Schulungsübersicht
Einführung in AI Builder und Low-Code KI
- Fähigkeiten und gängige Anwendungsszenarien von AI Builder
- Lizenzierung, Governance und mandantenspezifische Überlegungen
- Überblick über die Integrationen in Power Platform (Power Apps, Power Automate, Dataverse)
OCR und Dokumentverarbeitung: Strukturierte und unstrukturierte Dokumente
- Unterschiede zwischen strukturierten Vorlagen und Freiformdokumenten
- Vorbereitung der Trainingsdaten: Feldmarkierungen, Stichprobenvielfalt und Qualitätsrichtlinien
- Erstellung eines AI Builder-Modells zur Dokumentverarbeitung und Bewertung der Extraktionsgenauigkeit
- Nachbearbeitung extrahierter Daten: Validierung, Normierung und Fehlerbehandlung
- Praxisübung: OCR-Erfassung aus gemischten Formulartypen und Integration in einen Verarbeitungs-Flow
Vorhersagemodelle: Klassifizierung und Regression
- Problemstellung: qualitative (Klassifizierung) versus quantitative (Regressions-)Aufgaben
- Feature-Vorbereitung und Umgang mit fehlenden Daten in Power Platform-Workflows
- Training, Testen und Interpretieren der Modellmetriken (Genauigkeit, Precision, Recall, RMSE)
- Erklärbarkeit und fairen Aspekten der Modelle bei Geschäftsanwendungen
- Praxisübung: Erstellung eines eigenen Vorhersagemodells für Churn-/Punktwert oder numerische Prognosen
Integration mit Power Apps und Power Automate
- Einbetten von AI Builder-Modellen in Canvas-Apps und modellbasierte Apps
- Automatisierte Flows zur Verarbeitung extrahierter Daten und Auslösung von Geschäftsaktionen erstellen
- Designpatterns für skalierbare, wartbare KI-gestützte Applikationen
- Praxisübung: End-to-End-Szenario — Dokument-Upload, OCR, Vorhersage und Workflow-Automatisierung
Ergänzende Process-Mining-Konzepte (optional)
- Wie Process Mining hilft, Prozesse zu entdecken, zu analysieren und mittels Event-Logs zu verbessern
- Nutzung der Process-Mining-Ergebnisse zur Bestimmung von Feature-Ausprägungen und Automatisierung von Verbesserungsloops
- Praxisbeispiel: Kombination von Process-Mining-Erkenntnissen mit AI Builder, um manuelle Ausnahmen zu reduzieren
Aspekte für den Produktiveinsatz, Governance und Monitoring
- Daten-Governance, Datenschutz und Compliance bei der Verwendung von AI Builder für sensible Dokumente
- Modell-Lebenszyklus: Nachschulung (Retraining), Versionierung und Leistungs-Monitoring
- Operationalisierung der Modelle mittels Alerts, Dashboards und manueller Validierung durch Menschen (Human-in-the-Loop)
Zusammenfassung und weitere Schritte
Voraussetzungen
- Erfahrung mit Power Apps, Power Automate oder der Administration von Microsoft Power Platform
- Vertrautheit mit Datenkonzepten, grundlegenden ML-Grundlagen und der Modellauswertung
- Erfahrung im Umgang mit Datensätzen, Excel-/CSV-Exporten und grundlegender Datensäuberung
Zielgruppe
- Power Platform-Entwickler und Lösungarchitekten
- Datenanalysten und Prozessverantwortliche, die Automatisierung durch KI anstreben
- Leiter der Geschäftsautomatisierung mit Fokus auf Dokumentverarbeitung und Prognoseanwendungsfälle
Erfahrungsberichte (2)
Wir haben ziemlich komplexe Beispiele durchgegangen, um ein Gefühl dafür zu bekommen, wie die Arbeit mit Power Automate Desktop in einem realen Szenario aussehen kann.
Michal Strnad - MicroNova AG
Kurs - Microsoft Flow/Power Automate
Maschinelle Übersetzung
Dynamisch, anpassungsfähig und informativ
Marcia - Complete Coherence
Kurs - Microsoft Power Platform Fundamentals
Maschinelle Übersetzung