Pat datang semuanya di podcast MC65FM. Hari ini kita akan membahas lebih jauh dari sekadar percakapan paling umum seputar rekayasa perintah. Microsoft 3NASA sentuh, Mulu 5. Copilot karena salah satu organisasi mulai menggunakan Copilot secara serius, pertanyaannya dengan cepat berubah dari bagaimana cara menulis perintah yang lebih baik menjadi bagaimana cara menghubungkan Copilot ke aplikasi, data, aplikasi, proses bisnis dan pengetahuan yang benar-benar berjalan di perusahaan kita. Disinilah ekstensibilitas Copilot menjadi menarik. Pengujian Tamu saya hari ini adalah EFAS Harvest, Microsoft MVP, konsultan aplikasi bisnis, AI, grup Word, Word di Sui Suis. EFAS bekerja di Microsoft 365, Azure Dynamics 365, dan Power Platform dengan fokus khusus pada perluasan Microsoft 365 Copilot melalui eken dan pengembangan khusus. Kita akan menjelajahi ekstensibilitas Microsoft 365 Copilot, Copilot Studio, Microsoft Azure Foundry, saya tidak tahu, mereka mengubah nama Microsoft Graph, pengembangan khusus MCPS, dan seterusnya.

Jadi ya, selamat datang di podcast MC65. Ya, halo semuanya. Terima kasih telah mengundang saya. Ini benar-benar kesempatan yang sangat bagus bagi saya untuk ada sih. Terima kasih telah mengundang saya. Ya, saya berterima kasih. Sebelum kita membahas hal teknis, bisakah Anda ceritakan sedikit tentang perjalanan Anda? Bagaimana Anda bisa masuk ke ekosistem Microsoft? Ya, ya. Anda sejujurnya saya mulai keadaan saya, bukan?

Dia bisa beri, Pak. Saya adalah seorang insinyur perangkat lunak di platform mic, dan setelah itu saya pindah ke IOS, salah semacam itu. Dan, oh, itu sudah lama sekali, dan mungkin seperti saya tidak tahu, 15 atau 20 tahun yang lalu, saya pindah ke pekerjaan Microsoft. Sejujurnya, saya memulai karir saya di Sharp, di Sharp.

Dan setelah itu saya pindah ke cloud Azure M365. Kalau saya mengasah di tempat, saya mulai seperti ini. Dan setelah saya pindah ke semua layanan cloud. Dan di akhir, platform PO, dan yang terbaru, semua hal tentang AI. Sejujurnya. Karena sekarang ini menjadi bagian besar di M2 Sanma 265. Karena Anda memiliki transisi agenik sekarang. Dan pada dasarnya, ini singkatnya, perjalanan saya. Namun, saya memulai karir saya di dunia rekayasa perangkat lunak, yang saat ini mungkin merupakan kata yang banyak orang lupakan. Karena kita, Anda memiliki semua hal tentang AI sekarang, dan pada dasarnya aktivitas atau pekerjaan semacam ini, telah beralih ke AI. Jadi, ini sangat berbeda dari 20 tahun yang lalu hingga sekarang. Ya, Anda bekerja, Anda mengatakan Anda bekerja dengan SharePoint, dan saya melihat Anda juga bekerja dengan platform daya dinamis GraphSpeak. Bagaimana latar belakang mempersiapkan Anda untuk generasi pengembangan AI saat ini?

Pada dasarnya, profil saya brep sangat luas. Karena dalam karir saya, saya dulu bekerja dengan banyak produk. Bisa jadi produk Microsoft dan non-Microsoft. Jadi, pada dasarnya saya memiliki banyak keterampilan dalam berbagai teknologi dan alat. Jadi, semua pekerjaan saya memberi saya latar belakang yang bagus. Karena sekarang dengan AI, ini adalah topik yang khusus, ini adalah topik yang khusus. Karena Anda memiliki berbagai jenis pendekatan, berbagai jenis teknologi untuk melakukan AI sekarang. Ini bisa menjadi agen, bisa lebih banyak alur kerja, hal-hal semacam ini. Jadi, pada dasarnya semua pekerjaan saya sebelumnya, memberi saya banyak keterampilan untuk siap menghadapi transisi AI ini sekarang, sejujurnya. Jadi, saya beralih ke kode rendah, ke alat kode non-proc. Jadi, semua peluang dan aktivitas dalam pekerjaan saya memberi saya keterampilan yang bagus untuk memanfaatkan dunia AI sejujurnya.

Dan sekarang Anda adalah pemimpin pengujian AI. Apa yang dipimpin oleh pemimpin pengujian AI? Itu pertanyaan yang sangat bagus karena banyak orang bertanya kepada saya. Jadi, tugas saya hanya mencocokkan spesifikasi fungsional dengan teknis, dengan tumpukan teknis. Jadi, saya yang memimpin ketika analisis bisnis telah dibuat. Kami telah mendefinisikan kasus penggunaan dalam AI untuk hal-hal AI. Kami telah mendefinisikan skenario kasus penggunaan. Kami telah melakukan Divi, kami telah membuat analisis bisnis lengkap. Dan tugas saya adalah, oke, saya mengambil kebutuhan ini dan saya mencocokkan kebutuhan dengan tumpukan teknis di balik layar. Dan setelah itu, saya memimpin semua penerapan alat dan solusi ketika kami siap untukmu. Mulai mengembangkan. Ya, menarik sebenarnya saya banyak perusahaan membeli pelatihan karyawan mereka, terutama untuk rekayasa cepat dan mengapa Anda. Mengatakan itu tidak cukup.

Hanya rekayasa cepat yang Anda maksud saat ini? Ya, ya. Mengapa, mengapa, mengapa? Mereka, mengapa, itu hanya Anda tahu, mengapa bagi perusahaan. Tidak cukup hanya mengajarkan orang-orang teknik yang cepat. Ah, ya, oke. Saya mengerti. Oke. Ya, ya. Pada dasarnya, sejujurnya saat ini Anda memiliki, seperti yang saya katakan sebelumnya, Anda memiliki banyak alat dan teknologi yang berbeda. Jadi, dan pada dasarnya, pada titik tertentu, AI dapat memahami apa yang harus dilakukan dan mungkin sedikit membimbing Anda. Tetapi, peran misalnya arsitek atau perancang perangkat lunak, Anda perlu memiliki manusia di belakang layar karena Anda perlu memahami pelanggan.

Pada dasarnya, AI terkadang tidak dapat memahami konteks pelanggan. Oh, Anda lihat di sana jaringan penuhnya. Tetapi, di balik layar, untuk hanya fokus pada rekayasa cepat, itu bisa jadi bagus di beberapa titik. Tetapi, Anda perlu memiliki lebih banyak. Karena Anda perlu memiliki di balik layar beberapa orang yang arsitek rekayasa perangkat lunak di balik layar. Dan pada dasarnya, banyak orang yang memiliki keterampilan dalam teknologi informasi, seperti SharePoint, seperti OneDrive, seperti saya tidak tahu, atau Salesforce, hal semacam ini. Anda perlu memiliki spesialis dalam teknologi tersebut karena AI dapat memahami banyak hal. AI dapat memandu Anda. Anda dapat menghasilkan beberapa dokumen teknis atau fungsional yang hebat. Tetapi, Anda perlu memiliki manusia di balik layar yang mengurus oke apakah itu bagus, apakah itu menjauh kebutuhan pelanggan hal semacam ini yang Anda lihat untuk memvalidasi semuanya.

Dan hanya berfokus pada rekayasa cepat. Bagi saya sekarang, ya itu bisa jadi pilihan jika Anda tidak punya waktu untuk berlatih atau berinvestasi dalam memperoleh beberapa keterampilan. Namun bagi saya, Anda harus memiliki keterampilan yang baik dalam teknologi dasar tempat Anda ingin membangun solusi, sejujurnya. Dan Anda ahli dalam ekstensibilitas Copilot, di mana Copilot Microsoft 65 standar berhenti, dan di mana ekstensibilitas Copilot dimulai? Ih, ya itu pertanyaan yang bagus. Karena sejujurnya, dua tahun lalu ketika Copilot dirilis dan mungkin versi pertama, pada dasarnya obrolannya sejujurnya sangat-sangat minimalis. Pada dasarnya, Anda bisa oke itu seperti obrolan GPT, tetapi Microsoft telah banyak mengembangkan Microsoft 365 Copilot. Pada dasarnya, sekarang Anda memiliki berbagai jenis fitur, jadi sekarang ekstensibilitasnya kurang dari sebelumnya karena di masa lalu Anda. Saya mengembangkan beberapa plugin hal-hal semacam ini, tetapi saat ini sejujurnya, saat ini ekstensibilitasnya adalah ketika Anda ingin membangun sesuatu.

Dan kami ingin menyesuaikan, pada dasarnya, orkestrator, atau Anda ingin mempersonalisasi sedikit lebih banyak, misalnya antarmuka pengguna. Jika Anda ingin mengintegrasikan agen Anda, tidak hanya di obrolan Microsoft 365, tetapi misalnya di situs web Anda, jenis ini, jadi ekstensibilitas dimulai ketika Anda ingin. Pada dasarnya, lebih banyak menyesuaikan di balik layar, Anda ingin menyesuaikan sedikit lebih banyak. Bisa jadi orkestrator, jika Anda ingin menyesuaikan orkestrator, jika Anda ingin menyesuaikan antarmuka Anda, jika Anda ingin menyesuaikan aspek yang berbeda.

Dimana pada dasarnya, obrolan Copilot tidak dapat menjawab ezen. Dan saya pikir banyak orang berbicara tentang agen, apa sebabnya, mengapa kita pikir sekarang banyak sekali agen Copilot, dan mengapa kita tidak membangun, saya tidak tahu, apa satu Copilot besar untuk semuanya. Ya, itu sangat menarik, karena sekarang sejujurnya Microsoft, seperti yang saya katakan sebelumnya, telah banyak berkembang, telah banyak berkembang. Dan mungkin jika kita enam bulan sebelumnya, oke, agen adalah topik. Sekarang Microsoft telah memperkenalkan Copilot, dan secujurnya saat ini Copilot dapat menggantikan banyak agen. Dan sementara kita berpikir tentang, uh, agen, itu hanya untuk memisahkan hal-hal. Karena sekarang kita lebih dalam model multi-agen, dimana setiap agen memiliki ruang lingkup dan tanggung jawabnya sendiri. Dan kita tidak melakukan Copilot besar pada dasarnya, itu sederhana. Karena kinerja, pertama, karena ketika Anda memiliki sedikit instruksi dan perkakas dalam hal kinerja, itu akan menjadi berantakan.

Dan arsitekturnya sekarang lebih multi-agen, bisa di Copilot studio, bisa di agen pengembangan khusus dalam hal kodetur atau pengembangan khusus. Namun saat ini lebih baik memiliki pendekatan multi-agen, dimana setiap agen memiliki ruang lingkup dan tanggung jawabnya sendiri dalam hal kinerja, dan memiliki arsitektur yang jelas dalam hal agen shopender. Dan ketika kita melihat ini, oke, saya pikir arsitektur agen AI dasar, maka kita memiliki, saya katakan, say, berapa kata sandi? Kita kata sandi.

Namun kita harus memikirkan alasan, alat pengetahuan, dan instruksi dalam instruksi. Bagaimana ini cocok dengan arsitektur agen AI? Oke, hal pertama yang perlu dipikirkan salah satu pertanyaan pertama yang perlu Anda jawab adalah, oke, apa tujuannya? Tujuan pertama dari agen ini, pada dasarnya setelah arsitektur agen, itu benar-benar bergantung pada apakah Anda menggunakan pendekatan kode rendah atau pendekatan pengembangan khusus. Karena pendekatannya benar-benar berbeda, karena dalam pendekatan pengembangan khusus, Anda mengelola semuanya, jadi Anda mengelola keamanan, mengelola hosting, mengelola banyak hal yang berbeda. Dalam pendekatan kode rendah, itu benar-benar berbeda, karena Anda berpikir tentang, oke, Anda memberikan instruksi, Anda memilih beberapa alat. Jadi pada dasarnya, arsitektur dalam pendekatan kode rendah benar-benar tidak sesederhana yang saya katakan tadi, tetapi bisa sangat cepat.

Karena Anda dapat menentukan, oke, Anda memiliki instruksi, Anda dapat memilih alat Anda, Anda dapat memilih agen lain yang berbeda jika Anda ingin terhubung yins. Tetapi itu benar-benar sederhana, ketika Anda berurusan dengan pengembangan khusus, atau ketika Anda mengembangkan agen Anda sendiri. Itu bisa berupa, misalnya semantik the kernel, agen farmer, hal-hal semacam ini. Arsitektur artik bisa jadi lebih rumit, karena Anda perlu berurusan dengan konsep yang benar-benar canggih, seperti yang saya katakan, keamanan. Dalam hal autentikasi, jika Anda memiliki banyak, misalnya multi alat, dan Anda ingin mengintegrasikan beberapa NCP, jika Anda ingin terhubung ke alat internal yang dilindungi oleh beberapa proksi terbalik hal-hal semacam ini. Jadi pada dasarnya, Anda perlu lebih banyak merenungkan dalam hal arsitektur saat Anda berurusan dengan agen khusus, misalnya di Copilot Studio. Dalam hal arsitektur, Anda harus benar-benar cepat mendefinisikan arsitektur.

Dalam pendekatan pengembangan khusus, Anda harus berurusan dengan konsep canggih. Dan bagi banyak orang, itu bisa jadi sulit, karena itu benar-benar aspek mendasar. Dan sejujurnya, dalam pekerjaan saya, saya harus berurusan dengan banyak kebutuhan yang berbeda. Bisa berupa pengembangan khusus, bisa berupa Copilot Studio, bisa berupa agen sederhana di agent builder dengan tampilan yang sangat sederhana. Jadi pada dasarnya, mendefinisikan arsitektur benar-benar didasarkan pada pendekatan mana yang ingin Anda ambil. Pada dasarnya, Anda memiliki arsitektur umum yang dapat Anda buat, tetapi setelahnya itu benar-benar bergantung pada pendekatan yang Anda inginkan. Kode randa atau kode khusus, Anda lihat.

Tetapi bisakah kita, bisakah Anda menjelaskan anatomi agen AI perusahaan yang umum?

Ayah, saya bisa. Pada dasarnya, jika Anda ingin berbicara sesederhana, mungkin ketika Anda memiliki kebutuhan, misalnya bisa jadi agen dukungan TI, misalnya pada dasarnya, bisa jadi Anda memiliki sekumpulan pada dasarnya. Tetapi setelahnya saat ini, seperti yang saya katakan, Anda memiliki pendekatan. Multi-agent ini pada dasarnya. Saya menempatkan agen pertama sebagai bagian depan, eh seperti bagian depan. Jadi ini adalah, agen depan dan agen depan ini akan merutekan semua permintaan, misalnya ke agen yang berbeda. Jadi misalnya, jika pembuna bertanya tentang pertanyaan Salesforce yang tidak saya ketahui, dia akan merutekan semua permintaan ke agen dukungan TI Salesforce. Anda lihat, pada dasarnya untuk beberapa pelanggan, kami telah membuat arsitektur semacam ini karena setiap agen mengurusi cakupannya. Bisa untuk produk seperti Salesforce, bisa untuk M365 dan hal semacam ini. Dan di balik layar, setiap agen memiliki serangkaian instruksi dan serangkaian dua.

Dan saat ini lebih baik menggunakan server MCP, karena server MCP sekarang menjadi colokan universal untuk mengintegrasikan berbagai layanan dengan AL. Jadi saya memiliki serangkaian server MCP, dan saya juga memiliki beberapa sumber pengetahuan internal. Bisa seperti Jira, bisa jadi basis pengetahuan layanan sekarang, hal-hal semacam ini. Jadi Anda memiliki serangkaian instruksi per agen, dan instruksi ini mendefinisikan cakupan agen dan peran masing-masing agen. Dan setelah Anda memiliki sekumpulan server MCPS, dan mungkin sumber pengetahuan bisa berupa file PDF. Jadi bisa jadi itu bisa berupa banyak jenis sumber data.

Dan setelah maaf, ketika pengguna meminta misalnya ke agen utama, setelah itu akan mendefinisikan, PSF perlu mendelegasikan tugas ini ke agen masing-masing.

Mari kita lihat sedikit kemungkinan atau ke dalam Copilot Studio di mana ia cocok dengan arsitektur keseluruhan? Dan Copilot Studio sejujurnya itu adalah alat lokal dari Microsoft. Jadi pertama, dan dalam hal arsitektur, Copilot Studio benar-benar dikotori untuk pembuat pada dasarnya, untuk orang-orang yang bukan pengembang terlebih dahulu. Dan dalam hal arsitektur pada dasarnya, misalnya jika kita mengambil contoh yang saya ambil sebelumnya, dukungan TI, misalnya Copilot Studio akan cocok. Karena dalam hal arsitektur, Copilot Studio akan melakukan pekerjaan itu karena Anda dapat mendefinisikannya, Anda dapat mendefinisikan server NCP, Anda dapat dengan mudah mengintegrasikan beberapa sumber pengetahuan eksternal atau sumber pengetahuan internal, jika Anda mau. Setelah itu, seperti yang saya katakan sebelumnya, jika misalnya Anda memiliki kasus penggunaan di mana Anda ingin sedikit menyesuaikan orkestrator, karena di balik layar Copilot Studio Anda tidak dapat menyesuaikan orkestrator, jadi Anda mengaktifkan orkestrator AI, itu saja, itu saja.

Anda tidak dapat menyesuaikan prioritas utama, misalnya tugas yang ingin Anda capai, karena di balik layar Compiler Studio akan menentukan rencana Anda, dan setelah itu Anda akan menjalankannya. Namun, jika Anda ingin memiliki sedikit kustomisasi lebih lanjut dalam kasus ini, Anda perlu menggunakan pengembangan kustom dengan, misalnya, semantic kernel, long chain, sebuah kerangka kerja, yang baru-baru ini dirilis Microsoft, karena Microsoft telah melilis kerangka kerja ini, dan dalam PH ini Anda dapat, dengan mudah menyesuaikan orkestrasi, Anda dapat menentukan beberapa alur kerja, Anda dapat menyesuaikan apa yang Anda inginkan. Itulah Copilot Studio sebagai arsitektur yang benar-benar didefinisikan, secara divi untuk membangun dan pembuat, karena sangat mudah untuk memiliki agen yang bekerja.

Satu-satunya masalah dengan Copilot Studio, dan Anda perlu mengurus ini, karena ketika Anda menentukan, ketika Anda memilih jalur Anda, dan mungkin Anda menentukan arsitektur Anda, Anda perlu mengurus lisensi, karena itu adalah bagian besar dari setiap solusi sekarang.

Dan saat ini, Copilot Studio telah sedikit berevolusi menjadi model bayar sesuai penggunaan, dan Anda perlu memperhatikan estimasi biaya, karena berdasarkan apa yang ingin Anda capai, terkadang lebih baik membuat pengembangan khusus, karena setelah Anda menghosting tempat yang Anda inginkan, dan Anda mengurus semua biaya, dan Anda dapat memperkirakan dengan lebih mudah daripada sekarang.

Karena dengan pendekatan kredit Copilot, terkadang sulit untuk memperkirakan berapa biayanya untuk satu bulan, dua bulan, dan hal-hal semacam ini. Dan apa saja batasan dari Copilot Studio? Studio, ketika saya harus memilih, maka saya pikir, ya, Microsoft Foundry Azure, Foundry saya tidak tahu apa nama sebenarnya, dan ketika saya harus berkata, oke, saya harus melakukan pengembangan yang sepenuhnya khusus.

Eh, pertanyaan pertama yang harus dijawab adalah, oke, apakah saya perlu menyesuaikan, eh, orkestrasi? Itu pertanyaan pertama saya, karena pertanyaan ini akan memberi tahu Anda. Oke, jika Anda tidak ingin menyesuaikan orkestrasi, untuk mendalami secara mendalam oke, bagaimana semua orkestrasi dibuat, atau rencana dibuat, Anda dapat menggunakan pendekatan kode rendah dengan video Copilot. Eh, misalnya, pembuat. Juga terkadang ketika Anda memiliki kasus pengguna yang sederhana, Anda dapat menggunakan alat semacam ini.

Namun, jika Anda ingin menyesuaikan orkestrasi, oke, Anda perlu masuk ke pengembangan spesifik, dan dalam kasus ini Anda perlu, oke, Anda perlu menggunakan Foundry untuk modelnya, atau jika Anda memiliki platform sendiri, karena keuntungan dari pengembangan kustom adalah, Anda dapat mengintegrasikan model yang tidak dihosting di Microsoft Fungi.

Jika Anda mau, Anda dapat menggunakan model Fungi, tetapi juga jika Anda memiliki AWS atau Google Platform, Google-Google Platform Google-Google Maaf, dan Anda telah menyebutkan kemini. Misalnya, atau Anda telah menerapkan model secara eksternal, Anda memiliki kemampuan untuk mengintegrasikan model tersebut secara langsung di agen Anda saat Anda menggunakan pendekatan kustom. Ini juga merupakan keuntungan. Dan setelah Anda dapat menyesuaikan orkestrasi, bagaimana rencana dibuat, semua hal akan masuk ke agen Foundry. Masalah Foundry saat ini adalah pada awalnya Foundry, hanyalah platform hosting model. Ketika Anda melihat kembali beberapa tahun yang lalu, itu seperti katalog. Model sederhana dan Anda menerapkannya. Saat ini, Microsoft telah mengembangkan produk ini agar memiliki. Seperti, Anda dapat membuat agen dengan Copilot Studio seperti antarmuka pengguna pada dasarnya tanpa kode apapun.

Anda dapat mengelola tata kelola, Anda dapat mengelola banyak hal menjadi platform yang benar-benar agen seperti Copilot Studio untuk log code dan hal-hal semacam itu. Dan saat ini Foundry benar-benar sulit ditempatkan di ekosistem karena Foundry berkembang pesat. Dan pada dasarnya, Microsoft telah memperkenalkan beberapa fitur yang benar-benar saya tidak tahu, tidak berbeda, tetapi ada kesamaan dengan Copilot Studio dalam hal integrasi MCP, hal-hal semacam ini. Tetapi, setelah Copilot Studio, batasan utamanya adalah tentang model. Jadi Anda memiliki kemampuan untuk mengintegrasikan kode atau memvisualisasikan berbagai hal. Namun jika Anda ingin mengintegrasikan misalnya model Anda sendiri, karena Anda memiliki versi model tertentu, Anda tidak dapat melakukannya. Dan pada dasarnya, Anda perlu menggunakan pengembangan khusus untuk mengintegrasikan milik Anda sendiri, misalnya platform LM jika Anda memilikinya.

Saya memiliki pelanggan yang memiliki platform AWS mereka sendiri. Dalam kasus ini, Anda dapat mengintegrasikan model ini dengan harga yang dikelola secara eksternal. Dan menurut saya, ketika kita membangun topik agen satu, itu juga semua perang.

Kebanyakan orang membicarakannya sebagai MCP, protokol konteks model. Mengapa itu menjadi salah satu topik terbesar dalam pengembangan agen dan bagi seseorang yang belum pernah bekerja dengannya, apa itu protokol konteks model? Ya, itu kata yang besar. Pada dasarnya banyak orang membicarakannya, karena itu memecahkan masalah besar. Itulah cara menyatukan, cara menyatukan integrasi berbagai alat keterampilan. Mungkin saya tidak tahu perkakas eksternal ke AI, dan itu memecahkan masalah ini. Karena di masa lalu, tanpa MCP, semuanya menjadi kacau karena banyak layanan yang berbicara secara berbeda. Anda memiliki protokol teknologi yang berbeda, Anda memiliki pendekatan arsitektur yang berbeda, dan pada dasarnya MCP menyatukan atau Anda mengintegrasikan layanan ke agen AI atau solusi AI jika saya lebih umum. Tetapi MCP sekarang benar-benar merupakan cara untuk mengintegrasikan perkakas eksternal atau perkakas internal.

Bisa jadi keduanya. Tetapi MCPM sekarang merupakan bagian besar dari arsitektur AI karena Anda memiliki kesatuan dalam hal teknologi. Dan saat ini, itu menjadi poin penting karena di masa lalu itu adalah integrasi API dan sekarang menjadi MCP.

Ini bukan evolusi, tetapi di masa lalu Anda mengintegrasikan agen Anda dengan API. Anda perlu mengelola, oke, cara mengautentikasi atau mengelola itu. Atau memanggil alat tersebut. Sekarang AI dapat, oke, saya memiliki alat ini tersedia, saya dapat memilih apa yang saya perlukan untuk mencapai tujuan.

Dan apa yang benar-benar berubah di MCP ke API, koneksi? Pada dasarnya, di masa lalu, dalam hal integrasi, pada dasarnya API tidak cerdas. Jika saya dapat mengatakan bahwa API hanya, oke, Anda memanggil, Anda memanggil alat dan alat tersebut memberi Anda data. Perbedaannya dengan MCP adalah MCP lebih cerdas dalam hal arsitektur karena, di balik layar, Anda tidak hanya memiliki alat yang memberi Anda data atau informasi, tetapi Anda juga memiliki keterampilan dalam instruksi dan berbagai jenis hal yang membuat MCP benar-benar cerdas. Pada dasarnya, MCP dapat memberikan AI. Oke, Anda ingin mencapainya? Saya dapat memberikan Anda alat yang tepat, yang sesuai dengan permintaan Anda. Dan Anda dapat memanggil, tidak hanya satu alat, tetapi Anda perlu memanggil alat-alat ini untuk mencapai Anda inginkan. Inilah peran MCP. MCP memberikan AI. Oke, saya memiliki alat-alat ini. Dan setelah itu Anda dapat memanggil yang ini atau yang ini atau yang ini atau beberapa alat untuk mencapai tujuan Anda.

MCP memberikan Anda, memberikan AI konteks, konteks sebenarnya dari semuanya, dan API. Oke, Anda memiliki alat, Anda memiliki deskripsi, dan itu saja. Jadi, apa itu? Protokol konteks model. Saya rasa mirip dengan metadata atau bagaimana cara kerjanya? MCP di balik layar. Itu hanya protokol. B pada dasarnya ini adalah protokol teknologi. Dan di balik layar Anda memiliki, ya Anda memiliki metadata, Anda memiliki deskripsi, Anda memiliki keterampilan AI yang lebih banyak dijelaskan. Ini benar-benar berfokus pada AI. Pada dasarnya Anda memiliki keterampilan. Anda memiliki instruksi. Dan pada dasarnya AI dapat memahami dengan lebih baik. Oke, melakukan itu. Alat ini melakukan itu. Oke, saya dapat memanggil keterampilan ini. Saya dapat meminta informasi ini ke server MCP untuk mencapai apa yang mungkin saya minta.

Tetapi Anda memiliki bagian dari metadata. Karena Anda perlu mendefinisikan nama alat tersebut, apa yang dilakukan di balik layar.

Dapatkah kita mengatakan masa depan adalah MCP? Oke, jadi kita harus mulai berpikir tentang, saya tidak tahu perusahaan memiliki 100 res API di dalam organisasi, haruskah mereka mulai membangun server MCP di sekitarnya?

Ya, pada dasarnya, pada dasarnya server MCP, kami bekerja dengan API di balik layar. Ini pada dasarnya bukan pengganti. Kalau Anda, kalau saya rangkum ini. Karena server MCP itu oke saja. U ini memberikan konteks dan di balik layar MCP dapat memanggil API di balik layar. Tetapi server MCP adalah front end. Bagian depan U, bagian depan U, bagian depan. alat yang perlu Anda panggil. Karena di balik layar Anda akan mengirimkan U, permintaan Anda berdasarkan oke, bid. Di balik layar. Bisa jadi API, bisa jadi basis data, bisa jadi banyak alat. Tetapi Anda perlu, jika ingin memiliki server MCP Anda sendiri, misalnya jika Anda memiliki API internal di perusahaan Anda dan Anda memiliki berbagai jenis layanan. Bisa jadi saya tidak tahu, layanan keuangan bisa jadi layanan SDM. Jika Anda ingin membangun MCP Anda sendiri, Anda perlu menangani bidang ini dengan semua API ini dan server MCP yang akan kita perlukan untuk mengekspos semua API ini.

Apa saja layanannya, apa saja alat yang tersedia, apa saja keterampilannya, dan hal-hal semacam ini.

Setelah itu Anda perlu menangani autentikasi di balik layar karena API tidak bekerja. Dengan cara yang sama karena Anda dapat memiliki autentikasi dengan kunci. Dengan memasukkan hal semacam ini, jadi Anda perlu menanganinya. Tetapi MCP akan mengekspos alat yang tersedia dan di balik layar semua alat ini dapat meminta banyak API. Satu API bisa jadi Anda memiliki berbagai jenis arsitektur di balik layar.

Dan bagaimana MCP memilih alat yang tepat ketika saya tidak tahu 100-500 agen AI?

Itu akan didasarkan pada hal-hal pertama. Pada dasarnya ketika Anda memiliki permintaan di agen, Anda akan menemukan semua alat yang tersedia. Server MCP akan memeriksa, oke, saya memiliki semua alat ini. Pada dasarnya,

pengatur agen akan mengerti, oke, saya punya ini, saya punya LM yang tersedia. Setelah itu Anda akan membuat rencana. Jika saya rangkum sedikit, Anda akan membuat rencana dengan beberapa tindakan yang harus dilakukan. Dan setelah itu, dalam tindakan ini, dalam tindakan yang ingin Anda jalankan, Anda dapat memanggil 1, 2, 3 atau lebih alat untuk mencapai tugas yang diminta pengguna. Jadi pada dasarnya, pengatur agen akan memahami alat MCP dan memilih yang terbaik untuk permintaan tersebut. Anda lihat. Dan ini benar-benar peran orkestrasi dalam memilih alat dan hal semacam ini dengan bantuan LLM tentu saja. Karena LLM adalah bagian dari otak. Dan orkestrasi akan berkomunikasi dengan LLM dan juga alat untuk membuat pilihan terbaik dan rencana terbaik untuk mencapai tugas.

Ya, saya pikir untuk sementara banyak perusahaan telah memulai dengan PowerShell. Dan sekarang mereka menggunakan Microsoft Graph API.

Apakah grafik dan NCP hadir atau bagaimana? Ya, saya pikir... Sebenarnya, sebenarnya API grafik sejurnya tidak ada MCP untuk grafik. Jika Anda menyebutkan ini, Anda tahu Anda sekarang memiliki di dunia Microsoft Sify. Microsoft telah memperkenalkan banyak server MCP dan server MCP tersebut berbasis di balik layar pada grafik Microsoft. Jadi misalnya jika Anda ingin menggunakan server LCP Team di balik layar, Anda memiliki API, grafik yang dipanggil saat Anda menggunakan server MCP. Jadi AI grafik di dunia Microsoft 365 sangat penting karena di balik layar, NCP akan berkomunikasi dengan grafik di balik layar untuk membuat permintaan agar permintaan berfungsi dengan baik. Namun ya, saat ini grafik juga penting di Copilot secara umum karena indeks semantik Copilot didasarkan pada data mentah. Tetapi sebenarnya ketahui lah, Anda mengonsumsi grafik melalui suara MCP. Saat ini, Microsoft 365 memiliki nilai yang luar biasa konteks organisasi, dokumen, rapat, email, orang, tim, percakapan, dan saya katakan berbagi konten.

Bagaimana kita mengekspos konteks itu tanpa ya menciptakan mimpi buruk keamanan?

Maksud Anda dalam hal-hal tak kelola hal-hal semacam ini? Ya, itu selalu menjadi masalah karena banyak orang membangun agen tanpa membuat tata kelola yang tepat di balik layar. Jadi saya ingin membuat agen. Oke, mari kita mulai. Kita buat dan terapkan. Lalu setelah itu, agen ini akan menangani banyak data bagaimana cara mengeluarnya. Pertanyaan pertama adalah bagaimana cara menerapkan tata kelola agen? Sebelumnya bisa jadi seperti yang Anda katakan berantakan karena banyak orang ingin oke saya ingin membuat agen, agen, agen atau saya ingin membuat sesuatu eh saya ingin membuat solusi AI tetapi di balik layar. Salah satu jika Anda berada dalam konteks Microsoft 365 misalnya salah satu hal pertama yang harus dilakukan adalah oke memahami data Anda. Karena tanpa memahami data Anda eh Anda akan tersesat. Anda perlu memahami data Anda. Karena penting untuk memahami oke apakah saya berurusan dengan data rahasia atau tidak apakah saya berurusan dengan data yang sangat rahasia eh oke Anda perlu memahami data Anda.

Setelah itu. Jika Anda berada di Microsoft CR Anda perlu menerapkan. Misalnya fitur DLP lab sensitivitas hal-hal semacam ini karena tanpa ini itu bisa menjadi masalah. Dan setelah itu Anda juga perlu membersihkan sedikit data Anda karena AI. Dengan data yang buruk Eken Anda tidak akan berfungsi seperti yang Anda inginkan. Karena jika Anda memiliki topeng di tim sharepoint Anda saluran tim hal semacam ini jika itu topeng pada dasarnya akan terlihat sulit untuk bekerja dengan benar dalam pendekatan Eken. namun Anda perlu memahami data Anda Anda perlu menerapkan beberapa keamanan dasar seperti autentikasi seperti yang saya katakan tampilan murni e-fitur dan tampilan murni karena menjadi solusi utama untuk untuk menerapkan semua ini semua keamanan dan tata kelola hal-hal di tempatnya. Dan setelah Anda membersihkan data Anda ketika Anda telah menerapkan beberapa keamanan dasar Anda juga perlu memahami perizinan karena sebelum mulai pembangun agir Anda perlu memahami apa itu pengembang oke apakah mereka terlatih untuk itu apakah mereka apakah kita memiliki perizinan yang benar untuk memulai apakah kita memerlukan langganan seperti ini setelah itu satu juga masalah besarnya adalah perkakas bagaimana cara mengintegrasikan semua perkakas dengan benar dalam pengembangan saya agen saya apakah saya perlu membatasi sesuatu jujurnya ini pertanyaan besar Anda memiliki berbagai aktivitas yang perlu dipertimbangkan tetapi bagi saya yang terpenting adalah memahami data Anda dan jika perusahaan tidak memahami data itu akan menjadi masalah di awal sejujurnya ketika bagaimana kita menanyakan topik keamanan menurut saya ada dua dua dua jenis orang yang satu bilang oke mereka butuh izin pengguna dan yang lain bilang mereka butuh izin aplikasi haruskah agen menghasilkan bagaimana agen umumnya beroperasi secara umum rekomendasi terbaik saya adalah pada dasarnya ketika Anda perlu berurusan dengan solusi agen selalu lakukan maaf dalam izin pengguna izin yang didelegasikan karena dalam hal keamanan sejujurnya lebih baik karena pengguna hanya akan berurusan dengan data dan alat yang dapat diaksesnya itu prinsip yang paling utama setelah itu jika Anda membutuhkan izin aplikasi untuk hal tertentu entahlah apa yang tertentu konteks tertentu Anda bisa melakukannya namun jangan gunakan izin aplikasi secara langsung buatlah dalam konteks pembungkus PIA jadi Anda membuat entahlah bisa jadi server MCP misalnya dan Anda mengintegrasikan MCP ini dengan izin aplikasi di balik layar jadi NCP akan memanggil misalnya entahlah API Anda di balik layar dengan izin aplikasi dan setelah itu dia memberi Anda informasi atau informasi yang Anda butuhkan tetapi pengguna tidak berurusan langsung dengan izin aplikasi kami memanggil server MCP dengan izin pengguna misalnya dan server MCP akan memanggil aplikasi atau layanan di balik layar dengan izin aplikasi khusus bisa Anda melihat perbedaannya oke menarik saya rasa ketika kita berpikir tentang arsitektur kita juga harus melihat sedikit lebih dalam saya rasa ada tiga topik besar dalam arsitektur kita memiliki pembuatan argumen pengambilan kita memiliki topik pengetahuan dan kita memiliki pencarian perusahaan pintu belakang mari kita mulai dengan rak dimana rak cocok dengan arsitektur sejujurnya rag sebenarnya adalah yang paling sejujurnya dalam hal performa karena AI perlu memahami berbagai jenis data dan pada dasarnya rag hadir untuk menjawab pertanyaan karena di masa lalu ketika Anda tidak memiliki rag pada dasarnya Anda perlu berurusan dengan pendekatan yang berbeda kami tidak kuno tetapi rumit rap tetapi rag sangat penting karena rag akan memahami berbagai jenis data dan Anda pada dasarnya akan mengambil informasi yang saya perlukan dokumen bisa berupa berbagai jenis data jadi ya ragi saat ini sangat penting dalam arsitektur AI tetapi memang benar bahwa bagi banyak pengguna ketika Anda berbicara tentang RAG dibalik layar mereka tidak tahu apa itu karena Microsoft saat ini atau banyak perusahaan rangkat lunak yang berbeda tidak membicarakan hal ini karena dibalik layar Anda memiliki RAG tetapi misalnya di Copilot Studio pengguna tidak memahami dibalik layar itu RAG Anda lihat dan saat ini ketika Anda ingin mendalaminya oke Anda memiliki konsep semacam ini tetapi bagi banyak pengguna RAG sama sekali tidak tahu apa itu karena mereka hanya menggunakan alat dan dibalik layar Anda memiliki konsep tersebut lalu kita memiliki topik berikutnya yaitu pengetahuan bagaimana cara kita mendapatkan ini dari mana sistem AI mendapatkan pengetahuannya apakah saya mengumpulkan Gboard atau bagaimana cara kerjanya sebenarnya Anda harus jujur pengetahuan itu bisa jadi bisa jadi di hosting di banyak sistem yang berbeda bisa jadi bisa jadi file teks biasa bisa jadi file markdown bisa jadi basis pengetahuan bisa jadi apa saja namun sebenarnya jika Anda memiliki server MCP Anda dapat mengakses pengetahuan tersebut atau jika Anda memiliki misalnya saya tidak mengenal Anda Anda memiliki konektor untuk berbagi titik Anda memiliki konektor kebanyak layanan saat ini jadi mengakses pengetahuan lebih mudah dari sebelumnya jujur saja karena di masa lalu Anda perlu membuat plug-in dan mengunjungi semuanya saat ini Anda memiliki konektor langsung ke sistem apapun dapat mengintegrasikan pengetahuan Anda tanpa harus berurusan dengan staff pengembangan yang besar saya saya pikir dari saya pikir seringkali kita saya tidak tahu saya mengumpulkan saya katakan kepada saya saya tidak tahu satu orang dan bagaimana AI memahami apa yang bukan dokumen siap pakai atau kedalu warsa atau saya tidak tahu di duplikasi bagaimana bisa bagaimana bagaimana memahami sistem AI ini apa yang harus kita gunakan dan apa pada dasarnya Anda menggunakan RAG karena di balik layar Anda perlu memahami oke apa data Anda jujur saja jika saya rangkum sedikit Anda mulai dari perintah oke pengguna ingin misalnya Anda ingin mencari di seluruh entahlah basis pengetahuan dan misalnya satu drive di balik layar ketika orkestrator dengan bantuan LM memahami perintah dan maksud pengguna di balik layar pada dasarnya Anda memiliki indeks karena misalnya di copyout Anda memiliki indeks semantik dan indeks semantik ini memberi Anda pada dasarnya oke saya memiliki semua pengetahuan ini dan Anda dapat dengan query indeks semantik AI dapat langsung meminta indeks semantik untuk melakukan RAG misalnya dan Anda dapat langsung oke memilih dokumen yang tepat terdasarkan kebutuhan namun di copilot Anda memiliki indeks semantik ini dan AI dapat menanyakan indeks ini secara langsung dengan bahasa alami dibalik layar jadi saya akan bertanya oke saya ingin mengerti saya tidak tahu bagaimana cara menyiapkan VPN perusahaan saya dan dibalik layar Anda akan menjalankan RAG pada indeks semantik dan pada dasarnya mengambil dokumen yang berisi misalnya semua pengaturan VPN perusahaan misalnya di obrolan Microsoft 365 Copilot dibalik layar itu adalah Graph API karena seperti yang saya katakan sebelumnya Anda memiliki indeks semantik yang dibangun di Graph API itu adalah fitur Graph dibalik layar tetapi ketika Anda memiliki pengembangan khusus Anda memiliki misalnya Foundry AQ dibalik layar itu adalah layanan Azure dengan nama yang berbeda tetapi sekarang Anda dapat memiliki sistem RAC Anda sendiri jika Anda mau dan pada dasarnya Anda dapat ketika Anda memiliki Agen khusus Anda dapat langsung menanyakan ini untuk Instance Foundry AQ saya ingin mendapatkan pengaturan perusahaan VPN saya dan AI dapat mengambil yang Anda butuhkan dalam hal dokumen bisa berupa PDF Word, Excel hal-hal semacam itu dan begitulah cara kerja pencarian bukan dibalik layar maksud Anda?

ah dibalik layar Anda memiliki pencarian tetapi pada dasarnya sekarang saat ini Anda memiliki dibalik layar dari kopilot kopilot chat Anda memiliki tiga kemampuan Anda memiliki pencarian standar yang pada dasarnya adalah pencarian yang oke Anda cukup memasukkan beberapa kata kunci dan Anda akan mencari di seluruh dokumen Anda dan hal semacam ini ini adalah pencarian sederhana kita semua tahu pencarian kata kunci seperti Google setelah Anda memiliki dua kemampuan yang berbeda Anda pertama memiliki kain dibalik layar Anda memiliki kemampuan RAG di dalam grafik dan Anda juga memiliki dan Anda juga memiliki pencarian indeks semantik kopilot yang sedikit berbeda karena RAG benar-benar lebih canggih daripada pencarian indeks semantik kopilot namun Anda memiliki ketiga kemampuan ini dibalik layar untuk membuat Anda bukan Anda tetapi dibalik layar AI dapat memanggil ketiga kemampuan berbeda ini untuk mengambil data di satu drive Teams M365 secara umum setelahnya ia dapat menyertakan indeks semantik kopilot juga konektor kopilot jadi misalnya jika Anda memiliki salesforce yang terhubung ke konektor kopilot ia juga dapat mencari di seluruh data Anda di salesforce yang sekarang tersedia di beberapa alat karena semuanya dengan konektor kopilot Anda telah mengintegrasikan semua data dalam grafik indeks semantik Anda dapat menanyakan langsung sistem eksternal Anda dan menurut saya ketika kita membangun agen kita memiliki bagian tata kelola dan salah satu bagiannya juga bagi saya adalah manajemen siklus hidup agen siklus hidup agen bagaimana tampilannya sebenarnya bagaimana tampilnya sebenarnya sejujurnya dalam ekosistem Microsoft ini cukup sederhana jika saya boleh mengatakannya karena ketika Anda berurusan dengan kode rendah misalnya compiler studio Anda berurusan dengan empat platform konsep EM dan tidak ada yang berubah jadi Anda memiliki solusi Anda memiliki ALM Anda memiliki alur jadi ketika Anda berurusan dengan copilot studio sejujurnya ini seperti sebelumnya karena Anda memiliki semua hal yang Anda investasikan dalam hal tata kelola power platform siklus hidup ALM ini benar-benar sama ini hal yang bagus karena banyak orang bertanya kepada saya oh kompeten studio bagaimana cara mengelolanya apakah berbeda tidak ini sangat sederhana seperti per aplikasi atau manajemen siklus hidup aplikasi automate inti jadi dalam kasus ini ini adalah manajemen siklus hidup agen tetapi di balik layar konsepnya sama seperti platform inti dan ketika Anda berurus dengan misalnya pengembangan khusus pada dasarnya seperti ketika Anda membangun aplikasi aplikasi bersih dan semacamnya karena Anda mengelola semuanya seperti kode jadi Anda memiliki kerangka kerja Anda memiliki aspek keamanan hal semacam ini jadi semuanya sejujurnya dalam hal aplikasi manajemen siklus hidup agen konsepnya benar-benar sama dengan sebelumnya dan ini poin yang bagus bagi saya karena Anda tidak perlu berinvestasi banyak dalam hal proses siklus hidup hal-hal semacam ini tetapi Anda hanya memiliki beberapa perubahan tetapi salah satu perubahan besarnya adalah oke Anda perlu merhatikan LLM hal-hal semacam ini penerapan hal-hal semacam ini namun di balik layar sepertinya pendekatan DevOps masa lalu dengan pipeline hal-hal semacam ini jadi menurut saya tidak ada yang berubah karena kami mengelola agen bisa jadi pengembangan khusus atau penanggulangan Anda dengan pendekatan yang sama dari sebelumnya sejujurnya saat ini dan ini berarti atau ketika sebuah perusahaan mereka tidak menggunakan AI sebelumnya di perusahaan tetapi mereka memiliki pengaturan yang sempurna untuk perhatian jauh untuk defender dan semua semua alat selanjutnya apakah ada perubahan yang harus dilakukan atau apakah ini berarti kesiapan AI itu pertanyaan besar karena kesiapan AI untuk Microsoft oke apakah Anda mempertajam komisi mengelola hal-hal semacam ini tetapi oke kesiapan bagi saya bukan hanya pendekatan teknis karena oke teknis kita tahu apa yang harus dilakukan oke kita perlu mengelola izin di banyak layanan Anda tahu bagi saya kesiapan AI juga harus mencakup data mengerti karena ketika Anda tidak memahami data Anda seperti yang saya katakan sebelumnya Anda tidak dapat mengambil Anda tidak dapat mengelola bagian teknis karena ketika Anda tidak tahu apa yang rahasia atau tidak misalnya sulit untuk menerapkan beberapa beberapa keamanan beberapa hal keamanan tetapi jika kita mengikuti Microsoft kesiapan AI tidak apa-apa Anda mengelola izin Anda ingin menerapkan label sensitivitas Anda membuat GLP hal-hal semacam ini tetapi Anda juga memiliki aspek tingkat tinggi

dan bagi saya kesiapan AI tidak hanya teknis Anda juga memiliki aspek fungsional atau tingkat tinggi untuk dipertimbangkan sejujurnya saat ini ya itu sangat menarik saya pikir banyak perusahaan yang memulai ini dengan AI tetapi sekarang dengan agen banyak perusahaan berkata oh itu menghapus semua email saya atau melakukan sesuatu yang jahat bagaimana menurut Anda apa yang akan dikatakan perusahaan bahwa mereka takut pada AI itu pertanyaan itu pertanyaan yang bagus karena saya tinggal di Swiss dan pada dasarnya kami memiliki banyak bank swasta dan kami memiliki banyak sejujurnya pelanggan yang sangat sensitif sejujurnya dan pada dasarnya bagian yang paling penting adalah oke gimana data diproses untuk pada dasarnya dan eh ya juga oke apakah AI mencari di seluruh email saya form hal semacam ini jadi di balik layar mereka selalu menanyakan ini tetapi Anda tahu bagian yang paling penting bagi mereka adalah oke saya perlu memahami oke dimana data diproses dan dan juga oke saya adalah pemilik AI jadi saya saya berikan instruksi ke AI dan AI di balik layar akan melakukan pekerjaan itu dan mereka takut misalnya aspek otonom karena saat ini oke Anda bisa oke melakukan itu dan di balik layar AI akan mencari sesuatu menanyakan sesuatu di balik layar dan mereka takut oke ketika saya meminta untuk melakukan sesuatu apa yang dilakukan di balik layar dan ya ada banyak pertanyaan seperti ini oke bagaimana cara mengambil kendari atas seluruh proses di balik sesuatu apakah itu bisa jadi agen AI atau layanan AI ya ada beberapa pertanyaan seperti ini tapi ini benar-benar masalah adopsi juga pelatihan untuk menerapkan beberapa pelatihan tentang oke bagaimana memahami AI bagaimana memahami di balik layar apa yang dilakukan secara tepat dan transparansi juga menjadi poin penting karena transparansi perlu diterapkan di setiap solusi AI karena transparansi bagi saya adalah topik yang besar karena Anda perlu menerapkan semua hal karena solusi AI Anda harus transparan Anda perlu memahami apa yang dilakukan di balik layar data apa yang diminta Anda perlu melacak Anda perlu mencatat semuanya jadi semuanya harus transparan saat Anda memiliki solusi saat ini karena Anda perlu memahami dengan tepat apa yang dilakukan di balik layar data apa yang diproses dan apa alasan di balik layar bagaimana Anda membuat rencana ini berdasarkan fakta dan hal-hal semacam ini luar biasa oh saya lihat kita kehabisan waktu saya maaf Anda tahu ini benar-benar luar biasa namun di setiap podcast saya memiliki sesi tanya-jawab cepat jadi saya memberikan kalimat pendek dan Anda memberikannya jawaban singkat jadi apakah Anda siap?

Copyload Studio atau kode custom? Copyload Studio Microsoft Foundry atau Copyload Studio? Pilot Studio TypeScript atau Sapscript?

GitHub atau Azure DevOps? GitHub Rack atau Fan Tuning?

Baiklah apa API Microsoft yang paling diremehkan?

Rack API satu teknologi yang harus dipelajari setiap pengembang Microsoft pada tahun 2026 GitHub Kopilot Ketika Satya Nidalia mendatangi Anda dan berkata berikan kami semua uang dan sumber daya yang Anda inginkan untuk membuat platform AI kami lebih baik Anda dapat mengembangkan satu fitur apa itu? Semua hal tata kelola yang kami butuhkan dan siapa yang akan saya undang di podcast berikutnya dan pertanyaan apa yang harus saya ajukan?

Pertanyaan yang bagus saya punya banyak teman tetapi ya mungkin Anda dapat bertanya kepada saya di saya memikirkan pembicara di banyak konferensi Anda dapat bertanya kepada saya Chloe Moro dia ada konsultan fungsional sebelum menangani sisi teknis sekarang dan dia punya cerita yang sangat bagus tentang hal-hal fungsional yang kurang teknis di dunia dinamika jadi mungkin Anda bisa mengundangnya dan bertanya oke beritahu saya beritahu saya saat ini bagaimana menangani pekerjaan fungsional dan teknis karena Anda memiliki beberapa tantangan besar di sana dan pertanyaan penutup saya adalah apa yang harus orang-orang ketika mereka dapat mengambil satu-satu pembelajaran dari sesi ini apa yang harus mereka ambil?

dari sesi ini maksud Anda?

pada dasarnya AI berkembang pesat dan jika Anda ingin mengikuti perkembangan saat ini Anda perlu mengikuti semuanya karena saat ini AI benar-benar mencakup semua pajak Microsoft sejujurnya dan saat ini salah satu hal yang perlu Anda pahami adalah evolusinya cepat dan Anda harus selalu mengikuti perkembangannya sungguh-sungguh kapan saja karena Anda akan hilangan sesuatu di beberapa titik jika Anda jika Anda tidak jika Anda tidak belajar jika Anda tidak memahami evolusi dalam hal ini ya jadi ya terima kasih telah bergabung dengan saya saya pikir hal penting yang dapat diambil dari pecakapan ini adalah bahwa ekstensibilitas kopilot Microsoft C65 bukan hanya tentang menulis perintah yang semakin canggih saya pikir kita kita sedang bergerak menuju arsitektur tempat kopilot dan agen dapat menghubungkan pengetahuan organisasi aplikasi bisnis Microsoft Graph AP dan sebagainya ya saya pikir Kopar Studio Microsoft OneDri pengembangan khusus dan teknologi seperti MCP memberi pengembang ya kotak peralatan yang luar biasa dan canggih dan ya tetapi semakin ya agen menjadi lebih cakep semakin penting pula hal-hal mendasarnya identitas izin keamanan tata kola pengujian pengamatan manajemen sikus hidup aplikasi dan seterusnya jadi ya saya pikir Anda telah memberikan gambaran yang sangat bagus tentang semua topik ini jadi terima kasih telah bergabung dengan saya dan untuk para pendengar semua informasi tentang jika Anda menemukan dalam catatan acara di halaman podcast MC65FM dan ya tempat Anda terhubung melihat pekerjaan EES dan ya terima kasih telah hadir di sini ya terima kasih telah hadir di sini terima kasih telah mengundang saya itu adalah waktu yang sangat menyenangkan bersama Anda