Partager via


Vue d’ensemble des colonnes de remplissage automatique dans Microsoft Syntex

Remarque

Jusqu’en juin 2025, vous pouvez essayer gratuitement les colonnes de remplissage automatique et d’autres services Syntex sélectionnés si la facturation du paiement à l’utilisation est configurée. Pour plus d’informations et pour connaître les limitations, consultez Essayer Microsoft Syntex et explorer ses services.

Les colonnes de remplissage automatique dans Microsoft Syntex extraient, résument ou génèrent automatiquement le contenu des fichiers chargés dans une bibliothèque de documents SharePoint. En utilisant des modèles de langage volumineux (LLM) via l’IA générative, les colonnes de remplissage automatique peuvent enregistrer automatiquement les métadonnées, ce qui simplifie le processus de gestion des fichiers et des informations associées.

Par exemple, vous pouvez poser une question ( invite) d’un document en langage naturel, et le système enregistre la réponse directement dans une colonne de bibliothèque désignée. Vous pouvez également définir plusieurs de ces questions pour traiter n’importe quel fichier chargé dans une bibliothèque, chaque réponse étant allouée à une colonne spécifique.

Les colonnes de remplissage automatique peuvent fonctionner avec d’autres modèles Microsoft Syntex. Vous pouvez associer différentes invites extractives (où vous prenez des informations à partir de données existantes) ou des invites génératives (où vous créez du contenu) à plusieurs colonnes, ce qui vous permet d’extraire des métadonnées que d’autres modèles peuvent ne pas détecter ou générer.

Configuration requise et limitations

Langues de support

Actuellement, les colonnes de remplissage automatique sont disponibles pour les fichiers en anglais. D’autres langues seront ajoutées dans les versions ultérieures.

Types de fichiers pris en charge

Les colonnes de remplissage automatique sont disponibles pour les types de fichiers suivants : .csv, .doc, .docx, .eml, .heic, .heif, .htm, .html, .jpeg, .jpg, .md, .msg, .pdf, .png, .ppt, .pptx, .rtf, .tif, .tiff, .txt, .xls et .xlsx.

Types de données de colonne pris en charge

Actuellement, les colonnes de remplissage automatique sont disponibles pour les types de données de colonne suivants :

  • Texte
  • Plusieurs lignes de texte
  • Nombre
  • Oui/Non
  • Date et heure
  • Choix
  • Lien hypertexte
  • Devise

Actuellement, les colonnes de remplissage automatique ne sont pas disponibles pour les types de données de colonne suivants :

  • Personne ou groupe
  • Emplacement
  • Image
  • Recherche
  • Métadonnées gérées

Notes de publication actuelles

  • Les options de traitement en bloc des fichiers de bibliothèque existants seront ajoutées dans une version ultérieure.

  • Actuellement, les colonnes de remplissage automatique ne prennent pas en charge les types de bibliothèque suivants : FormServerTemplates, SitePages, Bibliothèque de styles et SiteAssets.

  • Les documents avec des étiquettes de confidentialité ne sont pas analysés ou inclus dans les résultats.

  • Les modifications de document sont capturées uniquement si le fichier est retraité, ce qui doit être effectué manuellement par l’utilisateur.

  • Les colonnes de remplissage automatique utilisent les mêmes champs d’état de classification que les modèles de traitement de document.

    Remarque

    Le contenu généré par l’IA peut être incorrect. Veillez à vérifier les résultats de la colonne.

FAQ sur l’IA responsable

Un système d’IA inclut non seulement la technologie, mais aussi les personnes qui l’utilisent, les personnes qu’il impacte et l’environnement dans lequel il est déployé. Les FAQ sur l’IAR de Microsoft sont destinées à vous aider à comprendre le fonctionnement de la technologie IA, les choix que les propriétaires et les utilisateurs du système peuvent faire qui influencent les performances et le comportement du système, ainsi que l’importance de penser à l’ensemble du système, technologie, personnes et environnement compris. Vous pouvez utiliser les FAQ sur l’IAR pour mieux comprendre les systèmes et fonctionnalités d’IA spécifiques développés par Microsoft.

Les FAQ sur l’IAR s’inscrivent dans un effort plus large pour mettre en pratique les principes d’IA de Microsoft. Pour en savoir plus, consultez les principes IA de Microsoft.

FAQ sur l’IA responsable pour les colonnes de remplissage automatique

Que sont les colonnes de remplissage automatique ?

Les colonnes de remplissage automatique fournissent un paramètre de colonne qui permet aux utilisateurs de construire des invites de modèle de langage volumineux (LLM) qui classifient automatiquement le fichier, extraient ou génèrent des informations à partir du contenu du fichier (extraire une valeur ou une chaîne spécifique ou générer un résumé ou une réponse en fonction de certains critères) et enregistrer la sortie dans la colonne.

Que peuvent faire les colonnes de remplissage automatique ?

Les colonnes de remplissage automatique permettent d’utiliser une invite enregistrée pour traiter les fichiers créés ou chargés dans une bibliothèque SharePoint, et la réponse est enregistrée dans une colonne correspondante. L’invite construite est ancrée dans le fichier et peut être utilisée pour extraire, classifier, résumer et analyser son contenu. Les métadonnées enregistrées, comme les autres données de colonne, peuvent être indexées, utilisées pour déclencher un flux de travail ou même définir des critères pour définir une étiquette de protection des informations.

Quelles sont les utilisations prévues des colonnes de remplissage automatique ?

Les colonnes de remplissage automatique fournissent une automatisation des métadonnées pour les utilisateurs. Un utilisateur peut l’utiliser pour classifier, extraire, résumer ou même analyser un fichier, puis enregistrer la réponse dans la colonne où elle peut ensuite être indexée et utilisée pour la recherche ou d’autres processus de flux de travail en aval. Les colonnes de remplissage automatique peuvent également être un complément utile pour d’autres modèles de langage machine, où les utilisateurs peuvent compléter les métadonnées extraites d’un modèle configuré avec un résumé ou une autre réponse d’analyse.

Comment les colonnes de remplissage automatique ont-ils été évaluées ? Quelles mesures ont été utilisées pour mesurer les performances ?

  • Les facteurs de performances tels que la cohérence, la fluidité et la précision reposaient sur les performances du modèle de base (dans ce cas, GPT-4 Turbo).

  • Performances spécifiques des fonctionnalités évaluées. Les tests inclus :

    • Création d’exemples de bibliothèques, chacun incluant des documents métier classiques classés sous la forme de contrats, de relevés de travail, d’avis de modification des avantages, de factures et de CV.

    • Création de colonnes de remplissage automatique couvrant différents types de colonnes, y compris le texte sur une seule ligne et plusieurs choix.

    • Des invites conçues telles que « Quelle est la catégorie du document, choisissez parmi A, B, C. Répondez à aucun s’il ne s’agit d’aucun d’entre eux ». Ou « Quelle est la formation des candidats » pour les CV.

  • Examen des résultats. Résultats alignés sur les attentes dans la plupart des cas. Pour les résultats qui n’ont pas atteint le seuil satisfaisant, l’appel de fonction a été utilisé pour améliorer les résultats. Certains des résultats ont été comparés entre différentes versions LLM.

  • Métriques de risque et de sécurité évaluées.

    • Configuration : utilisé des programmes automatisés pour envoyer des requêtes similaires à celles de la fonctionnalité dans le monde réel, combinant des invites de métadonnées, des invites système et des questions utilisateur ou du contenu de document, exécutés sur le même modèle de base (dans ce cas, GPT-4 Turbo) avec la même configuration.

    • Évaluation : Étant donné que l’invite de la fonctionnalité provient de deux parties (l’une est le contenu du document, l’autre est la question), nous avons préparé plusieurs centaines de cas de test.

      • Cas de test évalués avec des documents métier standard et des questions dangereuses. Ces questions contenaient de l’automutilation, des informations sexuelles, de violence ou raciales.

      • Des cas de test évalués avec du contenu dangereux et des questions invitant le modèle à répondre à un problème qu’il ne devrait pas. Par exemple, « Résumer le contenu du document ».

    • Évaluation : Suivi des instructions de métriques de risque et de sécurité organisées par Microsoft, fournies dans Microsoft Azure AI Studio, pour mesurer les résultats à l’aide de LLM (dans ce cas GPT-4 Turbo) à partir de quatre aspects : contenu lié à l’automutilation, contenu haineux et injuste, contenu violent et contenu sexuel.

      L’évaluation a évalué les entrées et sorties de 0 à 7, passant du niveau le moins dangereux au niveau le plus grave.

Quelles sont les limitations des colonnes de remplissage automatique ? Comment les utilisateurs peuvent-ils réduire l’impact de ces limitations lors de l’utilisation du système ?

  • L’étendue de l’invite est limitée au contenu texte du fichier. La réponse est texte uniquement qui peut être enregistrée dans la colonne associée. Bien que d’autres actions puissent être configurées en fonction de la réponse enregistrée, la sortie elle-même ne peut pas exécuter de processus.

  • Seuls les utilisateurs disposant d’autorisations de bibliothèque de sites suffisantes peuvent créer ou modifier des invites de colonne de remplissage automatique.

  • Le service est géré par un paramètre de locataire dans le Centre d’administration Microsoft 365. Sa disponibilité sur le locataire ou sur des sites spécifiques peut être définie par l’administrateur.

Quels sont les facteurs et paramètres opérationnels qui permettent une utilisation efficace et responsable des colonnes de remplissage automatique ?

  • Si un contenu nuisible est généré qui est inacceptable pour les utilisateurs, l’administrateur du locataire ou le support Microsoft peut désactiver cette fonctionnalité au niveau du site ou du locataire.

  • Un lien Envoyer des commentaires est fourni dans l’interface utilisateur. Les commentaires sont surveillés, examinés et les actions appropriées sont prises en fonction des besoins, notamment dans certains cas la mise à jour de l’expérience produit.