polymere, Halbleitermaterialien, Batterietechnologien, erneuerbare Energien, nachhaltige Technologien), um die Forschung zu beschleunigen. Benutzer können schnell Hypothesen generieren und testen, um Formulierungen mithilfe von KI-koordinierten Workflows zu verfeinern. Die Entdeckung ermöglicht es Forschern, Materialeigenschaften, komplexe chemische Reaktionen und physikalische Prozesse zu simulieren. Kompromisse bei der Leistung werden evaluiert, um optimale Konfigurationen zu identifizieren. Discovery trägt dazu bei, die Zeit und die Kosten des Experimentierens zu reduzieren, indem die Orchestrierung von Werkzeugen automatisiert wird, relevante Literatur aufbereitet wird und iterative Entwurfszyklen ermöglicht werden. Die Ermittlung sorgt für Rückverfolgbarkeit und Reproduzierbarkeit.
Pharmazeutika und Life Sciences Pharma- und Biotech-Teams arbeiten mit komplexen Pipelines und massiven Datasets an der Erforschung von Medikamenten, Genomik oder biomedizinischer Forschung. Die Entdeckung kann Forschern helfen, biomedizinische Literatur zu synthetisieren, vielversprechende Arzneimittelkandidaten zu identifizieren und Experimente mithilfe von Vorhersagemodellen zu entwerfen. Die Automatisierung von Screening in frühen Phasen und der Hypothesengenerierung ermöglicht es Kunden, sich auf Entscheidungen und Validierung zu konzentrieren. Die Automatisierung beschleunigt potenziell Ermittlungszeitachsen und ermittelt neue Erkenntnisse aus domänenübergreifenden Daten.
Halbleiter- und Elektronikdesign Unternehmen, die neue Halbleiterarchitekturen oder Materialien entwerfen, bei denen die Optimierung über Tausende von Parametern und Simulationen hinweg entscheidend ist. Die Ermittlung ermöglicht Es Entwicklern, Simulationsworkflows zu automatisieren, Entwurfsalternativen zu untersuchen und Ergebnisse skaliert zu analysieren. Die Plattform unterstützt eine schnellere Iteration hin zu effizienteren oder leistungsfähigeren Chipdesigns, indem physikbasierte Simulationen und KI-gesteuerte Optimierung koordiniert werden.
Fertigung und fortgeschrittene Technik Hersteller von Automobil-, Luft- und Raumfahrt- oder Industriesektoren, die die Produktdesign- und Produktionsprozesse optimieren möchten. Techniker können Discovery verwenden, um umfangreiche virtuelle Prototypen auszuführen, Tausende von Designvariationen für Leistung, Gewicht und Haltbarkeit zu testen. In der Prozesstechnik hilft die Plattform dabei, Parameter zu optimieren, um den Ertrag und die Qualität zu verbessern. Discovery bietet die Möglichkeit, Simulationen zu koordinieren und Ergebnisse im Kontext zu analysieren, die schnellere Innovation und fundiertere Entscheidungsfindung unterstützen.

Modelle und Trainingsdaten

Microsoft Discovery verwendet eine Vielzahl von KI-Modellen, um die Benutzerfreundlichkeit zu verbessern.

Cloud-Deployment: In der Cloud-Bereitstellung greifen Nutzer über den Azure OpenAI Service über Azure AI Foundry auf Modelle zu. Zu den verwendeten Modellen gehören unter anderem OpenAI GPT-5, OpenAI GPT-5.2, OpenAI GPT-5.4, OpenAI gpt-5.4, OpenAI gpt-5.4-mini, OpenAI gpt-5.5 und OpenAI Text Embedding 3 (klein). Informationen zu schulungsdaten, Auswertungen und verantwortlichen KI-Überlegungen für Azure OpenAI-Modelle finden Sie im Transparenzhinweis für Azure OpenAI - Azure AI-Plattformen.

Lokale Anwendung: Bei der lokalen Anwendungsbereitstellung greifen Nutzer über das GitHub Copilot SDK auf Modelle zu. Die spezifischen verfügbaren Modelle hängen vom GitHub Copilot-Abonnement des Nutzers und den im Tarif aktivierten Modellen ab. Informationen zu den Trainingsdaten, der Bewertung und verantwortungsvollen KI-Überlegungen für Modelle, die über GitHub Copilot verfügbar sind, finden Sie in der GitHub Copilot-Dokumentation.

Performance

In diesem Abschnitt werden die Bedingungen und die Umgebung beschrieben, unter denen Discovery voraussichtlich zuverlässig funktioniert. Außerdem werden die Arten von Eingaben beschrieben, die die Plattform akzeptiert, die von ihr erzeugten Ausgaben und die unterstützten Sprachen.

Modalities

Beabsichtigte Eingaben Beschreibung Erwartete Ausgaben
Natürliche Sprache Textbasierte Unterhaltungsaufforderungen, Rechercheabsichten und Agentanweisungen, die über die Discovery Copilot Schnittstelle übermittelt werden. Forschungszusammenfassungen, Argumentationsverläufe, Literatursynthesen und dialogorientierte Antworten.
Dokumente der Wissensdatenbank Unstrukturierte Dateien zur Wissensindexierung. Beispiele sind PDF, CSV, TXT, Word (.docx), PowerPoint (.pptx) und Excel (.xlsx). Domänenspezifische Argumentation, Simulationsberichte und transformierte Datensätze. In der Cloud-Bereitstellung werden die Ausgaben in bestimmten Azure Storage-Containern gespeichert. In der lokalen Anwendung werden die Ausgaben im lokalen Dateisystem des Benutzers gespeichert.
Rechendaten Domänenspezifische Datenressourcen, Konfigurationsdateien und Skripts, die als Eingaben für containerisierte wissenschaftliche Tools (z. B. molekulare Strukturen oder Schaltkreisdesigns) verwendet werden. Generierte Skripts, Codeausschnitte und strukturierte Datendateien.

Um eine konsistente und zuverlässige Ausführung zu gewährleisten, kodieren Sie alle Agentenanweisungen und Prompts strikt in UTF-8. Die Verwendung nicht kompatibler Formatierungen, z. B. Rich-Text-Artefakte oder Zeichen, die Codierungsfehler erzeugen (z. B. Mojibake), können zu Ausführungsfehlern oder unerwartetem Verhalten führen.

Sprachen

Discovery wurde für Englisch entwickelt und ausgewertet. Obwohl die zugrunde liegenden LLM-Modelle über inhärente mehrsprachige Funktionen für das Verständnis und die Generierung natürlicher Sprachen verfügen, werden die Systemaufforderungen, die Benutzeroberfläche und die Kernbewertungen für diese Version in Englisch optimiert und validiert.

Die Verwendung in anderen Sprachen funktioniert möglicherweise in der Praxis, liegt jedoch außerhalb des Umfangs des getesteten und unterstützten Verhaltens für die aktuelle Version.

Workloadtypen

Discovery ist für komplexe, vielschichtige und langfristige Forschungsherausforderungen optimiert (Aufgaben, die sich über Stunden oder Tage erstrecken), die die autonome Orchestrierung von KI-Agenten erfordern. Sie ist nicht für einfache, einmalige Abfragen konzipiert. Die kognitive Discovery Engine der Plattform wechselt adaptive zwischen schnellen und langsamen Reasoning-Modi, um diese komplexen Probleme zu zerlegen und zu beheben.

Umwelt

Cloud-Bereitstellung: Discovery arbeitet in einer sicheren, Azure-gehosteten Cloud-Umgebung unter Verwendung von Virtual Network (VNet)-Isolation, Managed Identities und Role-Based Access Control (RBAC). Sie basiert auf skalierbaren High-Performance HPC-Knotenpools (mit CPU- und GPU-Optionen), um rechenintensive Workloads auszuführen.

Lokale Anwendung: Die lokale Anwendung läuft auf dem Desktop-Rechner des Benutzers und greift über das GitHub Copilot SDK über das GitHub-Konto des Benutzers zur Authentifizierung auf Modelle zu. Die Daten werden lokal auf dem Rechner des Benutzers verarbeitet und gespeichert. Die lokale Anwendung verwendet keine Azure-Netzwerkinfrastruktur oder verwaltete Identitäten. Die Nutzer sind verantwortlich für die Sicherung ihrer lokalen Umgebung, einschließlich Betriebssystemupdates, Festplattenverschlüsselung und Netzwerkkonfiguration.

Einschränkungen

Das Verständnis von Ermittlungseinschränkungen ist entscheidend, um sicherzustellen, dass Sie sie innerhalb sicherer und effektiver Grenzen verwenden. Verwenden Sie Discovery in Ihren innovativen Lösungen oder Anwendungen, denken Sie jedoch daran, dass Discovery nicht für jedes mögliche Szenario konzipiert ist.

Weitere Informationen finden Sie im Abschnitt "Discovery Code of Conduct", "Microsoft Enterprise AI Services Code of Conduct (für Organisationen) oder im Abschnitt "Verhaltensregeln" im Microsoft-Servicevertrag (für Einzelpersonen). Berücksichtigen Sie auch die folgenden Überlegungen, wenn Sie einen Anwendungsfall auswählen:

  • Automatisierungsbias und Loop-Drift: Discovery unterstützt semiautonome, agentische Workflows, wodurch das Risiko eines Automatisierungsbias entsteht. Diese Verzerrung bezieht sich auf die Tendenz, KI-generierten Ergebnissen ohne hinreichende Überprüfung übermäßig zu vertrauen. In iterativen Workflows können sich kleine Ungenauigkeiten im Laufe der Zeit anhäufen, ein Phänomen, das als Schleifendrift bezeichnet wird.

    Menschliche Aufsicht im Prozess ist unerlässlich, um sicherzustellen, dass die Forschung auf Kurs bleibt und mit der wissenschaftlichen Zielsetzung im Einklang steht. Anwendungsfälle, die bei wichtigen Entscheidungspunkten keine sinnvollen menschlichen Überprüfungen aufnehmen können, eignen sich in ihrer aktuellen Form nicht gut für diese Plattform.

  • Darstellungsverzerrung: Ermittlungsergebnisse können Ungleichgewichte widerspiegeln, die in der wissenschaftlichen Literatur oder datasets vorhanden sind, mit denen die zugrunde liegenden Modelle trainiert werden. Das Entdeckungsverfahren könnte dominante Forschungsperspektiven überrepräsentieren oder neue und unterrecherchierte Bereiche unterrepräsentieren. Wenden Sie Domänenkompetenz an, und bewerten Sie die Ausgaben kritisch, insbesondere wenn Sie in neuartigen oder interdisziplinären Bereichen arbeiten, in denen die Darstellung in Schulungsdaten eingeschränkt sein kann.

  • Zeitliche Relevanz von Daten: Wissenschaftliche Erkenntnisse entwickeln sich schnell. Wenn Discovery auf statische oder veraltete Datasets angewiesen ist, werden möglicherweise veraltete Erkenntnisse angezeigt oder aktuelle Entwicklungen fehlen. (Dieses Risiko ist insbesondere in schnell bewegenden Bereichen wie synthetische Biologie oder KI-gesteuerte Drogenermittlung von Bedeutung.) Bewerten Sie regelmäßig die Währung Ihrer Datenquellen und behandeln Sie die Ausgaben entsprechend, insbesondere für zeitkritische Forschungen.

  • Leistungsvariabilität und Risiko ungenauer Ergebnisse: Wenn Nutzer kundenseitig bereitgestellte Wissensdatenbanken abfragen, hängen Antwortqualität und Faktentreue stark von der Struktur, Vollständigkeit und Relevanz der zugrunde liegenden Daten sowie davon ab, wie Agenten konfiguriert sind, um diese Daten abzurufen und darüber zu schlussfolgern. In Szenarien, in denen die Wissensbasis spärlich, schlecht strukturiert oder schwach abgegrenzt ist, kann das System Antworten geben, die unvollständig oder unzureichend fundiert sind.

    Um dieses Risiko zu verringern, stellt Microsoft in einem GitHub-Repository einen Beispiel-Agent bereit, der empfohlene Muster für das Abfragen von Wissensdatenbanken und die Durchsetzung von Grounding-Beschränkungen veranschaulicht. Verwenden Sie dieses Beispiel als Ausgangspunkt, wenn Sie benutzerdefinierte Agents und Workflows erstellen und zusätzliche Überprüfungen und eine menschliche Überprüfung auf Anwendungsfälle mit hohem Einfluss anwenden möchten. Weitere Informationen finden Sie unter Abschnitt 10.

  • Kompatibilität der Toolkette: Discovery ist in verschiedene Rechentools und Modelle integriert. Fehlende Übereinstimmungen bei Toolannahmen (z. B. Eingabeformate, Parameterbereiche oder Versionsverwaltung) können zu Ausführungsfehlern oder irreführenden Ergebnissen führen. Testen und überprüfen Sie Tool-Orchestrierungsworkflows sorgfältig, insbesondere, wenn Sie benutzerdefinierte oder nicht Microsoft Komponenten integrieren.

  • Kundendaten: Sie sind für die Verwaltung von Datenempfindlichkeits- und Zugriffssteuerungen verantwortlich, wenn Sie den Dienst verwenden. Geben Sie keine regulierten, klassifizierten oder streng vertraulichen Daten ein, es sei denn, geeignete Kontrollen und Vereinbarungen sind vorhanden.

  • Konversationssättigung: Wenn Konversationen länger werden, kann die Antwortqualität allmählich nachlassen. Wenn sich die gesamte Unterhaltung dem nähert, was das Modell zuverlässig im Blick behalten kann, werden frühere Teile möglicherweise zusammengefasst, um Platz für neue Informationen zu schaffen. Während dieses Prozesses können einige Details vereinfacht, geändert oder verloren gehen, was dazu führen kann, dass Antworten langsam in Genauigkeit oder Absicht abdriften.

    Wenn Sie einen Rückgang bei einem langen Austausch bemerken, kann das Starten einer neuen Unterhaltung dazu beitragen, Klarheit und Antwortqualität wiederherzustellen.

  • Werkzeugsignalverdünnung: Wenn das System Zugriff auf einen größeren und größeren Pool von Agents erhält, kann die Möglichkeit, die besten Tools für die Aufgabe auszuwählen, beeinträchtigt werden. Erstellen Sie aktiv die Liste der Agents, die das System für Ihre relevanten Szenarien verwenden kann.

Untersagte Nutzungsformen

Die folgenden Verwendungen von Discovery sind streng verboten:

  • Waffenentwicklung: Sie können Discovery nicht verwenden, um das Design, die Entwicklung, tests oder die Bereitstellung von chemischen, biologischen, radiologischen oder Kernwaffen oder anderen Waffen zu unterstützen, die zu Massenschäden führen sollen.
  • Schädliche Anwendungen: Sie können Discovery nicht auf Eine Weise verwenden, die physische, psychologische, ökologische oder finanzielle Schäden an Einzelpersonen, Organisationen oder Gesellschaft verursachen könnte. Dieses Verbot umfasst unsichere Experimente, Missbrauch von Ausgaben oder Bereitstellungen in Hochrisikokontexten ohne angemessene Garantien.
  • Verletzung von Gesetzen oder Vorschriften: Sie können Discovery nicht auf irgendeine Weise verwenden, die gegen geltende Gesetze, Vorschriften oder branchenspezifische Complianceanforderungen verstößt. Sie sind dafür verantwortlich, sicherzustellen, dass Ihre Nutzung der Plattform allen relevanten rechtlichen und behördlichen Verpflichtungen entspricht.
  • Umgehung von Sicherheitssystemen: Versuche, integrierte Sicherheitsmechanismen, Klassifizierer oder Inhaltsfilter von Discovery zu umgehen, zu deaktivieren oder zu beeinträchtigen, sind streng verboten. Diese Systeme sind vorhanden, um die verantwortungsvolle und sichere Nutzung der Plattform zu gewährleisten.

Bewertungen

Microsoft bewertete Discovery mithilfe manueller, benutzerdefinierter Auswertungen, die im Responsible AI Evaluation Framework von Foundry geerdet wurden. Das Team führte Evaluierungen durch, indem es eine kuratierte Sammlung strukturierter Prompts an einer Zielversion ausführte. Sie verwendeten Risikokategorie, um das Systemverhalten systematisch zu überprüfen.

Die Bewertung wurde entwickelt, um zwei Kernfragen zu beantworten. Verhält sich Discovery sicher und konsistent, wenn Kunden versuchen, das System außerhalb der vorgesehenen Grenzen zu verschieben? Bleibt Discovery den zugrunde liegenden Quellen treu?

Bewertungsmethode

Evaluierungen richteten sich auf zwei Aspekte des Systemverhaltens aus: Sicherheit und Fundiertheit des Wissens. Zur Gewährleistung der Sicherheit wurde bewertet, ob Discovery ordnungsgemäß abgelehnt, abgelenkt oder sicher geantwortet hat, wenn versucht wurde, unzulässige oder richtlinienrelevante Inhalte auszulösen oder Systemsicherheiten zu umgehen. Es sollte bei unbedenklichen Anfragen hilfreich bleiben und mit den Richtlinien im Einklang stehen.

Aus Gründen der Zuverlässigkeit bewertete die Bewertung, ob Discovery dem bereitgestellten Kontext treu blieb und Quellen in Szenarien abgerufen hat, in denen geerdete Antworten erwartet wurden.

Im Idealfall reagiert Discovery bei verschiedenen Prompt-Varianten und Risikokategorien konsistent. Discovery sollte adversarielle Eingaben ohne Richtlinienverstöße verarbeiten. Sie sollte auch Antworten generieren, die vollständig durch verfügbare Quellen gestützt sind.

Suboptimales Verhalten umfasst Regressionen im Vergleich zu vorherigen Durchläufen oder Benchmarks sowie die Generierung unsicherer oder richtliniensensibler Inhalte. Sie umfasst auch erfolgreiche Jailbreak-Ergebnisse oder eine inkonsistente Behandlung ähnlicher Prompts. In realitätsnahen Szenarien umfasst das suboptimale Verhalten erfundene Details, falsche Quellzuordnungen oder Annahmen, die vom bereitgestellten Kontext nicht unterstützt werden.

Datenkuratierung

Das Team kuratierte Auswertungsdaten, um die Ermittlung systematisch in wichtigen Risikokategorien zu testen. Das Dataset bestand aus strukturierten Testaufforderungen, die entwickelt wurden, um das Verhalten sowohl realistischer als auch adversarialer Szenarien zu untersuchen. Prompts zielten explizit auf vier Risikodomänen ab:

  • Gefährdung des Urheberrechts und geistigen Eigentums
  • Generierung von schädlichen oder richtliniensensiblen Inhalten
  • Direkte und indirekte Jailbreak-Versuche
  • Verankerung

Jede Kategorie umfasste harmlose und adversariale Varianten, damit die Auswertung das Grenzverhalten und nicht nur offensichtliche Fehlermodi erfasste.

Um sicherzustellen, dass das Dataset echte Discovery-Verwendung (nicht nur synthetische Stresstests) darstellt, spiegelten die Eingabeaufforderungen realistische Discovery-Workflows wider. Beispiele hierfür waren wissenschaftliche Workflowunterstützungs- und Wissenssyntheseszenarien, die auf Produktanwendungsfälle abgestimmt sind.

Überprüfung

Es wurden mehrere Qualitäts- und Gültigkeitskontrollen angewendet, um die Zuverlässigkeit und Integrität des Auswertungsdatensatzes sicherzustellen. Das Team hat Prompts dedupliziert und normalisiert, um Mehrdeutigkeit und unbeabsichtigte Voreingenommenheit zu beseitigen. Sie überprüften die Risikokategorie-Labels manuell, um die Ausrichtung an die Richtliniendefinitionen zu bestätigen. Das Team ließ eine Teilmenge von Prompts erneut gegen die von Foundry bereitgestellten Referenzmodelle laufen, um die erwartete klare Trennung im Verhalten zwischen sicheren und unsicheren Antworten zu bestätigen. Sie behielten außerdem Regressions-Prompts aus der vorherigen Version bei, um den longitudinalen Vergleich zwischen den Veröffentlichungen zu unterstützen. Das Team führte Bewertungen gegen die Cloud-Bereitstellung mit Azure OpenAI Service-Endpunkten durch. Die lokale Anwendungsbereitstellung mit dem GitHub Copilot SDK wird voraussichtlich ein vergleichbares Verhalten für dieselben zugrundeliegenden Modelle zeigen, wobei Unterschiede in Inhaltsfilterung und Sicherheitskontrollen zwischen den beiden Modellanbietern zu geringfügigen Unterschieden führen können.

Metriken

Aus Gründen der Grundhaftigkeit hat das Team gemessen, ob die Antworten des Systems dem bereitgestellten Kontext treu blieben und nicht unterstützte Ansprüche oder fabricierte Inhalte erkannt haben. Erfasste Metriken umfassen:

  • Fehlerraten nicht belegter Attribute (Text auf Englisch)
  • Fehlerraten für Groundedness (Text auf Englisch)

Zur Sicherheit hat die benutzerdefinierte Auswertungssuite die Fähigkeit des Systems gemessen, Missbrauchsversuche durch sichere Vervollständigung, Weigerung oder Ablenkung zu erkennen und zu mindern. Erfasste Metriken umfassen:

  • Richtlinien-Einhaltungsbewertung
  • Effektivität von Risikoerkennung und Risikominderung
  • Genauigkeit der Inhaltssicherheitsklassifizierung
  • Direkte Jailbreak-Widerstandsrate
  • Indirekte Jailbreak-Widerstandsrate

Benchmarktests

Die Ergebnisse wurden durch vergleichendes Benchmarking interpretiert, um Regressionen zu erkennen und die Stabilität im Laufe der Zeit zu überprüfen. Jede Version wurde anhand von zwei Referenzpunkten bewertet: dem von der Gießerei bereitgestellten Basismodellverhalten auf einer gemeinsamen Teilmenge von Eingabeaufforderungen und den historischen Ergebnissen aus der vorherigen Version, ermöglicht durch den beibehaltenen Regressionssatz von Eingabeaufforderungen. Zusammengenommen ermöglichten diese Vergleiche eine langfristige Betrachtung darüber, ob sich die Sicherheits- und Zuverlässigkeitslage von Discovery über die verschiedenen Releases hinweg verbesserte, stabil blieb oder verschlechterte.

Einschränkungen der Bewertungsmethode

Obwohl diese Bewertung strukturierte Einblicke in die Ermittlungssicherheit und -geerdetheit bietet, hat sie mehrere Einschränkungen. Die Auswertung basiert auf einem kuratierten und endlichen Prompt-Dataset. Trotz der Bemühungen, realistische und adversariale Nutzung widerzuspiegeln, kann dieses Dataset nicht vollständig die Breite der realen Benutzerinteraktionen oder aufkommenden Missbrauchsmuster erfassen.

Manuelle Überprüfung und benutzerdefinierte Bewertung bringen Subjektivität mit sich und können zu Unterschieden in der Interpretation zwischen den Bewertenden führen. Bewertungen werden auch in kontrollierten Umgebungen mit vordefinierten Prompts durchgeführt. Sie spiegeln jedoch möglicherweise dynamische, mehrturnige oder werkzeugintegrierte Szenarien, wie sie in Produktionsumgebungen beobachtet werden, nicht vollständig wider.

Grundlagenbewertungen sind auf die verfügbare Kontext- und Abrufqualität zur Auswertungszeit beschränkt und können nicht auf alle Inhaltsquellen oder sich entwickelnden Datasets generalisieren.

Eine weitere Einschränkung besteht darin, dass GPT-5.2 und GPT-5.4 als Auswertungsmodell verwendet wurden. Die eigenen Fähigkeiten des Bewertungsmodells, das Grundverhalten, die Risikoempfindlichkeit und potenzielle Verzerrungen können die Bewertungsergebnisse beeinflussen.

Als Ergebnis interpretieren sie die Ergebnisse als modellgestützte Auswertungsergebnisse und nicht als absolute Beurteilungen der Sicherheit oder Korrektheit in allen Bewertungsmodellen.

Schließlich kann der Vergleich mit früheren Durchläufen und Basismodellen dabei helfen, Regressionen und relative Verbesserungen zu erkennen, garantiert jedoch nicht unter allen Bedingungen absolute Sicherheit, Faktentreue oder Richtigkeit.

Sicherheitskomponenten und Entschärfungen

Discovery umfasst mehrere Ebenen von Sicherheits- und Sicherheitskontrollen, mit denen Benutzer, Kundendaten und die Integrität von Forschungsworkflows geschützt werden können.

In diesem Abschnitt werden die aktiven Sicherheitskomponenten, Gegenmaßnahmen und Cybersicherheitspraktiken beschrieben, die Kunden, Integratoren und Plattformbetreiber bei der Nutzung der Plattform beachten sollten.

Aktive Sicherheitskomponenten

Discovery verwendet eine Kombination aus Eingabeklassifizierern, Filtern und Schutzmechanismen auf Systemebene, um Missbrauch zu verhindern und das Risiko schädlicher Ausgaben zu verringern. Diese Komponenten sind so konzipiert, dass sie mit den Verantwortungs-KI-Prinzipien Microsoft abgestimmt sind und kontinuierlich aktualisiert werden, während Discovery weiterentwickelt wird.

Cloud-Bereitstellung: Sicherheitskontrollen werden durch Foundry Guardrails, Microsoft's Content-Sicherheits- und Filterfunktion, bereitgestellt und werden standardmäßig auf alle innerhalb der Plattform erstellten Modelle angewendet, die Inhalte an definierten Interventionspunkten scannen, um unsichere oder unangemessene Inhalte zu erkennen und zu blockieren, bevor sie das Modell erreichen. Kunden können benutzerdefinierte Guardrails erstellen und Schweregrade verwalten, einschließlich der Konfiguration von Guardrails, um weniger restriktiv zu sein, Risiken zu definieren, die erkannt werden sollen, Guardrails zuzuweisen, um das Verhalten von Agenten zu evaluieren und zu überwachen, Sicherheitsschwellenwerte zu konfigurieren und die Leistung des Modells in verschiedenen Anwendungsfällen zu bewerten. Diese Funktionen unterstützen proaktives Risikomanagement und Sicherheit. Weitere Informationen zum Konfigurieren von Inhaltsfiltern finden Sie unter Konfigurieren von Inhaltsfiltern (klassisch) – Microsoft Foundry (classic) Portal | Microsoft Lernen.

Um sich für die Genehmigung zur Verwendung von Modellen zu registrieren, die direkt von Microsoft mit Modified Guardrails verkauft werden, können Sie das Formular "Limited Access Review: Modified Guardrails" einreichen. Sofern Sie für die Verwendung des Modells mit modifizierten Leitplanken zugelassen sind und alle Anforderungen dafür erfüllen, haben Sie die volle Kontrolle, einschließlich der Möglichkeit, Leitplanken vollständig zu deaktivieren oder ausschließlich über Anmerkungen zu verwenden. Beachten Sie, dass die Option zum Deaktivieren von Guardrails nur für verwaltete Kunden verfügbar ist.

Lokale Anwendung: Bei der lokalen Anwendungsbereitstellung werden Sicherheitskontrollen durch die integrierten Inhaltsrichtlinien und verantwortungsvollen KI-Schutzmaßnahmen des GitHub Copilot SDK bereitgestellt. Dazu gehören Inhaltsfilterung, schnelle Sicherheitskontrollen und Nutzungsrichtlinien, die von der GitHub Copilot-Plattform durchgesetzt werden. Die lokale Anwendung setzt außerdem die eigenen systemweiten Sicherheitsmaßnahmen von Discovery ein, einschließlich Systemnachrichten und Eingabevalidierung, um, um das Verhalten mit den Prinzipien der verantwortungsvollen KI von Microsoft in Einklang zu bringen. Kunden, die die lokale Anwendung nutzen, sollten die Richtlinien zur zulässigen Nutzung von GitHub Copilot einsehen, um Einzelheiten zu den auf der Modellebene angewendeten Sicherheitsvorkehrungen zu erfahren.

Maßnahmen zur Risikominderung

Die Sicherheit und Leistungslage von Discovery ergeben sich aus fortlaufender Bewertung und Risikobewertung. Um Risiken wie ungenaue KI-generierte Reaktionen, Automatisierungsverzerrung und Schleifenabweichungen zu bewältigen, betont Discovery die menschliche 'In-the-Loop'-Aufsicht als zentrale Risikominderungsstrategie. Validieren Sie KI-generierte Ergebnisse an wichtigen Entscheidungspunkten, insbesondere in Forschungsszenarien mit hohem Risiko.

Die Plattform unterstützt Transparenz, indem sie, wo zutreffend, Zitate und zugrunde liegende Quellen sichtbar macht, was Kunden hilft, den Ursprung generierter Inhalte nachzuverfolgen und ihre Zuverlässigkeit zu bewerten. Kunden werden für geerdete Workflows ermutigt, sicherzustellen, dass ihre Wissensbasisdokumente aktuell, gut strukturiert und für den vorgesehenen Forschungsbereich relevant sind. Die Zuverlässigkeit der Ausgabe hängt direkt von der Qualität der verfügbaren Grounding-Quellen ab.

Discovery ermöglicht Es Kunden, ihre eigenen Modelle, Datasets und Agents zu integrieren. Diese Erweiterbarkeit hilft dabei, Verzerrungen zu reduzieren und die Relevanz in spezialisierten oder aufstrebenden Feldern zu verbessern, in denen allgemeine Modelle möglicherweise unterperform sind. Benutzer, die in unterrepräsentierten oder hochspezialisierten Domänen arbeiten, werden ermutigt, diese Funktion zu verwenden, um das Plattformverhalten besser mit ihrem spezifischen Forschungskontext auszurichten.

Cybersicherheitsmaßnahmen

Die Cybersicherheitsarchitektur von Discovery basiert auf einem Defense-in-Depth-Modell. Die spezifischen Steuerungen variieren je nach Einsatzmodus.

Cloudbereitstellung

Der folgende Abschnitt beschreibt die aktiven Maßnahmen für die Cloud-Bereitstellung in dieser Veröffentlichung.

  • Identitäts- und Zugriffsverwaltung: Discovery erzwingt den Zugriff auf geringste Rechte mithilfe von Microsoft Entra ID und RBAC. Alle Zugriffe auf Steuerungsebene und Datenebene werden über Microsoft Entra ID authentifiziert. Vom Benutzer zugewiesene verwaltete Identitäten (UAMIs) werden für Plattformkomponenten verwendet, um ohne eingebettete Geheimschlüssel auf Azure Ressourcen zuzugreifen. Plattformspezifische RBAC-Rollen unterstützen die Trennung von Aufgaben zwischen Operatoren, Entwicklern und Sicherheitsadministratoren.
  • Netzwerksicherheit: Discovery verwendet eine standardmäßige Private-Netzwerkarchitektur. Alle Discovery-Ressourcen werden mit standardmäßig aktivierter Azure Private Link erstellt, wodurch die öffentliche IP-Gefährdung beseitigt wird. ApIs auf Datenebene verfügen über einen öffentlichen Netzwerkzugriff, der auf Ressourcenebene deaktiviert ist. Der Datenverkehr ist auf VNets von Kunden beschränkt, indem private Endpunkte, private DNS-Zonen und Netzwerksicherheitsgruppen verwendet werden. Diese Architektur unterstützt null vertrauenswürdige Netzwerkprinzipien und reduziert die gesamte Angriffsfläche der Plattform.
  • Datenschutz: Kundendaten werden durch Verschlüsselung und Mandantenisolation geschützt. Verschlüsselung im Ruhezustand wird durch Azure verwaltete Verschlüsselung für Speicher- und Plattformdienste bereitgestellt. Verschlüsselung während der Übertragung wird mithilfe von HTTPS und Transport Layer Security (TLS) für alle Dienst-zu-Dienst- und Client-zu-Dienst-Kommunikation erzwungen. Kundendaten, Wissensdiagramme und Modelle sind mandantenisoliert und werden nicht für alle Kunden freigegeben. Kunden behalten den vollständigen Besitz und die Kontrolle über ihre Daten und können Jederzeit Ressourcen exportieren oder entfernen.
  • Plattformhärtung: Die Ermittlungsberechnungsinfrastruktur wird mithilfe Azure Sicherheitsbaselines gehärtet. Supercomputercluster und Knotenpools werden nach Azure-Sicherheitskonfigurationsstandards in der von Azure verwalteten Infrastruktur bereitgestellt. Plattformüberprüfungen verfolgen die Einhaltung Microsoft Cloudsicherheits-Benchmarkanforderungen, einschließlich TLS-Konfiguration, Diagnoseprotokollierung und private Endpunktnutzung. Kontinuierliche Sicherheitsüberprüfungen identifizieren Konfigurationslücken und fördern die Behebung durch Infrastrukturupdates und Richtlinienerzwingung.
  • Protokollierung, Überwachung und Erkennung: Discovery ist in Azure Überwachungs- und Sicherheitstools integriert, um Erkennung und Reaktion zu unterstützen. Sie können Diagnoseprotokolle für Plattformressourcen aktivieren und an vom Kunden verwaltete Protokollierungslösungen weiterleiten. Konnektivität und Verfügbarkeit werden mithilfe proaktiver Zustandsprüfungen und Plattformtelemetrie überwacht. Sicherheitsergebnisse und Konfigurationsabweichungen werden im Rahmen laufender Plattformsicherheitsbewertungen überprüft.

Lokale Anwendung

Der folgende Abschnitt beschreibt die Sicherheitsmaßnahmen für die lokale Anwendungsbereitstellung.

Identität und Authentifizierung: Die lokale Anwendung authentifiziert Nutzer über ihr GitHub-Konto mithilfe des GitHub Copilot SDK. Der Zugriff auf Modellfunktionen wird durch das GitHub Copilot-Abonnement des Nutzers und die zugehörigen Berechtigungen geregelt. Die lokale Anwendung benötigt keine Azure-Zugangsdaten oder verwaltete Identitäten.

Datenschutz: Die lokale Anwendung speichert alle Daten im lokalen Dateisystem des Benutzers. Die nativen Verschlüsselungsfunktionen des Betriebssystems (zum Beispiel BitLocker unter Windows oder FileVault unter macOS) schützen die Daten im Ruhestand. Die lokale Anwendung verschlüsselt die Kommunikation mit dem GitHub Copilot-Dienst während des Transits mittels HTTPS und TLS. Kundendaten bleiben auf dem Rechner des Nutzers und werden nicht mit anderen Nutzern oder Mietern geteilt.

Anwendungssicherheit: Die lokale Anwendung folgt dem Secure Development Lifecycle (SDL) von Microsoft. Updates werden über standardmäßige Aktualisierungsmechanismen der Anwendung verteilt, und die Anwendung ist digital signiert, um ihre Integrität zu gewährleisten.

Beide Einsatzmodi

Sichere Entwicklung und Compliance: Discovery folgt Microsoft Secure Development Lifecycle (SDL) und einem kontinuierlichen Compliancemodell. Die Plattform verfolgt und überprüft zentral kontinuierlich Sicherheitsfehler, Schwachstellen und SDL-Anforderungen. Discovery nimmt an den kontinuierlichen SDL- und Sicherheitsrisikomanagementprogrammen von Azure teil, die externe Compliance-Audits unterstützen, einschließlich SOC-, ISO- und anderen Azure-Zertifizierungen. Dieser Ansatz stellt sicher, dass die Sicherheit kontinuierlich ausgewertet wird und nicht nur zur Veröffentlichungszeit bewertet wird.

Gemeinsame Verantwortung

Cloud-Bereitstellung: Die Sicherheit in der Cloud-Bereitstellung folgt dem Azure-Modell der geteilten Verantwortung. Discovery sichert die zugrunde liegende Plattform, verwaltete Dienste und Kontrollebene. Kunden sind für die Sicherung ihrer Abonnements, VNets, Rollenzuweisungen und Datenzugriffsrichtlinien verantwortlich. Das Verständnis dieser Verantwortungsteilung ist wichtig für Kunden, die sichere Bereitstellungen entwerfen, die ihren Organisations- und Complianceanforderungen entsprechen.

Lokale Anwendung: Bei der lokalen Anwendungsbereitstellung übernimmt der Nutzer eine größere Verantwortung für die Sicherheit seiner Umgebung. Microsoft ist verantwortlich für die Sicherheit der Anwendung selbst, ihre Aktualisierungsmechanismen und die Integrität der GitHub Copilot SDK-Integration. Die Nutzer sind für die Sicherung ihres lokalen Rechners verantwortlich, einschließlich Betriebssystemupdates, Festplattenverschlüsselung, Netzwerksicherheit und Zugriffskontrollen. Nutzer sollten außerdem sicherstellen, dass ihr GitHub-Konto durch eine starke Authentifizierung geschützt ist, einschließlich Multifaktor-Authentifizierung.

Bewährte Methoden für die Integration und Bereitstellung von Discovery

Verantwortungsvolle KI ist ein gemeinsames Engagement zwischen Microsoft und seinen Kunden. Microsoft baut KI-Anwendungen mit Sicherheit, Fairness und Transparenz im Kern auf, aber Kunden spielen eine wichtige Rolle bei der Bereitstellung und Verwendung dieser Technologien in ihren eigenen Kontexten. Um diese Partnerschaft zu unterstützen, bieten wir die folgenden bewährten Methoden für Bereitstellungen und Benutzer an, um Kunden dabei zu helfen, verantwortungsvolle KI effektiv zu implementieren.

Bereitstellende und Endbenutzer sollten

  • Achten Sie darauf, die Ergebnisse zu überwachen, wenn Sie Discovery für Folgeentscheidungen oder in sensiblen Domänen verwenden: Folgeentscheidungen können einen rechtlichen oder erheblichen Einfluss auf den Zugang einer Person auf Bildung, Beschäftigung, Finanzplattformen, Staatliche Leistungen, Gesundheitswesen, Wohnung, Versicherung oder rechtliche Plattformen haben. Sie könnten auch zu körperlichen, psychischen oder finanziellen Schäden führen.

    Vertrauliche Domänen erfordern eine besondere Sorgfalt, da dies zu unverhältnismäßigen Auswirkungen auf verschiedene Personengruppen führen kann. Wenn Sie KI für Entscheidungen in diesen Bereichen verwenden, stellen Sie sicher, dass betroffene Stakeholder verstehen können, wie Entscheidungen getroffen, Rechtsmittelentscheidungen getroffen und relevante Eingabedaten aktualisiert werden.

  • Bewertung rechtlicher und behördlicher Überlegungen: Sie müssen potenzielle rechtliche und behördliche Verpflichtungen bewerten, wenn Sie KI-Plattformen und -Lösungen verwenden, die möglicherweise nicht für die Verwendung in jeder Branche oder in jedem Szenario geeignet sind. KI-Plattformen oder -Lösungen sind nicht für sie ausgelegt und können nicht auf Arten verwendet werden, die in den geltenden Nutzungsbedingungen und relevanten Verhaltensregeln verboten sind.

Endbenutzer sollten

Verwenden Sie klare, bestimmte Eingabeaufforderungen: Stellen Sie sicher, dass Die Eingabeaufforderungen explizit über Ihr Ziel, den Umfang der Aufgabe und die zu verwendenden Nachweise verfügen. Eine klare und effektive Eingabeaufforderung umfasst in der Regel Folgendes:

  • Ziel (was Sie lernen oder entscheiden möchten).
  • Kontext (Domänenannahmen, Einschränkungen und Erfolgskriterien).
  • Zu verwendende Quellen (welche Knowledge Base, Dokumente oder Tools als Referenz dienen).
  • Ausgabeformat (z. B. Tabelle, Rangliste und Experimentplan).
  • Nachweisanforderung (Anforderungszitate oder Rückverfolgbarkeit, wenn verfügbar).

Beispielaufforderung

Wenn Sie Ihre indizierten Wissensbasisdokumente zu <TOPIC> verwenden, schlagen Sie drei testbare Hypothesen für <FORSCHUNGSZIEL> vor. Für jede Hypothese: (a) fassen die unterstützenden Beweise zusammen, (b) zitieren die verwendeten spezifischen Quellen, und (c) listet zwei bis drei Experimente auf, um sie zu überprüfen. Wenn Beweise fehlen oder schwach sind, sagen Sie es ausdrücklich, und schlagen Sie vor, welche anderen Daten erforderlich sind.

  • Leistungsabweichungen überwachen: Ausgabequalität und Faktentreue hängen von den Daten ab, die für die Fundierung verfügbar sind, und davon, wie Agenten oder Tools konfiguriert sind. Die Ergebnisse können sich ändern, wenn Sich Ihre Wissensbasis, Tools oder Workflows weiterentwickeln. So erkennen Sie Drift:

    • Führen Sie regelmäßig erneut eine kleine Auswahl von Benchmark-Prompts aus und vergleichen Sie die Ergebnisse hinsichtlich Konsistenz, Vollständigkeit und Faktentreue.
    • Achten Sie auf Warnzeichen wie weniger oder schwache Zitate, erhöhte Unsicherheit, widersprüchliche Schlussfolgerungen oder fehlende Schlüsseleinschränkungen.
    • Wenn Sie die Knowledge Base aktualisieren (Dokumente hinzufügen oder entfernen), behandeln Sie dies als Versionsänderung , und überprüfen Sie kritische Workflows erneut.
    • Verwenden Sie menschliche Überprüfung und eine zweite Methode der Validierung für arbeit mit hohem Einfluss (Domänenexpertenüberprüfung, unabhängige Berechnung oder Simulation oder kontrollierte Testläufe).

  • Aktivieren Sie bei Bedarf die menschliche Aufsicht: Die menschliche Aufsicht ist ein wichtiger Schutz, wenn Sie mit KI-Anwendungen interagieren. Wir verbessern kontinuierlich unsere KI-Anwendungen, aber KI kann immer noch Fehler machen. Die generierten Ausgaben können ungenau, unvollständig, voreingenommen, falsch ausgerichtet oder irrelevant für Ihre beabsichtigten Ziele sein.

    Diese Situation kann aus verschiedenen Gründen auftreten, z. B. Mehrdeutigkeit in den Eingaben oder Einschränkungen der zugrunde liegenden Modelle. Sie sollten die von Discovery generierten Antworten überprüfen und überprüfen, ob sie Ihren Erwartungen und Anforderungen entsprechen.

  • Verstehen des Risikos einer Überlastung: Überlastung kann auftreten, wenn Benutzer falsche oder unvollständige KI-Ausgaben akzeptieren, hauptsächlich weil Fehler in KI-Ausgaben möglicherweise schwer zu erkennen sind. Diese ungenauen Ergebnisse sind in der Regel darauf zurückzuführen, dass die zugrunde liegenden Belege unvollständig oder nicht klar fundiert sind. Mit Discovery kann dieses Risiko in langen, iterativen Workflows (in denen sich kleine Fehler summieren können) und in Szenarien, in denen die Abdeckung der Wissensbasis begrenzt ist, steigen. Behandeln Sie Ausgaben als Entscheidungsunterstützung, nicht als Entscheidungsersetzung, insbesondere für Folgeentscheidungen.

  • Seien Sie vorsichtig, wenn Sie agentische KI in sensiblen Domänen entwerfen: Wenn Sie autonome oder agentische Workflows entwerfen oder bereitstellen, die unwiderrufliche oder wirkungsvolle Aktionen auslösen können (z. B. in regulierten oder sicherheitskritischen Domänen), müssen Sie Schutzmaßnahmen hinzufügen. Möglicherweise müssen Sie Genehmigungsstufen, Zugriff mit minimalen Rechten, Auditprotokolle oder auf bestimmte Aktionen beschränkte Bereiche verwenden. Stellen Sie sicher, dass betroffene Interessengruppen nachvollziehen können, wie die Ergebnisse zustande gekommen sind, und Entscheidungen gegebenenfalls anfechten oder Einspruch dagegen einlegen können.

    Sie sollten auch andere Vorsichtsmaßnahmen treffen, wenn Sie autonome agentische KI erstellen, wie weiter im Microsoft Enterprise AI Services Code of Conduct (für Organisationen) oder im Abschnitt "Verhaltensregeln" im Microsoft-Servicevertrag (für Einzelpersonen) beschrieben.

  • Geben Sie Feedback, um Microsoft Discovery zu verbessern: Wenn Probleme auftreten oder Feedback freigeben möchten, wählen Sie in Discovery Studio in der unteren rechten Ecke "Feedback geben" aus. Sie können beschreiben, was passiert ist, und relevante Details zum Feedbackformular einschließen. Senden Sie das Formular, um Feedback an das Discovery-Team zu senden.

Bereitsteller sollten

Verwenden Sie den Referenzbeispiel-Agent als Basislinie für den Entwurf von geerdeten Agenten: Discovery stellt einen Referenzbeispiel-Agent im GitHub Repository bereit. Der Agent veranschaulicht empfohlene Muster für das Abfragen kundenspezifischer Wissensdatenbanken, das Durchsetzen von Grounding-Vorgaben und den Umgang mit Fällen, in denen Belege fehlen oder unzureichend sind.

Das Beispiel veranschaulicht, wie man die Abfrage auf relevante Quellen beschränkt und explizite Zitate oder Nachvollziehbarkeit verlangt. Außerdem wird gezeigt, wie das Risiko von nicht geerdeten oder spekulativen Ausgaben reduziert wird, wenn Sie mit vom Kunden bereitgestellten Daten arbeiten.

  • Passen Sie das Beispiel basierend auf Domäne, Daten und Risikokontext an, und erweitern Sie es: Behandeln Sie den Referenzbeispiel-Agent als Ausgangspunkt und nicht als produktionsfertige Lösung. Wenn Sie benutzerdefinierte Agenten und Workflows erstellen, sollten Sie die Abruf-Logik, die Anforderungen an die faktische Fundierung, Validierungsschritte und die menschliche Überprüfung im Prozess entsprechend anpassen. Basieren Sie Ihre Agents und Workflows auf Ihrem spezifischen Domänen-, Datenstruktur- und Risikoprofil. Dieser Ansatz ist wichtig für wirkungsvolle oder langfristige agentische Workflows.

Implementiere starke Identitäts- und Zugriffskontrollen (geringste Privilegien): Für Cloud-Deployments verwendet Discovery Microsoft Entra ID-Authentifizierung und rollenbasierte Zugriffskontrolle (RBAC), und Deployer sollten dieses Modell spiegeln, indem sie nur die Mindestrollen für jeden Benutzer oder jede Arbeitslast gewähren. Vermeiden Sie umfassende "Besitzer" oder abonnementweite Berechtigungen, außer wenn sie unbedingt erforderlich sind und bereichsbezogene Rollen auf Ressourcengruppen- oder Ressourcenebene bevorzugen. Verwenden Sie vom Benutzer zugewiesene verwaltete Identitäten (UAMI) für den Dienst-zu-Dienst-Zugriff, sodass Sie nicht auf eingebettete geheime Schlüssel angewiesen sind, und überprüfen Sie in regelmäßigen Abständen Rollenzuweisungen. Für lokale Anwendungseinsätze sollten Sie sicherstellen, dass Nutzer sich mit GitHub-Konten authentifizieren, die die entsprechenden Copilot-Abonnementberechtigungen besitzen, und erzwingen Sie die Multi-Faktor-Authentifizierung auf diesen Konten.

Stärken Sie den Sicherheitsstatus des Netzwerks und halten Sie Ressourcen standardmäßig privat: Bei Cloudbereitstellungen ist Discovery standardmäßig so konzipiert, dass Azure Private Link aktiviert ist und der öffentliche Netzwerkzugriff für Data-Plane-APIs deaktiviert ist; behalten Sie diesen Sicherheitsstatus bei, indem Sie den Zugriff auf vertrauenswürdige virtuelle Netzwerke (VNets) beschränken und private Endpunkte, private DNS-Zonen und Netzwerksicherheitsgruppen (NSGs) verwenden. Wenn Ihre Organisation zusätzliche "Ring-Fencing" erfordert, können Sie einen Netzwerksicherheitsperimeter (Network Security Perimeter, NSP) bereitstellen, nachdem die Plattforminfrastruktur bereitgestellt wurde, um abhängige PaaS-Dienste weiter zu schützen (z. B. Cosmos DB, Azure SQL Server, Key Vault, Speicherkonten). Die Verringerung der öffentlichen Exposition verringert die Angriffsfläche und schützt vor gestohlenen Anmeldeinformationen, die von nicht vertrauenswürdigen Netzwerkstandorten verwendet werden. Für lokale Anwendungseinsätze sollte sichergestellt werden, dass der Rechner des Benutzers in einem gesicherten Netzwerk ist und ausgehende Verbindungen zum GitHub Copilot-Dienst über organisatorische Firewalls erlaubt sind.

Lassen Sie Sicherheitskontrollen aktiviert und validieren Sie alle Änderungen der Sicherheitsschwellenwerte: Für Cloud-Deployments wendet Discovery standardmäßig Foundry Guardrails / Inhaltsfilterung für innerhalb der Plattform erstellte Modelle an, und Versuche, integrierte Sicherheitsmechanismen zu umgehen oder zu deaktivieren, sind verboten. Bereitsteller können im Gießereiportal Leitplanken erstellen und verwalten, einschließlich der Konfiguration von Sicherheitsschwellenwerten und der Überwachung des Agentenverhaltens; Wenn Sie Schwellenwerte ändern oder Filter anpassen, testen Sie diese Änderungen mit repräsentativen Eingabeaufforderungen, bevor Sie sie allgemein einführen. Für diese Freigabe enthält die Inhaltsfilterkonfiguration z. B. Eingabe-/Ausgabefilterschwellen (z. B. Gewalt/Hass/Sexual bei "Medium", Selbstverletzung bei "High") und ermöglicht Modelle wie Jailbreak und Geschützte Materialerkennung. Das Ändern dieser Einstellungen wirkt sich möglicherweise sowohl auf die Benutzererfahrung als auch auf die Sicherheitsergebnisse aus. Weitere Informationen finden Sie in Azure KI Inhaltssicherheit Dokumentation – Schnellstarts, Lernprogramme, API-Referenz - Foundry Tools | Microsoft Lernen. Für lokale Anwendungseinsätze werden Sicherheitskontrollen durch die integrierten Inhaltsrichtlinien des GitHub Copilot SDK bereitgestellt. Diese Kontrollen sollten nicht umgangen werden, und Deployer sollten überprüfen, ob die Copilot-Richtlinien der Organisation entsprechend konfiguriert sind.

Testen Sie Sicherheit, Faktenbezug und die Zuverlässigkeit der Toolchain, bevor der Zugriff ausgeweitet wird: Discovery wird anhand einer strukturierten Prompt-Suite über mehrere Risikokategorien hinweg bewertet (Urheberrecht/IP, schädliche Inhalte, Jailbreak-Versuche und Faktenbezug). Benchmarking wird verwendet, um Regressionen im Laufe der Zeit zu erkennen. Sie sollten eine ähnliche Praxis für Ihre wichtigsten Workflows einführen.

Erstellen Sie eine kleine Gruppe goldener End-to-End-Szenarien, die Ihre vorgesehenen Anwendungsfälle widerspiegeln. Fügen Sie eigene Tools, Modelle und Knowledge Base-Inhalte ein. Führen Sie die Szenarien bei jeder Änderung von Modellen, Tools, Agents oder Datasets erneut aus. Da Abweichungen bei den Annahmen über Tools (Formate, Parameterbereiche und Versionierung) zu Fehlern oder irreführenden Ergebnissen führen können, validieren Sie die Orchestrierungsworkflows sorgfältig.

Diese Vorgehensweise ist besonders wichtig, wenn Sie benutzerdefinierte oder nicht Microsoft Komponenten integrieren. Für Szenarien mit höheren Auswirkungen ist eine menschliche Überprüfung und eine unabhängige Überprüfungsmethode erforderlich. Verwenden Sie z. B. die Überprüfung von Domänenexperten oder kontrollierte Testläufe.

Protokollierung aktivieren und kontinuierlich auf Drift überwachen: Discovery unterstützt die Protokollierung und Überwachung, indem Diagnoseprotokolle aktiviert und an kundenverwaltete Protokollierungslösungen weitergeleitet werden können. Discovery verwendet proaktive Zustandsprüfungen und Telemetrie, um Konnektivität und Verfügbarkeit zu überwachen. Aktivieren Sie diese Protokolle, richten Sie Warnungen bei wiederholten Ausfällen oder abnormalen Fehlermustern ein und überprüfen Sie regelmäßig Sicherheitsbefunde und Konfigurationsabweichungen im Rahmen laufender Sicherheitsbewertungen der Plattform.

Behandeln Sie Bei Leistungs- und Ausgabequalitätsabweichungen Änderungen an der Knowledge Base, Tools, Workflows oder Agents als Versionsänderungen. Führen Sie eine kleine Benchmark-Suite erneut aus, um Konsistenz, Vollständigkeit und Faktenbezug zu vergleichen. Warnzeichen umfassen weniger oder schwächere Zitate, erhöhte Unsicherheit, widersprüchliche Schlussfolgerungen oder fehlende Wesentlicheinschränkungen. Verwenden Sie diese Signale, um tiefere Überprüfungen und Korrekturen auszulösen.

Weitere Informationen zu Microsoft Discovery

Für weitere Hinweise zur verantwortungsvollen Nutzung von Discovery empfehlen wir Ihnen, den Leitfaden zur verantwortungsvollen Nutzung zu lesen, der die zentralen Grundsätze für die Bereitstellung KI-gestützter Funktionen erläutert. Weitere Informationen finden Sie hier:

Erfahren Sie mehr über verantwortungsvolle KI:

  • Zuletzt aktualisiert um