Dela via

Välja det bästa pro-code-mönstret för att skapa din generativa AI-lösning

Mönsterval i ISV-resan med kod

För att hjälpa oberoende programvaruleverantörer att skapa sina generativa AI-lösningar skapade Microsoft vägledning som hjälper dig att hitta ett genomförbart användningsfall och börja skapa det. Den här sidan fokuserar på pro-kodmönster som utvecklare kan välja när de går igenom resan för att skapa sin lösning. Om du är osäker på om du vill välja ett pro-code- eller lågkodsmönster kan du gå till sidan för funktionsvision för att hitta den bästa metoden för ditt användningsfall.

Överväganden för en pro-code resa

Genom att välja en pro-code-metod kan ISV:er som du använda mycket anpassningsbara alternativ när du utformar dina AI-program. Inom pro-code-metoden finns det många mönster som täcker flera plattformar för att hantera olika behov och inställningar. Ett pro-kodmönster passar bra om du är:

  • Skapa en mycket anpassad app och behöver fler komponenter inom din kontroll.
  • Integrera AI-funktioner i ditt eget program eller skapa en från grunden.
  • Följer unika data eller säkerhetsproblem.

Om du behöver en snabb lösning och kan använda verktyg som Power Platform-anslutningsappar kan du överväga att undersöka mönster med låg kod.

Det finns två övergripande metoder inom pro-code:

  • Skapa en anpassad andrepilot. Den här metoden omfattar mönster som hjälper dig att skapa en lösning med funktioner för naturligt språk. Genom att skapa med en anpassad andrepilot kan din AI kommunicera naturligt med användare i en mängd olika situationer.
  • Skapa ett program på Infrastrukturresurser. Den här metoden omfattar mönster som använder Fabric för att bearbeta eller lagra data, som kan integreras med ett AI-program som du skapar. Dessa mönster ger en stark datagrund och en möjlighet till mer anpassning.

Båda metoderna har många fördelar och gör att du kan skapa ett anpassningsbart AI-program. Beroende på vilket mönster du väljer kan du skapa ett helt nytt program eller nya funktioner som du introducerar i ett befintligt program.

Välja ett mönster

Att välja ett mönster är det sista steget som en ISV tar innan du börjar skapa en lösning. Det mönster du väljer:

  • Påverkar funktionerna i din lösning. Genom att välja rätt mönster för situationen kan du anpassa din lösning efter kundernas behov. Om du väljer ett mönster med för få funktioner kan du begränsa vad du kan skapa.
  • Påverkar projektets utvecklingskostnad. Vissa mönster kräver ett tyngre lyft under utvecklingen, vilket kostar ISV:er tid och pengar. Den investering som behövs för det mönster du väljer bör inte överträffa det potentiella värdet för ditt användningsfall.
  • Gör att du kan arbeta i olika gränssnitt. Vissa mönster är utformade för att skapa program från grunden, medan andra är utformade för att fungera inom dina befintliga program eller plattformar från Microsoft.
  • Ändrar data, infrastruktur och andra överväganden för serverdelen. Pro-kodmönster är mångsidiga men kan ha gränser eller kräva ändringar. Vanligtvis blir dina data- och infrastrukturalternativ mer anpassningsbara när du väljer mer komplexa mönsteralternativ.

På grund av alla dessa faktorer är det viktigt att noggrant utvärdera din situation, dina kunders behov och dina tekniska funktioner innan du väljer ett mönster. Den plattform och strategi du väljer påverkar vad du kan skapa.

Flera mönsteralternativ

I stället för att bara välja ett mönster kan ISV:er välja att integrera funktioner från flera mönster. Det går till och med att kombinera alternativ med låg kod och pro-kod.

Oavsett om du väljer ett mönster eller kombinerar flera är det viktigt att tänka på vilken situation du befinner dig i och välja den plattform som passar dig bäst. Den här sidan fokuserar specifikt på pro-kodmönster. Om du vill utforska fler alternativ i pro- och low-code kan du gå till sidan med omfattande mönster.

Semantic Kernel

ISV:er som vill skapa avancerade AI-program kan använda semantisk kernel i många av de olika mönsteralternativen. Semantic Kernel är ett programutvecklingspaket med öppen källkod (SDK) som gör det enkelt att kombinera din befintliga C#-, Python- och Java-kod med modeller från OpenAI, Azure OpenAI, Hugging Face med mera.

Eftersom semantisk kernel interagerar direkt med din kod är det möjligt att använda den många olika mönster. Oavsett vilket mönster du väljer kan Semantic Kernel stödja din utvecklingsresa och aktivera din lösning med nya generativa AI-funktioner.

Skapa en anpassad copilot

Genom att skapa en anpassad andrepilot kan du skapa ett program med en måttlig kodningslyft och mer anpassningsbarhet än att införa eller utöka en förstapart, skulle Microsoft Copilot göra det. Även om du behöver skapa många komponenter på egen hand ger Microsoft betydande stöd via SDK:er, mallar med mera, beroende på vilket mönster du väljer.

Ett beslutsträd för metoden "Skapa en anpassad copilot". En pil leder till en ruta med texten "Förbättrar befintliga appar med AI som använder ISV-data", som ansluter med Pattern D: Microsoft Graph-API:er. En annan pil leder till en ruta med texten "Skapar chattrobotar som kan svara på användarfrågor och avlasta enkla uppgifter", vilket leder till Pattern E: Azure OpenAI Assistants. En tredje pil leder till en ruta med texten "Lägger till funktioner för naturligt språk i ISV Teams chattrobotar via fördefinierade mallar", vilket leder till Pattern F: Teams AI Library. En sista pil leder till en ruta med texten "Erbjuder hög anpassningsbarhet med förtränade modeller, Azure AI SDK och promptflöde", vilket leder till Mönster G: Azure AI Studio.

Microsoft Graph-API:er

Microsoft Graph-API:et kommer åt användardata från Microsoft 365-program, till exempel information i Outlook, Teams, OneDrive och SharePoint. Genom att göra det möjligt för dina befintliga program att anropa det här API:et kan du förbättra användarupplevelsen med personliga data från Microsoft 365.

Dessa API:er kan integreras i din egen lösnings användargränssnitt. De insamlade klientdata kan visas från Graph Explorer, som är en plattform med öppen källkod som hjälper dig att lära dig mer om Microsoft Graph-API:er.

Du kanske är intresserad av det här mönstret om du:

  • Ha ett befintligt program som du vill förbättra med anpassade data.
  • Vill du ge personliga svar till slutanvändaren baserat på deras Microsoft 365-aktivitet.
  • Kräv data specifikt från Microsoft 365.

De viktigaste fördelarna med den här metoden är:

  • Få åtkomst till slutanvändarens Microsoft 365-data för att anpassa deras upplevelse.
  • Ansluta till data snabbt och enkelt, så att du kan fokusera på andra aspekter av ditt program.

Nu ska vi undersöka hur en fiktiv ISV kunde använda det här mönstret i sitt program.

Scenario för Microsoft Graph-API:er

Contoso har skapat ett program som gör det möjligt för kunderna att hantera interna åtgärder, men de försöker förbättra det. Deras kunder lägger fram problem med grundläggande administrativa uppgifter, till exempel schemaläggning av möten, loggningstid och sändning av e-postmeddelanden som tar för lång tid.

För att lösa det här problemet bestämmer sig Contoso för att utöka sitt generativa AI-program med hjälp av Microsoft Graph-API:er, som kan ansluta till sina kunders data i Microsoft 365. Contoso kan förbättra funktionerna i ai-assistenten med åtkomst till mer relevanta personuppgifter som hämtats från API:et. Microsoft Graph-API:er gör det möjligt för Contosos lösning att:

  • Generera kalenderposter och tidsåtgång för e-postmeddelanden baserat på kontext från användaren och deras time off-begäranden.
  • Använd information från slutkundernas Outlook-kalendrar för att föreslå potentiella mötestider och inbjudningar.
  • Föreslå tonredigeringar, ämnesrader och dokument som ska bifogas till e-postmeddelanden baserat på historik mellan mottagare och avsändare.

Dessa ändringar och mer gör det möjligt för Contosos generativa AI-program att dramatiskt effektivisera sina kunders administrativa uppgifter. Genom att använda Microsoft Graph-API:er i deras program kan de ge användbara och personliga råd till anställda.

Azure OpenAI-assistenter

Med hjälp av funktionerna i Azure OpenAI Assistants kan ISV:er snabbt skapa AI-assistenter och integrera dem i sina befintliga program. Azure OpenAI-assistenter kan svara på frågor, fråga enkla uppgifter och även anpassas för att skriva och köra kod baserat på en användares indata.

Att skapa en Azure OpenAI-assistent är lika enkelt som att skriva en JSON-fil som beskriver den funktion som du vill att assistenten ska utföra och ge den en sandbox-miljö i Python där den ska köras. Detta gör att assistenten kan anropa dina befintliga API:er och börja svara på frågor.

Du kanske är intresserad av det här mönstret om du:

  • Ha ett befintligt program som skulle ha nytta av en anpassad assistent.
  • Vill utveckla ett copilot-liknande program snabbt med mindre teknisk lift.
  • Behöver integreras med ytterligare verktyg som gör det möjligt för ditt program att slutföra uppgifter utan språk, till exempel matematik.

De viktigaste fördelarna med den här metoden är:

  • Skapa en AI-assistent snabbt och effektivt.
  • Ge dina kunder en AI-assistent som kan svara på mer specifika frågor och förfrågningar.
  • Aktivera din lösning med AI-funktioner som kan uppmana till enkla åtgärder för att effektivisera uppgifter.

Scenario för Azure OpenAI-assistent

Contoso har ett befintligt program för detaljhandelskunder som tillhandahåller en medarbetarportal för registrering, lagerhantering, betalningsbearbetning med mera. Contoso använder Azure OpenAI Assistant för att skapa en butiksassistent, vilket ger kunderna vägledning som är skräddarsydd för deras specifika situation.

Genom att skapa en AI-assistent kan Contoso integrera företagets data i programmet, vilket gör att det kan svara på frågor med hjälp av företagsdata. Med de här funktionerna kan andrepiloten:

  • Vägleda nya medarbetare genom vanliga butiksprocesser.
  • Förutsäga inventeringsbehov och krav baserat på tidigare trender.
  • Referensvägledning i uppladdade anställningsdokument, till exempel ledighetsprinciper.

Genom att inkludera en AI-assistent i deras program blir Contosos lösning en källa till vägledning och förslag för anställda, snarare än bara ett hanteringsverktyg. Deras kunder kan använda den för att besvara frågor och identifiera en väg framåt i dagliga uppgifter.

Teams AI-bibliotek

Om du redan har en Teams-chattrobot eller är intresserad av att skapa en, kan din chattrobot förbättras med generativa AI-funktioner. Byggnadsställningar i Teams AI-bibliotek kan stödja konversationsspråk för din chattrobot, som kan nås direkt av användare i Teams.

Det här programmet kräver att du anger den affärslogik som du vill att din app ska använda medan de stora språkmodeller som Microsoft tillhandahåller hanterar serverdelsaspekterna i chattroboten. Du kan till och med ändra chattroboten så att den använder olika LLM:er, plugin-program med mera.

Du kanske är intresserad av det här mönstret om du:

  • Ha en befintlig Teams-chattrobot som du vill utöka med funktioner för naturligt språk.
  • Vill använda fördefinierade mallar, integrerade dataalternativ och inbyggda säkerhetsfunktioner.

De viktigaste fördelarna med den här metoden är:

  • Förbättra din Teams-chattrobot med funktioner för naturligt språk.
  • Skapa en generativ AI-lösning med många supportalternativ.
  • Anpassa chattroboten så att den passar dina situationella eller industriella behov.

Scenario för Teams AI-bibliotek

Contoso har gjort Teams chattrobotar tillgängliga för sina kunder under en tid nu, men i takt med att AI-funktionerna utvecklas vill de modernisera sitt program genom att göra det möjligt för dem att svara på mer specifika frågor och ge personliga råd till medarbetaren.

Med hjälp av Microsoft Teams AI-bibliotek kan Contoso enkelt lägga till funktioner för naturligt språk i chattroboten. Dessa nya generativa AI-funktioner gör det möjligt för chattroboten att bättre stödja kunder genom att:

  • Föreslår taktiska nästa steg för pågående projekt och tips för att förbereda för kommande företagsevenemang.
  • Skapa mötesagendor, e-postutkast med mera baserat på en kort interaktion mellan användaren och chattroboten.
  • Besvara frågor med skräddarsydda svar baserat på konversationens kontext.

Dessa funktioner hjälper till att effektivisera medarbetarnas upplevelse för Contosos kunder och gör det möjligt för dem att få mer intelligenta svar, snabbare. Att införliva generativ AI i teams chattrobot gör användarna mer effektiva på jobbet, eftersom de naturligtvis kan kommunicera med chattroboten för att få support på jobbet.

Azure AI Studio

Om du vill skapa ett helt anpassat generativt AI-program som är mycket flexibelt när det gäller funktioner kan du använda ett av de många senaste alternativen från Azure AI Studio. Genom att skapa generativa AI-lösningar med Azure AI Studio kan du anpassa din lösning efter dina specifika behov, inklusive uppfylla mycket tekniska eller nischade krav.

Azure AI Studio innehåller många alternativ för att skapa ett AI-program, till exempel prompt flow och Azure AI SDK, som båda har förtränat modeller som du kan skapa från. Tjänsten är integrerad med andra Azure-tjänster och tillhandahåller resurser för pågående programutveckling, till exempel en LLMOps-verktygskedja.

Du kanske är intresserad av det här mönstret om du:

  • Vill du skapa ett program från grunden eller ändra ett befintligt.
  • Kräv att AI-assistenten slutför komplexa processer, till exempel att läsa och granska tekniska dokument eller analysera komplexa datatrender.
  • Vill ha fullständig kontroll över apputveckling för att anpassa röst-, personlighets- och varumärkesidentitet efter dina specifika behov.

De viktigaste fördelarna med den här metoden är:

  • Skapa en skräddarsydd copilot som kan svara på mer nischade frågor och förfrågningar.
  • Anpassa din lösning så att den uppfyller unika säkerhets- eller datakrav.

Azure AI Studio-scenario

Contoso vill skapa ett helt anpassat generativt AI-program för att stödja sina sjukvårdskunder när anspråk skapas och bearbetas. För att kunna kommersialisera programmet behövde de kunna bearbeta kundinformation korrekt, uppfylla särskilda säkerhetsöverväganden och generera korrekt innehåll.

Genom att använda Azure AI Studio för att skapa ett eget generativt AI-program från grunden kunde de skapa ett helt anpassat och mycket säkert program som är anpassat efter behoven hos sina sjukvårdskunder. Contosos nya ansökan gör det möjligt för kliniker som arbetar för försäkringsgivare att enkelt fylla i formulär. Andrepiloten som de skapade via Azure AI Studio kan:

  • Stöd för att skapa formulär för villkorsstyrd auktorisering via konversationssamtal baserat på en mängd olika organisationsspecifika frågor.
  • Fråga flera patientposter och granska information i Contosos program.
  • Uppfylla organisationsspecifika säkerhetsöverväganden för att minimera risker och sekretessproblem.

Genom att korrekt hämta patientinformation och använda funktioner för naturligt språk för att generera formulär kan Contoso påskynda processen för att skapa anspråk. Deras lösning sparar värdefull tid för användarna genom att slutföra dessa specialiserade uppgifter snabbt och korrekt.

Skapa en app i Infrastrukturresurser

Även om många ISV:er är bekanta med Fabric som en data- eller analyslösning, kan det också fungera som en omfattande, integrerad datagrund för generativa AI-program. Oavsett om du vill skapa en app direkt på Fabric eller integrera med OneLake, ger skapandet av en app på Fabric dig oöverträffad anpassning och kontroll över din lösning.

Ett länkträd för metoden "skapa en app på Infrastruktur". En pil leder till en ruta med texten "Tillåter ISV:er att läsa, skriva och hantera data i Fabric OneLake med hjälp av befintliga API:er, genvägar med mera", vilket leder till Pattern H: Interop with Fabric. En andra pil leder till en ruta med texten "Gör det möjligt för ISV:er att utveckla produkter ovanpå Fabric-plattformen eller kombinera Infrastruktur med befintliga program", vilket leder till Mönster I: Bygg på infrastrukturresurser. En sista pil leder till en ruta med texten "ger ISV:er verktyg för att skapa mycket anpassningsbara arbetsbelastningar i Infrastrukturekosystemet", vilket leder till Mönster J: Skapa en infrastrukturarbetsbelastning.

Ett länkträd för metoden skapa en app i Infrastrukturresurser

Interop med infrastrukturresurser

Integreringen av ditt befintliga program med Fabric ger oändliga alternativ för att effektivisera dataserverdelen i din lösning. Genom att samverka med Fabric kan du förena en mängd olika datakällor på en enda plattform med hjälp av en mängd olika verktyg och API:er.

Fabric erbjuder både OneLake-API:er och API:er för realtidsinformation som är utformade för att snabbt komma åt och bearbeta dina data. Du kan också använda Data Factory för att förena dina data mellan miljöer via genvägar och hantera komplexa databearbetningsuppgifter från upp till 200 externa källor. Även om dina data inte finns i Azure kan du skapa genvägar för att föra dina data till OneLake.

Du kanske är intresserad av det här mönstret om du:

  • Ha ett befintligt program som kräver förbättrad databehandling.
  • Ritar dina data från en mängd olika källor och miljöer.
  • Vill läsa och hantera programmets data i OneLake eller Data Factory.

De viktigaste fördelarna med den här metoden är:

  • Förbättra datafunktionerna för befintliga appar genom ökad bearbetning, lagring och analysfunktioner.
  • Integrera data från flera klienter och miljöer i en plattform.

Interop med Fabric-scenario

Det SaaS-program som Contoso har utvecklat för sina detaljhandelskunder kräver större datafunktioner för att hantera data från flera klienter. Contosos slutkunder kräver större insyn i sina data och begär mer information om trender och mönster i sina data. Deras kunder använder dock en mängd olika plattformar för inventeringshantering, bemanning, webbhantering med mera som Contoso behöver för att få tillgång till för att skapa en fullständig vy över data.

För att lösa dessa problem anslöt Contoso sitt befintliga program till Fabric. På så sätt kan de få bättre datahantering på administrativ nivå, samt bättre datainsikter och synlighet för klienter. Deras program kan:

  • Använd genvägar för datadelning och flera moln för att samla in information från olika klienter i OneLake.
  • Få åtkomst till organisationsdata omedelbart via API:er för realtidsinformation.
  • Hantera mängder data som är associerade med en storskalig lösning.
  • Beskriva information om kundens data till dem via interaktiva instrumentpaneler som Contoso skapade i sitt program.

Nu när Contoso enklare kan komma åt data från sina kunder kan de ändra sin lösning för att tillhandahålla den informationen till sina slutkunder. Deras slutkunder kan enkelt och korrekt tolka sina data och använda dem för att göra val för sin verksamhet.

Skapa på infrastrukturresurser

Förutom att ansluta till Fabric som en dataplattform för ditt program kan du även bygga vidare på Infrastruktur för att bädda in Fabrics funktioner direkt i din app. Utvecklare kan använda en mängd olika REST-API:er för att skapa infrastrukturresurser i sina program för att stödja fler tekniska arbetsflöden med generativa AI-funktioner.

Olika API:er kan integreras i ditt program för att aktivera det med olika funktioner. Om du till exempel bäddar in WAREHOUSE-API:et i ditt program får du tillgång till informationslageralternativen i Fabric. Genom att utveckla ditt program direkt ovanpå Fabric kan du sömlöst använda och manipulera dessa Infrastrukturfunktioner i ditt eget programs gränssnitt.

Du kanske är intresserad av det här mönstret om du:

  • Skapar ett program som ska användas av dataexperter eller andra användare med mer omfattande datahanteringsbehov.
  • Vill du inkludera omfattande alternativ för datalagring och bearbetning i ditt program.
  • Vill skapa ett program från grunden eller ändra ett befintligt.

De viktigaste fördelarna med den här metoden är:

  • Integrera Fabrics datafunktioner direkt i din lösning.
  • Hantera och manipulera data i ditt eget program.
  • Skapa ditt program med fullständig anpassning och kontroll.

Skapa på infrastrukturresursscenario

Contosos kunder har uttryckt ett behov av mer komplexa datafunktioner. Mellan spårning av försäljningstrender, scheman för anställda, inventering för digitala butiker och personliga butiker och mer i flera klientorganisationer kräver de mycket mer stöd för databearbetning i sitt nya program.

För att mer effektivt hantera kunddata utvecklade Contoso ett nytt program som bygger på Fabric. Med det här programmet kan användarna interagera direkt med sina data och interagera med dem i Contosos program. Genom att utnyttja Fabrics databehandlingsfunktioner kan deras program:

  • Anslut till OneLake, Power BI och mer direkt i programmet, som kan visas via anpassade instrumentpaneler som skapats av Contoso.
  • Ge datainsikter om lönsamhet från kategorier som online- eller personliga butiker, olika butiksplatser och efter produktvarumärke och kategori.
  • Använd AI för att analysera dessa data och ge insikter och förslag till kunder, till exempel föreslå en ändring av prissättningen för en produkt, förutsäga potentiella störningar och identifiera avvikande värden i intäktsströmmar.
  • Ge Contosos kunder direkt åtkomst till sina Fabric-data på Contosos plattform.

Genom att bädda in Fabrics funktioner i deras program kan de hantera och manipulera data direkt i sin lösning. Ai:n som de har byggt vidare på sin lösning kan komma åt dessa data och tillhandahålla personliga affärsinsikter för Contosos kunder.

Skapa en infrastrukturarbetsbelastning

Förutom att skapa med Fabrics sju interna arbetsbelastningar kan ISV:er utöka Fabrics funktioner genom att skapa egna anpassade arbetsbelastningar och erbjuda dem som en separat lösning. Dessa arbetsbelastningar kan byggas från grunden för att leverera en mängd funktioner för datahantering, oavsett om det är att skapa en mer holistisk vy över dina kunders data eller vidta åtgärder baserat på datatrender och förutsägelser.

ISV:er kan använda Microsoft Fabric Workload Development Kit för att skapa sin egen arbetsbelastning och publicera den som ett SaaS-erbjudande för andra Fabric-användare på Azure Marketplace. Det här mönstret är enkelt att tjäna pengar på Azure Marketplace och använder Fabric UX när du interagerar med kunder, vilket gör att du kan fokusera på att utveckla din arbetsbelastning.

Du kanske är intresserad av det här mönstret om du:

  • Vill skapa ett verktyg som är tillgängligt för slutanvändare på Infrastrukturresurser, till exempel andra utvecklare eller dataforskare.
  • Se ett databehov eller krav som du vill hantera med Infrastrukturresurser.
  • Vill använda Microsoft-support som befintlig UX och enkel publicering på Azure Marketplace.

De viktigaste fördelarna med den här metoden är:

  • Publicera ditt program på Azure Marketplace, där det enkelt kan nås och köpas av tekniska slutanvändare i Fabric.
  • Skapa mycket anpassningsbara lösningar som är direkt anpassade till dina kunders datakrav.

Skapa ett arbetsbelastningsscenario för Infrastruktur

Contoso vill skapa lösningar som kan användas av sina detaljhandelskunder för att spåra leveranskedjor och lagerhantering i både digitala och personliga butiker för flera klientorganisationer. De vill att deras program ska vara lättillgängligt för tekniska slutanvändare så att de kan använda dem mer för sitt datadrivna program.

Med Microsoft Fabric Workload Development Kit kunde Contoso utveckla en arbetsbelastning som deras kunder kan komma åt direkt från Fabric i ett användargränssnitt som de är bekanta med. De kunde tjäna pengar på det som ett SaaS-program på Azure Marketplace, där det är lättillgängligt för Contosos slutanvändare på Fabric-plattformen. Deras infrastrukturarbetsbelastning kan:

  • Optimera inventeringen genom att ge insikter om områden som behöver ytterligare efterfrågan och använda AI-funktioner för att föreslå en väg framåt.
  • Prognostisera framtida efterfrågan via maskininlärningsfunktioner som analyserar tidigare trender.
  • Simulera möjliga scenarier som kan påverka leveranskedjan, till exempel att byta leverantör.

Genom att erbjuda sin lösning som en Infrastrukturarbetsbelastning kan Contoso hjälpa dataexperter och andra tekniska experter att optimera leveranskedjorna. Contosos kunder får större insyn i sin verksamhet genom AI:s noggranna analys av tidigare data och förutsägelser om framtida trender.

Slutsats

Genom att lära dig om varje mönster och deras funktioner bör du nu vara utrustad för att bestämma hur du ska skapa din generativa AI-lösning. När du har undersökt din valda metod och bekräftat att den ligger inom dina funktioner kan du börja utveckla ditt program.

Utforska resurserna nedan för att lära dig mer om ditt valda mönster samt andra nästa steg för att skapa din generativa AI-upplevelse.

Skapa en egen andrepilot

Länkar till mer information för varje version av ditt eget copilot-mönster:

Mer information om hur du skapar en app i Infrastrukturresurser

Länkar till mer information om hur du skapar appar på Infrastrukturresurser:

Mer information om generativa AI-mönster och deras fördelar: Skapa generativa AI-upplevelser med Microsoft Cloud – en guide för ISV:er | Microsoft Learn

UX-vägledning för ISV:er som utformar generativa AI-upplevelser: Nästa steg för att utforma din generativa AI-användarupplevelse.

  • Last updated on