Scelta del modello di codice pro-code migliore per creare la soluzione di intelligenza artificiale generativa

Selezione dei criteri nel percorso ISV pro-code

Per aiutare i fornitori di software indipendenti (ISV) a creare soluzioni di intelligenza artificiale generative, Microsoft ha creato indicazioni per trovare un caso d'uso praticabile e iniziare a crearlo. Questa pagina è incentrata sui modelli pro-codice che gli sviluppatori possono scegliere durante il percorso di creazione della soluzione. Se non si è certi di scegliere un modello pro-code o low-code, visitare la pagina di progettazione delle funzionalità per trovare l'approccio migliore per il caso d'uso.

Considerazioni per un percorso pro-codice

La scelta di un approccio pro-code consente agli ISV come se si usano opzioni altamente personalizzabili durante la progettazione delle applicazioni di intelligenza artificiale. Nell'approccio pro-code esistono molti modelli che coprono diverse piattaforme per soddisfare esigenze e preferenze diverse. Un modello di codice pro-code è un'ottima soluzione se si è:

• Creare un'app altamente personalizzata e richiedere più componenti all'interno del controllo.
• Integrazione delle funzionalità di intelligenza artificiale nella propria applicazione o creazione di un'applicazione da zero.
• Aderendo a dati o problemi di sicurezza univoci.

Se è necessaria una soluzione rapida e si possono usare strumenti come i connettori di Power Platform, valutare la possibilità di cercare modelli a basso codice.

Esistono due approcci di alto livello all'interno del pro-code:

• Creazione di un copilota personalizzato. Questo approccio include modelli che consentono di creare una soluzione con funzionalità del linguaggio naturale. La creazione con un copilota personalizzato consente all'intelligenza artificiale di conversare naturalmente con gli utenti in un'ampia gamma di situazioni.
• Compilazione di un'applicazione in Fabric. Questo approccio illustra i modelli che usano Fabric per elaborare o archiviare i dati, che possono essere integrati con un'applicazione di intelligenza artificiale creata. Questi modelli offrono una solida base dati e un'opportunità per una maggiore personalizzazione.

Entrambi gli approcci offrono numerosi vantaggi e consentono di creare un'applicazione di intelligenza artificiale personalizzabile. A seconda del modello scelto, è possibile creare un'applicazione completamente nuova o nuove funzionalità introdotte in un'applicazione esistente.

Scelta di un modello

La scelta di un modello è l'ultimo passaggio impiegato da un ISV prima di iniziare a compilare una soluzione. Modello selezionato:

• Influisce sulle funzionalità della soluzione. La scelta del modello corretto per la situazione consente di allineare la soluzione alle esigenze dei clienti. La selezione di un modello con troppe funzionalità può limitare ciò che è possibile creare.
• Influisce sul costo di sviluppo del progetto. Alcuni modelli richiedono un accuratezza più pesante durante lo sviluppo, costando tempo e denaro isv. L'investimento necessario per il modello selezionato non deve superare il valore potenziale del caso d'uso.
• Consente di lavorare all'interno di interfacce diverse. Alcuni modelli sono progettati per creare applicazioni da zero, mentre altre sono progettate per funzionare all'interno delle applicazioni o delle piattaforme esistenti di Microsoft.
• Modifica i dati, l'infrastruttura e altre considerazioni sul back-end. I modelli di codice pro sono versatili, ma possono avere limiti o richiedere modifiche. In genere, le opzioni dei dati e dell'infrastruttura diventano più personalizzabili quando si scelgono opzioni di modello più complesse.

A causa di tutti questi fattori, è essenziale valutare attentamente la situazione, le esigenze dei clienti e le capacità tecniche prima di scegliere un modello. La piattaforma e la strategia selezionata influiranno sugli elementi che è possibile creare.

Opzioni di criteri multipli

Invece di scegliere un solo modello, gli ISV possono scegliere di integrare funzionalità da più modelli. È anche possibile combinare opzioni con poco codice e pro-code.

Se si sceglie un modello o si combinano più, è importante considerare la situazione in cui ci si trova e scegliere la piattaforma che funziona meglio per voi. Questa pagina è incentrata in particolare sui modelli di codice pro-codice. Per esplorare altre opzioni tra pro e low-code, è possibile visitare la pagina dei modelli completi.

Kernel semantico

Gli ISV che cercano di creare applicazioni di intelligenza artificiale sofisticate possono usare il kernel semantico in molte delle diverse opzioni di modello. Il kernel semantico è un sdk (Software Development Kit) open source che semplifica la combinazione del codice C#, Python e Java esistente con i modelli di OpenAI, Azure OpenAI, Hugging Face e altro ancora.

Poiché il kernel semantico interagisce direttamente con il codice, è possibile usarlo con molti modelli diversi. Indipendentemente dal modello scelto, il kernel semantico può supportare il percorso di sviluppo e abilitare la soluzione con nuove funzionalità di intelligenza artificiale generative.

Creare un copilota personalizzato

La creazione di un copilota personalizzato consente di creare un'applicazione con un lift-end di codifica moderato e maggiore personalizzazione rispetto all'adozione o all'estensione di una prima parte, Microsoft Copilot. Anche se è necessario creare molti componenti autonomamente, Microsoft offre un supporto notevole tramite SDK, modelli e altro ancora, a seconda del modello scelto.

Albero delle decisioni per l'approccio "Creare un copilota personalizzato". Una freccia porta a una casella la lettura di "Migliora le app esistenti con intelligenza artificiale che usa dati ISV", che si connette con pattern D: API Microsoft Graph. Un'altra freccia conduce a una casella che legge "Crea chatbot in grado di rispondere alle domande degli utenti e di offload di attività semplici", che conduce a Pattern E: Azure OpenAI Assistants. Una terza freccia conduce a una casella che indica "Aggiunge funzionalità del linguaggio naturale ai chatbot ISV teams tramite modelli predefiniti", che porta a Pattern F: Teams AI Library. Una freccia finale porta a una casella che legge "Offre un'elevata personalizzazione usando modelli con training preliminare, Azure AI SDK e flusso di richiesta", che porta a

API Microsoft Graph

L'API Microsoft Graph accede ai dati utente dalle applicazioni di Microsoft 365, ad esempio informazioni all'interno di Outlook, Teams, OneDrive e SharePoint. Abilitando le applicazioni esistenti a chiamare questa API, è possibile migliorare l'esperienza utente con dati personalizzati di Microsoft 365.

Queste API possono essere integrate all'interno dell'interfaccia utente della soluzione. I dati del tenant raccolti possono essere visualizzati da Graph Explorer, una piattaforma open source progettata per informazioni sulle API Microsoft Graph.

Se si è interessati a questo modello, è possibile:

• Avere un'applicazione esistente che si vuole migliorare con i dati personalizzati.
• Si vuole fornire risposte personalizzate all'utente finale in base all'attività di Microsoft 365.
• Richiedere i dati in modo specifico da Microsoft 365.

I vantaggi principali di questo approccio includono:

• Accesso ai dati di Microsoft 365 dell'utente finale per personalizzare l'esperienza.
• Connettersi ai dati in modo rapido e semplice, consentendo di concentrarsi su altri aspetti dell'applicazione.

Si esaminerà ora come un ISV fittizio sia stato in grado di usare questo modello nell'applicazione.

Scenario di API Microsoft Graph

Contoso ha creato un'applicazione che consente ai clienti di gestire le operazioni interne, ma sta cercando di migliorarla. I clienti inviano problemi relativi alle attività amministrative di base, ad esempio la pianificazione delle riunioni, la disconnessione e l'invio di messaggi di posta elettronica troppo tempo.

Per risolvere questo problema, Contoso decide di aumentare l'applicazione di intelligenza artificiale generativa usando le API Microsoft Graph, che possono connettersi ai dati dei clienti in Microsoft 365. Contoso è in grado di migliorare le funzionalità dell'assistente di intelligenza artificiale con accesso ai dati personali più pertinenti recuperati dall'API. Le API Di Microsoft Graph consentono alla soluzione contoso di:

• Generare voci del calendario e messaggi di posta elettronica di time away in base al contesto dell'utente e alle relative richieste di time off.
• Usare le informazioni dai calendari di Outlook dei clienti finali per suggerire potenziali orari di riunione e inviti.
• Suggerire modifiche di tono, righe dell'oggetto e documenti da allegare ai messaggi di posta elettronica in base alla cronologia tra destinatario e mittente.

Queste modifiche e più consentono all'applicazione di intelligenza artificiale generativa di Contoso di semplificare notevolmente le attività amministrative dei clienti. Usando le API Microsoft Graph nell'applicazione, possono fornire consigli utili e personalizzati per i dipendenti.

Assistenti OpenAI di Azure

Usando le funzionalità degli assistenti OpenAI di Azure, gli ISV possono creare rapidamente assistenti di intelligenza artificiale e integrarli nelle applicazioni esistenti. Gli assistenti OpenAI di Azure possono rispondere a domande, richiedere attività semplici e persino essere adattati per scrivere ed eseguire codice in base agli input di un utente.

La creazione di un Assistente OpenAI di Azure è semplice come la scrittura di un file JSON che descrive la funzione che si vuole eseguire dall'assistente e assegnargli un ambiente Python in modalità sandbox in cui eseguire. In questo modo l'assistente può chiamare le API esistenti e iniziare a rispondere alle richieste.

Se si è interessati a questo modello, è possibile:

• Disporre di un'applicazione esistente che trarrebbe vantaggio da un assistente personalizzato.
• Si vuole sviluppare rapidamente un'applicazione di tipo copilota con meno accuratezza tecnica.
• È necessario integrarsi con strumenti aggiuntivi che consentono all'applicazione di completare attività senza linguaggio, ad esempio matematica.

I vantaggi principali di questo approccio includono:

• Creazione di un assistente di intelligenza artificiale in modo rapido ed efficiente.
• Fornire ai clienti un assistente di intelligenza artificiale in grado di rispondere a domande e richieste più specifiche.
• Abilitazione della soluzione con funzionalità di intelligenza artificiale che possono richiedere azioni semplici per semplificare le attività.

Scenario dell'assistente OpenAI di Azure

Contoso ha un'applicazione esistente per i clienti al dettaglio che fornisce un portale per i dipendenti per l'onboarding, la gestione dell'inventario, l'elaborazione dei pagamenti e altro ancora. Contoso userà Azure OpenAI Assistant per creare un assistente allo Store, fornendo ai clienti indicazioni personalizzate in base alla propria situazione specifica.

Creando un assistente di intelligenza artificiale, Contoso può integrare i dati delle aziende nell'applicazione, che consente di rispondere alle domande usando i dati aziendali. Queste funzionalità consentono al copilota di:

• Guida i nuovi dipendenti attraverso i processi tipici dei negozi.
• Prevedere le esigenze e i requisiti dell'inventario in base alle tendenze precedenti.
• Materiale sussidiario di riferimento nei documenti di lavoro caricati, ad esempio i criteri di congedo.

Includendo un assistente di intelligenza artificiale all'interno dell'applicazione, la soluzione di Contoso diventa una fonte di indicazioni e suggerimenti per i dipendenti, anziché solo uno strumento di gestione. I clienti possono usarlo per rispondere alle domande e identificare un percorso in avanti nelle attività quotidiane.

Libreria di intelligenza artificiale di Teams

Se si ha già un chatbot di Teams o si è interessati a crearne uno, il chatbot può essere migliorato con le funzionalità di intelligenza artificiale generative. Lo scaffolding all'interno della libreria di intelligenza artificiale di Teams è in grado di supportare il linguaggio di conversazione per il chatbot, accessibile direttamente dagli utenti in Teams.

Questa applicazione richiede di immettere la logica di business che si vuole usare nell'app mentre i modelli di linguaggio di grandi dimensioni (LLMs) forniti da Microsoft gestiscono gli aspetti back-end del chatbot. È anche possibile modificare il chatbot in modo da usare diversi MODULI, plug-in e altro ancora.

Se si è interessati a questo modello, è possibile:

• Avere un chatbot di Teams esistente che si vuole aumentare con le funzionalità del linguaggio naturale.
• Si vogliono sfruttare modelli predefiniti, opzioni di dati integrate e funzionalità di sicurezza predefinite.

I vantaggi principali di questo approccio includono:

• Miglioramento del chatbot di Teams con funzionalità in linguaggio naturale.
• Creazione di una soluzione di intelligenza artificiale generativa con ampie opzioni di supporto.
• Personalizzazione del chatbot da applicare alle esigenze situazioniali o industriali.

Scenario della libreria di intelligenza artificiale di Teams

Contoso ha reso i chatbot di Teams disponibili ai propri clienti per un certo periodo di tempo, ma man mano che le funzionalità di intelligenza artificiale si evolvono, vogliono modernizzare l'applicazione consentendogli di rispondere a domande più specifiche e fornire consigli personalizzati al dipendente.

Usando la libreria di intelligenza artificiale di Microsoft Teams, Contoso può aggiungere facilmente funzionalità del linguaggio naturale al chatbot. Queste nuove funzionalità di intelligenza artificiale generative consentono al chatbot di supportare meglio i clienti:

• Suggerimento di passaggi tattici successivi per progetti e suggerimenti in corso per prepararsi a eventi aziendali imminenti.
• Creazione di agenda riunioni, bozze di posta elettronica e altro ancora in base a una breve interazione tra l'utente e il chatbot.
• Rispondere alle domande usando risposte personalizzate in base al contesto della conversazione.

Queste funzionalità consentono di semplificare l'esperienza dei dipendenti per i clienti di Contoso e di ottenere risposte più intelligenti, più velocemente. L'incorporazione dell'intelligenza artificiale generativa nel chatbot di Teams rende i suoi utenti più efficienti sul lavoro, in quanto possono naturalmente conversare con il chatbot per ricevere supporto al lavoro.

Studio AI della piattaforma Azure

Se si vuole creare un'applicazione di intelligenza artificiale generativa completamente personalizzata altamente flessibile in termini di funzionalità, è possibile usare una delle numerose opzioni all'avanguardia di Azure AI Studio. La creazione di soluzioni di intelligenza artificiale generative con Azure AI Studio consente di personalizzare la soluzione in base alle esigenze specifiche, incluse le esigenze tecniche o di nicchia elevate.

Azure AI Studio include molte opzioni per compilare un'applicazione di intelligenza artificiale, ad esempio il flusso dei prompt e Azure AI SDK, entrambi con modelli con training preliminare da cui è possibile compilare. Il servizio è integrato con altri servizi di Azure e fornisce risorse per lo sviluppo continuo di applicazioni, ad esempio una toolchain LLMOps.

Se si è interessati a questo modello, è possibile:

• Si vuole creare un'applicazione da zero o modificarne una esistente.
• Richiedere all'assistente di intelligenza artificiale di completare processi complessi, ad esempio la lettura e la revisione di documenti tecnici o l'analisi di tendenze di dati complesse.
• Vuoi avere il controllo completo sullo sviluppo di app per personalizzare la voce, la personalità e l'identità del marchio in base alle tue esigenze specifiche.

I vantaggi principali di questo approccio includono:

• Creazione di un copilota su misura in grado di rispondere a domande e richieste di nicchia.
• Personalizzazione della soluzione per rispettare requisiti di sicurezza o dati univoci.

Scenario di Azure AI Studio

Contoso vuole creare un'applicazione di intelligenza artificiale generativa completamente personalizzata per supportare i clienti del settore sanitario durante la creazione e l'elaborazione delle attestazioni. Per commercializzare l'applicazione, è necessario poter elaborare in modo accurato le informazioni dei clienti, soddisfare considerazioni di sicurezza specializzate e generare contenuti accurati.

Usando Azure AI Studio per creare un'applicazione di intelligenza artificiale generativa da zero, è stata in grado di creare un'applicazione completamente personalizzata e altamente sicura in base alle esigenze dei clienti sanitari. La nuova applicazione di Contoso consente ai medici che lavorano per gli assicuratori di compilare facilmente i moduli. Il copilota creato tramite Azure AI Studio può:

• Supportare la creazione di moduli di autorizzazione condizionale tramite richieste di conversazione basate su un'ampia gamma di domande specifiche dell'organizzazione.
• Eseguire query su più record dei pazienti ed esaminare le informazioni all'interno dell'applicazione di Contoso.
• Soddisfare le considerazioni sulla sicurezza specifiche dell'organizzazione per ridurre al minimo i rischi e i problemi di privacy.

Recuperando con precisione le informazioni sui pazienti e usando le funzionalità del linguaggio naturale per facilitare la generazione di moduli, Contoso può accelerare il processo di creazione delle attestazioni. La soluzione consente agli utenti di risparmiare tempo prezioso completando queste attività specializzate in modo rapido e accurato.

Creare un'app in Fabric

Anche se molti ISV hanno familiarità con Fabric come soluzione di dati o analisi, possono fungere anche da base dati integrata completa per le applicazioni di intelligenza artificiale generative. Se si vuole creare un'app direttamente in Fabric o integrarla con OneLake, la compilazione di un'app in Fabric offre personalizzazione e controllo senza corrispondenza sulla soluzione.

Albero dei collegamenti per l'approccio "creare un'app in Fabric". Una freccia porta a una casella di lettura "Consente alle ISV di leggere, scrivere e gestire i dati all'interno di Fabric OneLake usando API, collegamenti e altro ancora esistenti", che porta a Pattern H: Interoperabilità con Fabric. Una seconda freccia porta a una casella di lettura "Consente agli ISV di sviluppare prodotti sulla piattaforma Fabric o combinare Fabric con applicazioni preesistenti", che porta a Pattern I: Build on Fabric. Una freccia finale porta a una casella di lettura "fornisce isv con strumenti per creare carichi di lavoro altamente personalizzabili all'interno dell'ecosistema di infrastruttura", che porta a Pattern J: Creare un carico di lavoro infrastruttura.

Interoperabilità con Fabric

L'integrazione dell'applicazione esistente con Fabric offre opzioni infinite per ottimizzare il back-end dei dati della soluzione. Grazie all'interoperabilità con Fabric, è possibile unificare una moltitudine di origini dati diverse in una singola piattaforma usando un'ampia gamma di strumenti e API.

Fabric offre api OneLake e API di intelligence in tempo reale progettate per accedere ed elaborare rapidamente i dati. È anche possibile usare Data Factory per unificare i dati tra ambienti tramite collegamenti e gestire attività complesse di elaborazione dati da un massimo di 200 origini esterne. Anche se i dati non sono in Azure, è possibile creare collegamenti per inserire i dati in OneLake.

Se si è interessati a questo modello, è possibile:

• Disporre di un'applicazione esistente che richiede un'elaborazione dei dati avanzata.
• Disegnare i dati da un'ampia gamma di origini e ambienti.
• Si vuole leggere e gestire i dati dell'applicazione in OneLake o Data Factory.

I vantaggi principali di questo approccio includono:

• Miglioramento delle funzionalità di dati per le app esistenti tramite un aumento delle capacità di elaborazione, archiviazione e analisi.
• Integrazione dei dati da più tenant e ambienti in un'unica piattaforma.

Interoperabilità con lo scenario di infrastruttura

L'applicazione SaaS sviluppata da Contoso per i clienti al dettaglio richiede funzionalità di dati maggiori per gestire i dati da più tenant. I clienti finali di Contoso richiedono una maggiore visibilità sui dati e richiedono maggiori informazioni su tendenze e modelli all'interno dei dati. Tuttavia, i clienti usano un'ampia gamma di piattaforme per la gestione dell'inventario, il personale, la gestione Web e altro ancora che Contoso deve accedere per formare una visualizzazione completa dei dati.

Per risolvere questi problemi, Contoso ha connesso l'applicazione esistente a Fabric. In questo modo è possibile avere una migliore gestione dei dati a livello amministrativo, oltre a informazioni dettagliate sui dati e visibilità migliori per i tenant. L'applicazione è in grado di:

• Usare la condivisione dei dati e i collegamenti multicloud per raccogliere informazioni da tenant diversi in OneLake.
• Accedere immediatamente ai dati dell'organizzazione tramite le API di intelligence in tempo reale.
• Gestire quantità di dati associati a una soluzione su larga scala.
• Ritrae le informazioni sui dati del cliente tramite dashboard interattivi creati da Contoso nell'applicazione.

Ora che Contoso può accedere ai dati dai clienti più facilmente, è in grado di modificare la soluzione per fornire tali informazioni ai clienti finali. I clienti finali possono interpretare con facilità e precisione i dati e usarli per effettuare scelte per l'azienda.

Compilazione su Fabric

Oltre a connettersi a Fabric come piattaforma dati per l'applicazione, è anche possibile usare Fabric per incorporare le funzionalità di Fabric direttamente nell'app. Gli sviluppatori possono usare un'ampia gamma di API REST per creare funzionalità di Fabric nelle applicazioni per supportare flussi di lavoro più tecnici con funzionalità di intelligenza artificiale generative.

Diverse API possono essere integrate all'interno dell'applicazione per abilitarla con funzioni diverse. Ad esempio, l'incorporamento dell'API Warehouse all'interno dell'applicazione fornisce le opzioni del data warehouse disponibili in Fabric. Lo sviluppo dell'applicazione direttamente all'interno di Fabric consente di usare e modificare facilmente queste funzioni di Fabric all'interno dell'interfaccia dell'applicazione.

Se si è interessati a questo modello, è possibile:

• Si sta creando un'applicazione che verrà usata dai data scientist o da altri utenti con esigenze di gestione dei dati più complete.
• Si vogliono incorporare opzioni complete per l'archiviazione e l'elaborazione dei dati nell'applicazione.
• Si vuole creare un'applicazione da zero o modificarne una esistente.

I vantaggi principali di questo approccio includono:

• Integrazione delle funzionalità dei dati di Fabric direttamente nella soluzione.
• Gestione e modifica dei dati all'interno della propria applicazione.
• Creazione dell'applicazione con personalizzazione e controllo completi.

Creare uno scenario di infrastruttura

I clienti di Contoso hanno espresso la necessità di funzionalità di dati più complesse. Tra tenere traccia delle tendenze di vendita, pianificazioni dei dipendenti, inventario per negozi digitali e di persona e altro ancora in più tenant, richiedono molto più supporto per l'elaborazione dei dati nella nuova applicazione.

Per gestire in modo più efficace i dati dei clienti, Contoso ha sviluppato una nuova applicazione basata su Fabric. Questa applicazione consente agli utenti di interfacciarsi direttamente con i propri dati e di interagire con esso nell'applicazione contoso. Sfruttando le funzionalità di elaborazione dei dati di Fabric, l'applicazione può:

• Connettersi a OneLake, Power BI e altro direttamente all'interno dell'applicazione, che può essere visualizzato tramite dashboard personalizzati creati da Contoso.
• Fornire informazioni dettagliate sui dati sulla redditività delle categorie, ad esempio negozi online o di persona, posizioni dei negozi diversi e in base al marchio e alla categoria dei prodotti.
• Usare l'intelligenza artificiale per analizzare questi dati e fornire informazioni dettagliate e suggerimenti ai clienti, ad esempio suggerire una modifica dei prezzi per un prodotto, prevedere potenziali interruzioni e identificare gli outlier nei flussi dei ricavi.
• Fornire ai clienti di Contoso l'accesso diretto ai dati di Fabric all'interno della piattaforma Contoso.

Incorporando le funzionalità di Fabric all'interno dell'applicazione, possono gestire e modificare i dati direttamente all'interno della soluzione. L'intelligenza artificiale basata sulla soluzione è in grado di accedere a questi dati e fornire informazioni aziendali personalizzate per i clienti di Contoso.

Creare un carico di lavoro Fabric

Oltre a creare con i sette carichi di lavoro nativi di Fabric, gli ISV possono espandere le funzionalità di Fabric creando carichi di lavoro personalizzati e offrendoli come soluzione separata. Questi carichi di lavoro possono essere creati da zero per offrire un'ampia gamma di funzionalità di gestione dei dati, sia che si tratti di creare una visualizzazione più olistica dei dati dei clienti o di intraprendere azioni in base alle tendenze e alle stime dei dati.

Gli ISV possono usare Microsoft Fabric Workload Development Kit per creare il proprio carico di lavoro e pubblicarlo come offerta SaaS per altri utenti di Fabric in Azure Marketplace. Questo modello è facilmente monetizzabile in Azure Marketplace e usa l'esperienza utente di Fabric durante l'interazione con i clienti, che consente di concentrarsi sullo sviluppo del carico di lavoro.

Se si è interessati a questo modello, è possibile:

• Si vuole creare uno strumento disponibile per gli utenti finali in Fabric, ad esempio altri sviluppatori o data scientist.
• Vedere un requisito o una necessità di dati da soddisfare con Fabric.
• Si vuole sfruttare il supporto Microsoft come l'esperienza utente esistente e la pubblicazione semplice in Azure Marketplace.

I vantaggi principali di questo approccio includono:

• Pubblicazione dell'applicazione in Azure Marketplace, in cui è possibile accedervi e acquistare facilmente dagli utenti finali tecnici in Fabric.
• Creazione di soluzioni altamente personalizzabili direttamente in base ai requisiti dei dati dei clienti.

Creare uno scenario del carico di lavoro infrastruttura

Contoso vuole creare soluzioni che possono essere usate dai clienti al dettaglio per tenere traccia delle catene di fornitura e della gestione dell'inventario in negozi digitali e di persona per diversi tenant. Vogliono che l'applicazione sia facilmente accessibile per gli utenti finali tecnici in modo che possano perseguire un uso maggiore per l'applicazione guidata dai dati.

Usando Microsoft Fabric Workload Development Kit, Contoso è stato in grado di sviluppare un carico di lavoro a cui i clienti possono accedere direttamente da Fabric in un'esperienza utente con cui hanno familiarità. Sono stati in grado di monetizzarlo come applicazione SaaS in Azure Marketplace, in cui è facilmente accessibile agli utenti finali di Contoso nella piattaforma Fabric. Il carico di lavoro Fabric è in grado di:

• Ottimizzare l'inventario fornendo informazioni dettagliate sulle aree che richiedono richieste aggiuntive e usando le funzionalità di intelligenza artificiale per suggerire un percorso in avanti.
• Prevedere la domanda futura tramite funzionalità di Machine Learning che analizzano le tendenze passate.
• Simulare possibili scenari che potrebbero influire sulla catena di fornitura, ad esempio la modifica dei fornitori.

Offrendo la propria soluzione come carico di lavoro infrastruttura, Contoso può aiutare i data scientist e altri professionisti tecnici a ottimizzare le catene di fornitura. I clienti di Contoso ottengono maggiore visibilità sull'azienda, attraverso l'analisi attenta dei dati passati e delle stime delle tendenze future.

Conclusione

Con l'apprendimento di ogni modello e delle relative funzionalità, è ora necessario essere attrezzati per decidere come creare la soluzione di intelligenza artificiale generativa. Dopo aver studiato l'approccio scelto e aver confermato che si trova all'interno delle funzionalità, è possibile iniziare a sviluppare l'applicazione.

Esplorare le risorse seguenti per altre informazioni sul modello scelto e altri passaggi successivi per creare l'esperienza di intelligenza artificiale generativa.

Creare un copilota personalizzato

Collegamenti ad altre informazioni per ogni modello di copilota:

• Modello D - API Microsoft Graph
• Modello E - Assistenti OpenAI di Azure
• Modello F - Libreria di intelligenza artificiale di Teams
• Modello G - Azure AI Studio

Altre informazioni sulla creazione di un'app in Fabric

Collegamenti a altre informazioni sulla creazione di app in Fabric:

• Approccio: creare un'app in Fabric
• Modello J - Creare un carico di lavoro in Fabric

Collegamenti correlati

Altre informazioni sui modelli di intelligenza artificiale generativi e sui relativi vantaggi: Creazione di esperienze di intelligenza artificiale generative con Microsoft Cloud - Guida per isv | Microsoft Learn

Linee guida per l'esperienza utente per isv che progettano esperienze di intelligenza artificiale generative: passaggi successivi per progettare l'esperienza utente di intelligenza artificiale generativa.