WEBVTT 00:00:00.450 --> 00:00:04.090 Welkom iedereen bij de MC65FM podcast. 00:00:04.730 --> 00:00:12.270 Vandaag gaan we verder dan een van de meest gebruikelijke gesprekken over Microsoft 365 Copilot Prompt Engineering, want... 00:00:13.290 --> 00:00:19.970 zodra organisaties Copilot serieus gaan gebruiken, verandert de vraag al snel van hoe schrijven we betere prompts. 00:00:21.550 --> 00:00:29.250 Naar hoe koppelen we Copilot aan de applicaties, data, apps, bedrijfsprocessen en kennis die daadwerkelijk in ons bedrijf draaien. 00:00:30.270 --> 00:00:34.530 En dat is waar Copilot extensibiliteit interessant wordt en uitdagend. 00:00:35.410 --> 00:00:42.890 Mijn gast vandaag is Evas Harvest, Microsoft MVP Business Application Consultant bij de AI Werkgroep in Zwitserland. 00:00:43.870 --> 00:00:55.790 Evas werkt met Microsoft 365, Azure, Dynamics 365 en het Power Platform met een specifieke focus op het uitbreiden van Microsoft 365 Copilot via agents en maatwerkontwikkeling. 00:00:55.790 --> 00:01:04.590 We gaan Microsoft 365 Copilot extensibiliteit verkennen, Copilot Studio, Microsoft Azure AI Foundry, ik weet het ook niet. 00:01:04.770 --> 00:01:09.930 Ze veranderen de naam steeds Microsoft Graph, maatwerkontwikkeling, MCPS enzovoort. 00:01:10.130 --> 00:01:13.510 Dus ja, Evas, welkom bij de MC65 podcast. 00:01:14.230 --> 00:01:16.910 Ja, hallo iedereen, bedankt dat ik erbij mag zijn. 00:01:18.170 --> 00:01:20.830 Het is echt een goede gelegenheid voor mij om hier te zijn. 00:01:21.490 --> 00:01:23.070 Dus bedankt voor de uitnodiging. 00:01:23.070 --> 00:01:25.170 Ja, ik dank jou. 00:01:27.520 --> 00:01:33.400 Voordat we technisch worden, kun je iets vertellen over je reis en hoe je in het Microsoft ecosysteem terecht bent gekomen. 00:01:35.960 --> 00:01:41.520 Ja, ja, ja, natuurlijk, want ik ben mijn carrière om eerlijk te zijn niet begonnen in de Microsoft wereld. 00:01:41.700 --> 00:01:43.840 Ik begon mijn carrière in de Apple wereld. 00:01:43.840 --> 00:01:50.580 Ik was software engineer op het Mac platform en daarna ging ik over naar iOS en dat soort zaken. 00:01:52.380 --> 00:02:00.260 En oh, dat is alweer een hele tijd geleden, misschien wel 15 of 20 jaar geleden, toen ik overstapte naar de Microsoft wereld. 00:02:00.260 --> 00:02:04.720 Om eerlijk te zijn begon ik mijn carrière met C Sharp op SharePoint. 00:02:06.140 --> 00:02:10.500 En daarna stapte ik over naar de cloud, Azure en M365. 00:02:10.500 --> 00:02:22.070 Ik begon met on-premises SharePoint, zo ben ik begonnen, en daarna stapte ik over naar alle cloud diensten, uiteindelijk naar het power platform en recentelijk naar al die AI dingen. 00:02:25.750 --> 00:02:34.510 Eerlijk gezegd, omdat het nu een groot deel van M365 is, aangezien we nu een agentische transitie doormaken en in een notendop is dat mijn reis. 00:02:34.510 --> 00:02:56.140 Maar ik begon mijn carrière in de wereld van software engineering, wat vandaag de dag misschien een woord is dat veel mensen vergeten, omdat we nu al die AI dingen hebben, en eigenlijk zijn dit soort activiteiten of banen verschoven naar AI, dus het is heel anders dan 20 jaar geleden vergeleken met nu. 00:03:02.050 --> 00:03:08.630 Ja, je werkt, je zegt dat je met SharePoint werkt en ik zie ook dat je met Graph, Speak, Dynamics en Power platform werkt. 00:03:10.800 --> 00:03:14.660 Hoe heeft die achtergrond je voorbereid op de huidige generatie AI ontwikkeling? 00:03:14.660 --> 00:03:27.320 Eigenlijk, eigenlijk heb ik een profiel dat echt, het is echt transversaal, omdat ik in mijn carrière met heel veel verschillende producten heb gewerkt. 00:03:30.100 --> 00:03:38.660 Dat kunnen Microsoft en non-Microsoft producten zijn, dus ik heb eigenlijk een brede rijkwijte aan vaardigheden in heel veel verschillende technologieën en tools. 00:03:38.660 --> 00:03:53.250 Dus, eh, al mijn banen gaven me een goede achtergrond, want nu met AI is het een, het is een breed, het is een breed onderwerp omdat je verschillende soorten benaderingen en verschillende soorten technologieën hebt om nu uit te doen. 00:03:55.600 --> 00:03:59.440 Het kan agentgebaseerd zijn, het kan meer workflow zijn, dat soort dingen. 00:03:59.440 --> 00:04:07.260 Dus, eigenlijk gaven al mijn voorrige banen me veel vaardigheden om klaar te zijn voor deze AI-transitie nu om eerlijk te zijn. 00:04:07.260 --> 00:04:12.960 Dus, ik stapte over naar low-code, naar non-e, naar pro-code tools. 00:04:12.960 --> 00:04:26.420 Dus, ja, al deze, eh, oh, ja, al deze, eh, kansen en, eh, en activiteiten in mijn, in mijn banen gaven me, eh, goede vaardigheden om voordeel te behalen in de AI-wereld, om eerlijk te zijn. 00:04:28.690 --> 00:04:31.670 Ja, en, en nu ben je een AI-testlead. 00:04:32.910 --> 00:04:34.550 Wat doet een AI-testlead? 00:04:35.150 --> 00:04:35.370 Uw. 00:04:36.650 --> 00:04:40.510 Dat is een, dat is een echt goede vraag, want veel mensen vragen me dat. 00:04:40.510 --> 00:04:48.050 Dus mijn baan is gewoon om functionele specificaties te koppelen aan de technische, aan de technische stack. 00:04:50.580 --> 00:04:53.720 Dus ik neem de leiding wanneer de business-analyse is afgerond. 00:04:55.100 --> 00:04:59.160 We hebben use cases gedefinieerd in de AI, eh, voor de AI-zaken. 00:04:59.420 --> 00:05:02.320 We hebben scenario's en use cases gedefinieerd. 00:05:02.880 --> 00:05:12.320 We hebben gedefinieerd, we hebben de volledige business-analyse gedaan, en mijn baan is, oké, ik neem deze behoeften en ik koppel die behoeften aan de technische stack achter de schermen. 00:05:15.000 --> 00:05:21.940 En daarna leid ik de volledige implementatie van de tools en de, en de oplossing, eh, wanneer we klaar zijn om te beginnen met ontwikkelen. 00:05:24.750 --> 00:05:25.690 Ja, interessant. 00:05:30.210 --> 00:05:38.930 Eigenlijk, veel bedrijven kopen trainingen voor hun werknemers, vooral, eh, ja, eh, voor prompt engineering, en waarom zou je zeggen dat dat niet genoeg is? 00:05:46.710 --> 00:05:49.070 Bedoel je tegenwoordig alleen prompt engineering? 00:05:49.070 --> 00:05:53.770 Ja, ja, waarom, waarom, waarom, waarom, zij? 00:05:56.010 --> 00:06:02.810 Waarom, is het alleen, weet je, waarom is het voor bedrijven, u, niet, niet genoeg om mensen alleen prompt engineering te leren? 00:06:02.810 --> 00:06:06.870 Ah, ja, oké, ik begrijp het, ik begrijp het. 00:06:06.870 --> 00:06:22.130 Oké, ja, ja, u, eigenlijk, om eerlijk te zijn, tegenwoordig heb je, zoals ik al zei, veel verschillende tools en technologieën, dus, en eigenlijk, op een gegeven moment, kan AI begrijpen wat je moet doen en je misschien, u, een beetje begeleiden. 00:06:26.310 --> 00:06:34.170 Maar voor mij, u, de rol van bijvoorbeeld architect of software ontwerper, u, moet je een mens achter de schermen hebben omdat je de klant moet begrijpen. 00:06:37.230 --> 00:06:40.350 Eigenlijk kan AI de context van de klant soms niet begrijpen. 00:06:40.350 --> 00:07:08.560 U, je ziet daar het totaalplaatje, maar achter de schermen, u, om alleen te focussen op prompt engineering, is dat op een gegeven moment misschien goed, maar je hebt meer nodig omdat je achter de schermen, u, mensen nodig hebt die, u, architecten of software engineers zijn, en eigenlijk veel mensen met vaardigheden in technologieën, u, informatietechnologieën zoals SharePoint, zoals OneDrive, zoals ik weet niet, of Salesforce, dat soort dingen. 00:07:08.560 --> 00:07:16.870 Je moet specialisten hebben in u, die technologieën, want AI kan veel dingen begrijpen. 00:07:18.130 --> 00:07:19.670 Het kan u, het kan je begeleiden. 00:07:20.610 --> 00:07:28.830 Het kan geweldige technische of functionele documenten genereren, maar je moet mensen achter de schermen hebben die controleren, oké, is dit goed. 00:07:29.810 --> 00:07:37.170 Voldoet het, u, aan de behoeften van de klant en dat soort dingen, je ziet, om alles te valideren en focussen op alleen prompt engineering. 00:07:37.170 --> 00:07:49.550 Voor mij nu is, ja, het zou, het zou een optie kunnen zijn als je, als je geen u, tijd hebt om, om, te trainen of te investeren, u, in, u, in, u, in het opdoen van wat vaardigheden. 00:07:50.510 --> 00:07:58.110 Maar voor mij, je, je moet, u, goede vaardigheden hebben in de basistechnologieën waar je je oplossingen op wilt bouwen, om eerlijk te zijn. 00:07:58.110 --> 00:08:04.470 Ja, ja, en jij bent een expert in co-pilot extensibiliteit. 00:08:08.610 --> 00:08:14.750 Waar stopt de standaard Microsoft 365 co-pilot en waar begint co-pilot extensibiliteit? 00:08:14.750 --> 00:08:31.310 Ah ja, dat is een goede vraag, want om eerlijk te zijn, twee jaar geleden toen, toen co-pilot UL werd uitgebracht en UL misschien de eerste versie, UL was de chat eigenlijk, om eerlijk te zijn, echt heel erg minimalistisch. 00:08:33.900 --> 00:08:42.220 Eigenlijk kun je, oké, het was als een chat GPT, maar Microsoft heeft Microsoft 365 co-pilot enorm laten evolueren. 00:08:42.220 --> 00:09:05.490 Eigenlijk heb je nu, je hebt verschillende soorten functies, dus de uitbreidbaarheid is nu minder dan voorheen, want vroeger ontwikkelde je plugins en dat soort dingen, maar tegenwoordig, eerlijk gezegd, is uitbreidbaarheid wanneer je iets wilt bouwen en de orchestrator wilt aanpassen, 00:09:05.490 --> 00:09:16.450 of als je iets meer wilt personaliseren, bijvoorbeeld de gebruikersinterface, als je je agent niet alleen in Microsoft 365 chat wilt integreren, maar bijvoorbeeld ook op je website, 00:09:16.650 --> 00:09:22.810 dus uitbreidbaarheid begint wanneer je eigenlijk meer achter de schermen wilt aanpassen, wanneer je net iets meer wilt personaliseren. 00:09:34.480 --> 00:09:45.180 Het kan de orchestrator zijn als je die wilt aanpassen, als je je interface wilt aanpassen, of als je verschillende aspecten wilt aanpassen waar co-pilot chat eigenlijk niet bij kan of niet kan antwoorden op de. 00:09:45.180 --> 00:09:57.290 En, en, ik denk dat veel mensen praten over agents. 00:09:58.850 --> 00:09:59.770 Um, zijn. 00:10:05.670 --> 00:10:13.710 Waarom, waarom, waarom denken we nu zoveel in, ja, in co-pilot agents, en waarom bouwen we niet, ik weet het niet, één grote co-pilot voor alles? 00:10:18.120 --> 00:10:25.340 Ja, het is echt interessant, want, nu, eerlijk gezegd, is Microsoft, zoals ik al eerder zei, enorm geëvolueerd. 00:10:27.940 --> 00:10:32.080 En misschien als we zes maanden terug zouden gaan, was een agent inderdaad een onderwerp. 00:10:32.080 --> 00:10:42.320 Nu heeft Microsoft co-pilot co-work geïntroduceerd en eerlijk gezegd kan co-pilot co-work tegenwoordig veel agents vervangen. 00:10:45.480 --> 00:10:55.040 En als we over agents nadenken, is het gewoon om de zaken te scheiden, want we zitten nu meer in een multi-agent model waarbij elke agent zijn eigen scope en verantwoordelijkheden heeft. 00:10:55.040 --> 00:11:02.100 En we maken geen grote co-pilot, eigenlijk gewoon vanwege de prestaties. 00:11:03.240 --> 00:11:09.580 Ten eerste omdat, eh, wanneer je een grote set instructies en tools hebt, het qua prestaties een puinhoop wordt. 00:11:12.250 --> 00:11:20.110 En de architectuur is nu meer multi-agent, dat kan in co-pilot studio zijn, of in een op maat ontwikkelde agent via code of custom development. 00:11:20.110 --> 00:11:35.270 Maar tegenwoordig is het beter om een multi-agent benadering te hebben, waarbij elke agent zijn eigen bereik en verantwoordelijkheid heeft wat betreft prestaties en om een duidelijke architectuur te hebben wat betreft agents. 00:11:35.270 --> 00:11:56.400 Ja, Schopenhauer. 00:11:56.880 --> 00:12:11.510 En als we hiernaar kijken, oké, ik denk aan een basis AI-agent architectuur, dan hebben we, zeg ik. 00:12:14.980 --> 00:12:15.800 Wat wachtwoorden? 00:12:16.580 --> 00:12:17.720 We, we wachtwoorden. 00:12:18.220 --> 00:12:18.700 Oké. 00:12:20.380 --> 00:12:24.440 Maar we moeten denken aan redeneren, tools, kennis en instructies. 00:12:28.430 --> 00:12:30.530 Hoe past dit in een AI-agent architectuur? 00:12:34.990 --> 00:12:40.830 Het eerste waar je over na moet denken, een van de eerste vragen die je moet beantwoorden is, oké, wat is het doel? 00:12:41.110 --> 00:12:44.610 Het eerste objectief van deze agent. 00:12:48.820 --> 00:12:58.920 Eigenlijk hangt de agent architectuur echt af van of je een low-code aanpak hanteert of een maatwerkontwikkeling, want de aanpak is totaal verschillend, omdat je bij maatwerk alles zelf beheert. 00:13:03.730 --> 00:13:08.230 Dus je beheert de beveiliging, je beheert de hosting, je beheert veel verschillende dingen. 00:13:09.830 --> 00:13:16.310 Bij de low-code aanpak is het echt anders, want je denkt na over oké, je geeft de instructie en selecteert wat tools. 00:13:20.720 --> 00:13:33.800 Dus in feite is de architectuur bij een low-code aanpak niet zo simpel als ik nu zeg, maar het kan heel snel gaan omdat je kunt definiëren, oké, je hebt de instructie, je kunt je tools selecteren, je kunt andere agents selecteren als je wilt koppelen. 00:13:38.810 --> 00:13:43.710 Maar het is erg simpel wanneer je te maken hebt met maatwerk of wanneer je je eigen agent ontwikkelt. 00:13:43.710 --> 00:13:49.150 Het kan bijvoorbeeld gaan om cementen kernel, agent framework, dat soort dingen. 00:13:49.590 --> 00:13:56.350 De architectuur kan echt veel complexer zijn omdat je te maken krijgt met zeer geavanceerde concepten zoals ik al zei, beveiliging. 00:13:57.210 --> 00:13:57.730 MHM 00:13:57.730 --> 00:14:10.270 Wat betreft authenticatie, als je bijvoorbeeld meerdere tools hebt en je wilt wat NCP integreren, of als je wilt verbinden met interne tools die beschermd zijn door reverse proxies, dat soort zaken. 00:14:10.270 --> 00:14:20.860 Dus in principe moet je meer nadenken over de architectuur wanneer je werkt met aangepaste agents, bijvoorbeeld in Copilot Studio. 00:14:23.950 --> 00:14:28.970 Wat architectuur betreft is het erg snel om de architectuur te definiëren in een maatwerktraject. 00:14:28.970 --> 00:14:37.650 Je moet omgaan met geavanceerde concepten en voor veel mensen kan dit lastig zijn omdat het echt fundamentele aspecten zijn. 00:14:39.350 --> 00:14:40.350 En UL 00:14:40.350 --> 00:14:47.730 In mijn werk, om eerlijk te zijn, krijg ik te maken met UL veel verschillende behoeften. 00:14:48.950 --> 00:14:55.450 Het kan custom development zijn, Copilot Studio of een simpele agent-in-agent-builder voor iets heel eenvoudigs. 00:14:55.450 --> 00:15:02.750 Dus, in feite, is het definiëren van een architectuur echt gebaseerd op de aanpak die je wilt kiezen. 00:15:04.650 --> 00:15:12.870 Kortom, je hebt een algemene UL architectuur die je kunt maken, maar daarna hangt het echt af van de aanpak, low-code of pro-code, begrijp je. 00:15:14.570 --> 00:15:16.690 Ja, ja, um, maar kunnen we. 00:15:19.600 --> 00:15:24.660 UM, kun, kun, kun, kun jij de anatomie van een typische enterprise UL AI-agent beschrijven. 00:15:25.680 --> 00:15:28.740 Ja, ja, dat kan ik. 00:15:32.940 --> 00:15:43.260 UL, in feite, als je het zo simpel mogelijk wilt houden, UL, wanneer je, wanneer je een behoefte hebt, bijvoorbeeld een IT-support-agent, UL, dan heb je in principe een set aan zaken. 00:15:49.130 --> 00:15:56.530 Maar tegenwoordig, zoals ik al zei, heb je deze multi-agent-aanpak en ik zet de eerste agent aan het front, UL, als een soort front-end. 00:15:58.920 --> 00:16:06.660 Dus dit is een front-agent en deze front-agent zal, UL, alle verzoeken doorsturen naar, bijvoorbeeld, verschillende agents. 00:16:06.660 --> 00:16:17.250 Dus bijvoorbeeld, als de gebruiker een vraag heeft over, ik weet het niet, Salesforce, dan stuurt hij het verzoek door naar de Salesforce IT-support-agent. 00:16:20.000 --> 00:16:25.800 Zie je, voor sommige klanten hebben we dit soort architectuur gemaakt omdat elke agent zijn eigen scope beheert. 00:16:25.800 --> 00:16:29.980 Het kan gaan om producten zoals Salesforce. 00:16:30.720 --> 00:16:34.040 Het kan voor M365 zijn, dat soort dingen. 00:16:34.760 --> 00:16:38.860 En achter de schermen heeft elke agent een set, instructies en een set-tools. 00:16:41.400 --> 00:16:50.500 En tegenwoordig is het beter om MCP-survers te gebruiken, want een MCP-server is nu een universele plug om UL meerdere services te integreren met AI. 00:16:50.500 --> 00:16:58.230 Dus ik heb een set MCP-survers en ik heb ook, UL, wat interne kennisbronnen. 00:16:59.810 --> 00:17:04.350 Het kan zijn zoals JIRA of een Service Now Knowledge Base, dat soort dingen. 00:17:05.370 --> 00:17:07.690 Dus je hebt een set instructies per agent. 00:17:10.790 --> 00:17:16.190 UL en die instructies definiëren de scope van de agent en UL, wat de rol van elke agent is. 00:17:16.430 --> 00:17:22.350 En daarna, UL, heb je een set MCP-survers en misschien, UL, kennisbronnen zoals PDF-bestanden. 00:17:22.350 --> 00:17:28.740 Dus het kunnen, UL, meerdere soorten databronnen zijn. 00:17:34.220 --> 00:17:43.020 En na, sorry, wanneer een gebruiker bijvoorbeeld een verzoek indient bij de hoofdagent, zal deze bepalen, oké, ik moet deze taak delegeren aan de betreffende agent. 00:17:47.880 --> 00:17:50.380 Laten we eens kijken naar de mogelijkheden of. 00:17:54.060 --> 00:17:57.440 Naar Copilot Studio, waar past dit in de algemene architectuur? 00:18:00.720 --> 00:18:04.700 Copilot Studio is eerlijk gezegd een low-code tool van Microsoft. 00:18:04.700 --> 00:18:09.860 Ten eerste, en qua architectuur, is Copilot Studio echt. 00:18:13.540 --> 00:18:17.980 Bedoeld voor makers, in principe voor mensen die in de eerste plaats geen ontwikkelaars zijn. 00:18:20.920 --> 00:18:28.460 En wat betreft de architectuur, als we bijvoorbeeld het voorbeeld van IT Support nemen dat ik eerder noemde, dan past Copilot Studio daar prima bij. 00:18:28.460 --> 00:18:42.790 Architectonisch gezien doet Copilot Studio het werk, omdat je het kunt definiëren, je kunt een server instellen en je kunt eenvoudig externe of interne kennisbronnen integreren als je dat wilt. 00:18:42.790 --> 00:18:59.440 Zoals ik eerder zei, als je bijvoorbeeld een use case hebt waarbij je de orchestrator een beetje wilt aanpassen, dan kan dat niet, want achter de schermen van Copilot Studio kun je de orchestrator niet aanpassen, je activeert de AI-orchestrator en dat is het. 00:19:02.420 --> 00:19:10.520 Je kunt bijvoorbeeld de prioriteit van de taak die je wilt uitvoeren niet aanpassen, want achter de schermen bepaalt Copilot Studio je plan en voert het daarna uit. 00:19:10.520 --> 00:19:25.720 Maar als je wat meer aanpassingsmogelijkheden wilt, moet je gebruik maken van custom development met bijvoorbeeld Semantic Kernel of Longchain, een framework dat onlangs door Microsoft is uitgebracht. 00:19:29.720 --> 00:19:35.860 In die fase kun je eenvoudig de orchestratie aanpassen, workflows definiëren en aanpassen wat je maar wilt. 00:19:39.570 --> 00:19:46.770 Dat is Copilot Studio als architectuur, het is echt ontworpen voor bouwers en makers omdat het heel eenvoudig is om een werkende agent te krijgen. 00:19:46.770 --> 00:20:02.830 Het enige probleem met Copilot Studio, en daar moet je rekening mee houden, is dat wanneer je je pad kiest en je architectuur definieert, je moet letten op de licenties, want dat is tegenwoordig een groot onderdeel van elke oplossing. 00:20:09.370 --> 00:20:24.870 Tegenwoordig is Copilot Studio een beetje geëvolueerd naar een PSU-BO-model en moet je goed letten op de kostenraming, want afhankelijk van wat je wilt bereiken, is het soms beter om maatwerk te ontwikkelen omdat je het dan kunt hosten waar je wilt, de kosten zelf beheert en ze makkelijker kunt inschatten dan nu. 00:20:30.760 --> 00:20:38.080 Want met de Copilot Credit benadering is het soms lastig om te voorspellen wat de kosten zullen zijn voor een maand, twee maanden en dat soort zaken. 00:20:43.330 --> 00:20:45.650 En wat zijn de beperkingen van Copilot Studio? 00:20:51.030 --> 00:21:01.650 Studio, wanneer ik moet kiezen, dan denk ik aan de, ja, Microsoft Foundry Azure, Foundry, ik weet niet wat de echte naam is en wanneer ik moet zeggen, oké, ik moet volledig maatwerk ontwikkelen. 00:21:01.650 --> 00:21:13.890 De eerste vraag om te beantwoorden is, oké, moet ik de orchestratie aanpassen? 00:21:17.800 --> 00:21:32.500 Dat is voor mij de eerste vraag, want deze vraag vertelt je, oké, als je de orchestratie niet wilt aanpassen of diep in de materie wilt duiken over hoe de orchestratie of het plan wordt gegenereerd, kun je een low-code aanpak gebruiken met Copilot Studio, bijvoorbeeld een builder. 00:21:32.500 --> 00:21:39.760 Ook kun je dit soort tools soms gebruiken bij eenvoudige use cases. 00:21:42.990 --> 00:21:47.370 Maar als je de orchestratie wilt aanpassen, moet je kiezen voor specifieke ontwikkeling. 00:21:51.330 --> 00:21:57.050 In dat geval moet je Foundry gebruiken voor het model of je eigen platform, want het voordeel van maatwerk is. 00:22:00.710 --> 00:22:04.590 Dat je modellen kunt integreren die niet in Microsoft Foundry worden gehost. 00:22:04.590 --> 00:22:23.400 Als je wilt, kun je Foundry modellen gebruiken, maar als je ook een AWS of Google platform hebt en je hebt bijvoorbeeld Gemini of Elders modellen ingezet, dan heb je bij een maatwerkaanpak de mogelijkheid om die modellen direct in je agent te integreren. 00:22:30.770 --> 00:22:38.590 Dit is ook een voordeel en daarna kun je de orchestratie en hoe het plan wordt gegenereerd aanpassen, alle zaken komen dan in de agent Foundry terecht. 00:22:41.310 --> 00:22:46.770 Het probleem met Foundry is tegenwoordig dat het in het begin slechts een platform was voor het hosten van modellen. 00:22:47.450 --> 00:22:53.190 Als je een paar jaar terugkijkt, was het gewoon een simpele model katalogus waar je op kon deployen. 00:22:55.950 --> 00:23:05.530 Tegenwoordig heeft Microsoft dit product zo ontwikkeld dat je, oké, je kunt agenten maken met een Copilot Studio-achtige gebruikersinterface, eigenlijk zonder enige code. 00:23:08.040 --> 00:23:11.440 Je kunt governance beheren, je kunt een heleboel dingen beheren. 00:23:12.540 --> 00:23:18.080 Het is echt een agentisch platform geworden, zoals Copilot Studio voor low-code en dat soort zaken. 00:23:18.080 --> 00:23:26.890 En tegenwoordig is Foundry erg lastig te plaatsen in het ecosysteem, omdat Foundry snel evolueert. 00:23:30.820 --> 00:23:41.960 En in feite heeft Microsoft een aantal functies geïntroduceerd die eigenlijk, ik weet het niet, niet anders zijn, maar er zijn overeenkomsten met Copilot Studio wat betreft MCP-integratie en dat soort zaken. 00:23:45.360 --> 00:23:49.020 Maar de voornaamste beperking van Copilot Studio gaat over de modellen. 00:23:49.020 --> 00:23:55.140 Dus je hebt, oké, je hebt de mogelijkheid om code te integreren of dingen te visualiseren. 00:23:56.740 --> 00:24:08.040 Maar als je bijvoorbeeld je eigen model wilt integreren omdat je een specifieke versie van je model hebt, dan kan dat niet en moet je eigenlijk maatwerk gebruiken om bijvoorbeeld je eigen LLM-platform te integreren als je dat hebt. 00:24:08.040 --> 00:24:18.750 Ik heb een klant die zijn eigen AWS-platform heeft, in dat geval kun je dit model integreren met prijzen die extern worden beheerd. 00:24:23.180 --> 00:24:24.320 Oké, oké. 00:24:24.320 --> 00:24:29.900 En ik denk dat als we een agent bouwen, één onderwerp ook al ontegenwoordig is. 00:24:38.770 --> 00:24:50.130 Ja, Schopenhauer. 00:24:57.870 --> 00:25:01.650 De meeste mensen praten over MCP, het modelcontextprotocol. 00:25:05.610 --> 00:25:13.570 Waarom is dit een van de grootste onderwerpen geworden in agentische ontwikkeling en voor iemand die er nog niet mee gewerkt heeft, wat is een modelcontextprotocol? 00:25:18.010 --> 00:25:19.690 Ja, het is een groot woord. 00:25:20.870 --> 00:25:24.590 Eigenlijk praten veel mensen erover omdat het een groot probleem oplost. 00:25:28.750 --> 00:25:43.070 Het gaat erom hoe je de integratie van tools, vaardigheden, misschien externe tooling naar AI toe kunt verenigen en het lost dit probleem op omdat het in het verleden zonder MCP een puinhoop was omdat veel services op verschillende manieren met elkaar communiceerden. 00:25:50.820 --> 00:25:59.660 Je hebt verschillende technologische protocollen, verschillende architecturale benaderingen en in feite verenigt MCP hoe je services integreert met je. 00:25:59.660 --> 00:26:08.440 Het kan een AI-agent of AI-oplossing zijn als ik generieker ben, maar MCP is nu echt de manier om externe of interne tooling te integreren, of beide. 00:26:14.630 --> 00:26:20.510 Maar MCP is nu een groot onderdeel van AI-architectuur omdat je die eenheid hebt op technologisch vlak. 00:26:21.790 --> 00:26:24.070 En tegenwoordig is het een belangrijk punt. 00:26:24.070 --> 00:26:36.730 Dit is niet de evolutie, maar in het verleden integreerde je je agent met een API. 00:26:38.070 --> 00:26:42.890 Je moet beheren, oké, hoe te authenticeren of dat te beheren of de tool aan te roepen. 00:26:42.890 --> 00:26:50.030 Nu kan de AI, oké, ik heb deze tool beschikbaar, ik kan selecteren wat ik nodig heb om het doel te bereiken. 00:26:53.900 --> 00:26:58.520 En wat is, wat is er nu echt veranderd van, van MCP naar een API-verbinding? 00:27:05.010 --> 00:27:10.270 Eigenlijk in het verleden, wat betreft integratie, zijn APIs eigenlijk niet intelligent. 00:27:10.270 --> 00:27:17.570 Als ik dat zo mag zeggen, APIs zijn gewoon, oké, je roept, je roept, je roept een tool aan en die geeft je data. 00:27:17.570 --> 00:27:32.480 Het verschil met MCP is, MCP is intelligenter qua architectuur, want achter de schermen heb je niet alleen tools die je data of informatie geven, 00:27:32.740 --> 00:27:38.680 maar je hebt ook vaardigheden in instructies, en verschillende soorten dingen die MCP echt intelligent maken. 00:27:43.100 --> 00:27:46.840 En eigenlijk kan MCP de AI geven, oké, wil je dat bereiken? 00:27:50.130 --> 00:27:55.910 Ik kan je de exacte tools geven die bij je verzoek passen en je kunt niet slechts één tool aanroepen, 00:27:56.070 --> 00:27:58.850 maar je moet deze tools aanroepen om te bereiken wat je wilt. 00:28:01.460 --> 00:28:03.380 Dit is de rol van MCP. 00:28:04.980 --> 00:28:12.060 Het geeft de AI, oké, ik heb deze tools en daarna, eh, kun je deze of deze of meerdere tools aanroepen om je doelen te bereiken. 00:28:13.660 --> 00:28:24.020 Het geeft je, het geeft je, het geeft aan de AI de context, de echte context van, eh, alles en een API is gewoon, oké, je hebt tools, je hebt een beschrijving en dat is eigenlijk alles. 00:28:24.020 --> 00:28:34.420 Dus, dus is het, het is het model context protocol, ik, ik denk vergelijkbaar met, met, met metadata, of, of hoe werkt het? 00:28:37.180 --> 00:28:37.740 Eh, nee. 00:28:38.740 --> 00:28:42.520 MCP achter de schermen, eh, is gewoon, eh, het is een protocol. 00:28:42.520 --> 00:28:56.740 B, eigenlijk is het, het is een technologisch protocol en achter de schermen heb je, heb je ja, je hebt metadata, je hebt beschrijvingen, eh, je hebt AI vaardigheden die meer beschrijven, eh, het is echt gericht op AI. 00:28:56.740 --> 00:29:12.740 Eigenlijk heb je vaardigheden, heb je instructies en in feite kan de AI beter begrijpen, oké, deze tools, eh, doen dat, deze tool doet dat, oké, ik kan deze vaardigheden aanroepen, ik kan, eh, deze informatie opvragen bij de MCP server om mijn taak te volbrengen. 00:29:14.680 --> 00:29:22.480 Maar je hebt, ja, je hebt, een stukje metadata, want je moet definiëren, oké, uw, de naam van de tool, wat het achter de schermen doet. 00:29:22.480 --> 00:29:27.560 Kijk, kunnen we, kunnen we zeggen dat, dat, dat de toekomst MCP is. 00:29:28.080 --> 00:29:37.120 Dus, moeten we beginnen na te denken over, ik weet het niet, bedrijven hebben honderden rest APIs binnen de organisatie, moeten ze beginnen met het bouwen van MCP servers eromheen. 00:29:40.000 --> 00:29:44.920 Ja, ja, eigenlijk, eigenlijk, uw, werkt een MCP server uw met APIs achter de schermen. 00:29:46.280 --> 00:29:48.280 Uw, dit is in feite geen vervanging. 00:29:49.500 --> 00:29:53.660 Uw, als je, als ik dit samenvat, want de MCP server is gewoon oké. 00:29:54.520 --> 00:29:59.160 Uw, het geeft de context en achter de schermen kan de MCP APIs aanroepen. 00:29:59.960 --> 00:30:12.180 Achter de schermen, maar de MCP server is een frontend, de, de front, uw, de front, uw, de front tool die je, die je moet aanroepen, want achter de schermen ga je je verzoek, uw, versturen op basis van oké. 00:30:12.180 --> 00:30:20.580 Achter de schermen kan het een API zijn, een database, of meerdere tools. 00:30:20.580 --> 00:30:33.480 Maar als je, als je je eigen MCP server wilt hebben, bijvoorbeeld, als je intern in je bedrijf, uw, APIs hebt en verschillende soorten diensten, het kan zijn, ik weet het niet, een financiële dienst of een ouder dienst. 00:30:33.700 --> 00:30:42.420 Als je je eigen MCP wilt bouwen, moet je achter de schermen, uw, met al deze APIs omgaan en de MCP server moet al deze APIs blootstellen. 00:30:42.420 --> 00:30:49.180 Wat zijn de, wat zijn de, de diensten, wat zijn de beschikbare tools, wat zijn de vaardigheden en dat soort zaken. 00:30:52.790 --> 00:30:53.310 H.M. 00:30:55.280 --> 00:31:06.020 Daarna moet je achter de schermen omgaan met authenticatie, omdat de APIs niet allemaal op dezelfde manier werken, want je kunt authenticatie hebben via een sleutel, via, via dit soort dingen. 00:31:07.340 --> 00:31:15.120 Dus je moet daarmee omgaan, maar de MCP zal je de beschikbare tools blootstellen en achter de schermen kunnen al deze tools meerdere APIs aanroepen. 00:31:15.120 --> 00:31:20.300 1 API, het kan zijn, uw, je hebt verschillende soorten architecturen achter de schermen. 00:31:21.160 --> 00:31:21.640 Oké. 00:31:23.100 --> 00:31:25.060 En U M, hoe kiest de MCP? 00:31:29.410 --> 00:31:34.190 De juiste, de juiste tool wanneer ik, ik weet het niet, 100, 500 AI agents heb. 00:31:36.670 --> 00:31:39.270 Uw, dat zal gebaseerd zijn op, uw, eerste zaken. 00:31:40.030 --> 00:31:45.330 Eigenlijk, wanneer, wanneer je een verzoek hebt in een agent, uw, ontdek je alle beschikbare tools. 00:31:45.330 --> 00:31:51.390 De MCP-server zal, je zult, uw, je zult controleren, oké, ik heb al deze tools beschikbaar. 00:31:53.090 --> 00:31:59.050 En eigenlijk, zal de orchestrator van de agent begrijpen, oké, ik heb dit, ik heb een LLM beschikbaar. 00:32:01.450 --> 00:32:02.970 Daarna zul je het plan maken. 00:32:02.970 --> 00:32:19.210 Als ik het een beetje samenvat, maak je een plan met wat acties die uitgevoerd moeten worden, en daarna, in deze actie, in de actie die je wilt uitvoeren, kun je 1, 2, 3 of meer tools aanroepen om de taak te volbrengen die de gebruiker heeft verzocht. 00:32:19.210 --> 00:32:27.820 Dus eigenlijk zal de orchestrator van de agent MCP-tools begrijpen en de beste selecteren voor het verzoek. 00:32:28.580 --> 00:32:29.080 Begrijp je? 00:32:32.590 --> 00:32:49.670 En dit is echt de rol van de orchestrator, het selecteren van tools en dat soort zaken met de hulp van de LLM, natuurlijk, want de LLM is als onderdeel van het brein en de orchestrator zal, oké, communiceren met de LLM en ook de tools om de beste keuze en het beste plan te maken om de taak te volbrengen. 00:32:49.670 --> 00:33:01.930 Ja, ik, ik denk dat veel bedrijven een tijdje geleden zijn begonnen met de PowerShell en nu gebruiken ze de Microsoft Graph API. 00:33:07.190 --> 00:33:09.870 Kwamen er Graph en MCP'en of of hoedoende? 00:33:10.190 --> 00:33:17.910 Ja, ik denk dat eigenlijk, eigenlijk Graph API'en, om eerlijk te zijn, nee, er is geen MCP, MCP voor Graph. 00:33:17.910 --> 00:33:35.160 Als je dit benoemt, weet je, je hebt nu in de Microsoft 365 wereld, heeft Microsoft veel MCP-servers geïntroduceerd en die MCP-servers zijn achter de schermen gebaseerd op Microsoft Graph. 00:33:37.430 --> 00:33:47.050 Dus bijvoorbeeld als je wilt, ik weet niet, de Teams MCP-server wilt gebruiken, wordt achter de schermen de Graph API aangeroepen wanneer je de MCP-server gebruikt. 00:33:47.050 --> 00:34:01.860 Dus Graph API in de Microsoft 365 wereld is centraal, want achter de schermen zal de MCP communiceren met Graph achter de schermen om het verzoeken goed te laten werken. 00:34:01.860 --> 00:34:17.200 Maar ja, tegenwoordig is Graph ook centraal in Copilot in het algemeen, omdat de semantische index van Copilot gebaseerd is op ruwe data, maar eigenlijk, weet je, verbruik je Graph via MCP-servers. 00:34:19.510 --> 00:34:20.930 Tegenwoordig is het de, is het zo. 00:34:28.900 --> 00:34:40.040 Microsoft 365 bevat ongelooflijke waarden, organisatorische contexten, documenten, vergaderingen, e-mails, mensen, teams, gesprekken en, zeg ik, gedeelde inhoud. 00:34:40.040 --> 00:34:44.980 Hoe stellen we die context bloot zonder ja? 00:34:46.260 --> 00:34:48.600 Een beveiligingsnachtmerrie te creëren? 00:34:50.850 --> 00:34:53.410 Bedoel je in termen van governance en dat soort dingen? 00:34:56.550 --> 00:35:02.870 Ja, het is altijd een probleem omdat veel mensen een agent te bouwen zonder achter de schermen voor de juiste governance te zorgen. 00:35:04.390 --> 00:35:07.210 Dus ik wil een agent bouwen, oké, laten we beginnen. 00:35:08.050 --> 00:35:13.310 We bouwen en implementeren en daarna, ah maar u, oké, deze agent zal met veel data werken. 00:35:14.510 --> 00:35:15.270 Hoe beheer ik dat? 00:35:16.850 --> 00:35:20.350 De eerste vraag is, oké, hoe zet ik het beheer van de agent op? 00:35:21.870 --> 00:35:24.650 Uw, voorheen kon het, zoals je zei, een puinhoop zijn. 00:35:24.850 --> 00:35:32.490 Omdat, uw, veel mensen willen, oké, ik wil agent, agent, agent bouwen, of ik wil iets bouwen, uw, ik wil een AI-oplossing bouwen. 00:35:32.490 --> 00:35:42.770 Maar achter de schermen, uw, een van de dingen, als je in een Microsoft 365 context bent, bijvoorbeeld, is een van de eerste dingen die je moet doen, oké, je data begrijpen. 00:35:42.770 --> 00:35:46.410 Want zonder je data te begrijpen, uw, ben je verloren. 00:35:47.130 --> 00:35:53.270 Je moet je data begrijpen, want het is belangrijk om te weten, oké, uw, werk ik met vertrouwelijke gegevens of niet. 00:35:54.110 --> 00:35:56.550 Werk ik met uw zeer vertrouwelijke gegevens? 00:35:56.550 --> 00:36:00.230 Oké, uw, je moet je data begrijpen. 00:36:00.230 --> 00:36:12.850 Daarna, als je in een Microsoft-omgeving zit, moet je bijvoorbeeld DLP-functies, vertrouwelijkheidslabels en dat soort dingen implementeren, want zonder dit, uw, zou het een probleem kunnen zijn. 00:36:12.850 --> 00:36:31.500 En daarna moet je je data ook een beetje opschonen, want uw, AI-met, met slechte data, zal je agent niet werken zoals je wilt, want uw, als je een puinhoop hebt in je, ik weet niet, SharePoint, uw, Teamkanaal, dat soort dingen. 00:36:31.500 --> 00:36:37.500 Als het een puinhoop is, uw, zal het in feite moeilijk zijn om correct te werken, uw, in de, in de agentbenadering. 00:36:37.500 --> 00:37:01.310 Maar ja, je moet je data begrijpen, je moet wat uw, basisbeveiliging implementeren, zoals uw, authenticatie, zoals ik zei, Purview-functies uw, en Purview is een centrale oplossing geworden om, om al deze uw, al die beveiligings- en governance-middelen op een plek te krijgen. 00:37:01.310 --> 00:37:24.260 En nadat je je data hebt opgeschoond, wanneer je een aantal basisbeveiligingen hebt ingevoerd, moet je ook begrijpen hoe het zit met licenties, want voordat je begint met het bouwen van een agent, moet je weten, oké, wie zijn de ontwikkelaars? 00:37:24.260 --> 00:37:30.500 Zijn ze daarvoor opgeleid? Hebben we de juiste licenties om te starten? Hebben we abonnementen nodig? Dat soort zaken. 00:37:41.700 --> 00:37:48.920 Een groot probleem is de tooling, hoe integreer ik al mijn tools op de juiste manier in mijn ontwikkeling en mijn agent, moet ik bepaalde zaken beperken. 00:37:48.920 --> 00:38:07.810 Eerlijk gezegd is dat een grote vraag, je hebt verschillende activiteiten om rekening mee te houden, maar voor mij is het allerbelangrijkste dat je je data begrijpt, want als een bedrijf de data niet begrijpt, zal het in het begin al een probleem zijn. 00:38:12.990 --> 00:38:23.100 Oké. En Ul? Wanneer, wanneer, wij, hoe? Hebben we het uw oké gevraagd? 00:38:24.680 --> 00:38:32.340 Ul? Het beveiligingsonderwerp, Ul? Ik denk dat er daar 2-2-2. 00:38:32.340 --> 00:38:36.900 Oké. Ja, 2-2 soorten mensen zijn. 00:38:39.040 --> 00:38:44.480 De een zegt oké, ze hebben gebruikersrechten nodig en de ander zegt dat ze applicatierechten nodig hebben. 00:38:47.900 --> 00:38:50.220 Hoe zou een agent over het algemeen moeten werken? 00:38:58.080 --> 00:39:06.400 Over het algemeen en mijn beste aanbeveling is eigenlijk, wanneer je met agentoplossingen werkt, doe het altijd met gebruikersrechten, gedelegeerde rechten, 00:39:06.400 --> 00:39:12.400 want qua beveiliging is dat eerlijk gezegd beter omdat de gebruiker alleen werkt met data en tools waar hij toegang toe heeft. 00:39:17.750 --> 00:39:20.150 Dat, dat is het belangrijkste principe. 00:39:21.970 --> 00:39:27.650 Als je daarna applicatierechten nodig hebt voor een specifieke API of context, dan kan dat. 00:39:32.590 --> 00:39:36.850 Maar gebruik niet direct applicatierechten, doe het liever in de context van een wrapper. 00:39:36.850 --> 00:39:48.060 Dus je maakt, ik weet het niet, bijvoorbeeld een MCP-server, en je integreert die MCP met applicatierechten op de achtergrond. 00:39:53.600 --> 00:40:01.120 De MCP roept dan bijvoorbeeld jouw API aan op de achtergrond met applicatierechten en geeft je vervolgens de informatie die je nodig hebt, 00:40:01.360 --> 00:40:04.040 maar de gebruiker werkt niet direct met de applicatierechten. 00:40:04.040 --> 00:40:17.760 Wij roepen de MCP-server aan met gebruikersrechten en de MCP-server roept op de achtergrond applicaties of services aan met specifieke applicatierechten. 00:40:18.960 --> 00:40:19.800 Zie je het verschil? 00:40:21.820 --> 00:40:23.920 Uw oké. Uw interessant. 00:40:26.810 --> 00:40:30.570 Ik denk dat als we nadenken over architectuur, we ook wat dieper moeten kijken. 00:40:33.970 --> 00:40:37.290 Ik denk dat er drie grote onderwerpen zijn binnen de architectuur. 00:40:37.290 --> 00:40:45.730 We hebben Retrieval Augmented Generation, we hebben het kennisonderwerp en we hebben wat ik noem Enterprise-se arch via de achterdeur. 00:40:47.950 --> 00:40:48.470 EHM 00:40:48.470 --> 00:40:52.870 Waar laten we beginnen met met RAG? 00:40:54.410 --> 00:40:56.490 Waar past RAG in de architectuur? 00:40:58.670 --> 00:40:59.490 A. RAG 00:40:59.490 --> 00:41:09.110 Om eerlijk te zijn, is RAG eigenlijk de meest om eerlijk te zijn qua prestaties, 00:41:09.930 --> 00:41:15.050 omdat AI verschillende soorten data moet begrijpen en in feite is RAG hierom een vraag te beantwoorden. 00:41:15.050 --> 00:41:26.580 Want in het verleden, toen we geen RAG hadden, moest je in feite omgaan met andere benaderingen. 00:41:29.350 --> 00:41:31.550 Niet echt ouderwets, maar het was ingewikkeld. 00:41:35.770 --> 00:41:43.410 Maar RAG is essentieel omdat RAG verschillende soorten data begrijpt en je in feite de informatie ophaalt die de AI nodig heeft uit documenten, 00:41:43.630 --> 00:41:45.830 het kunnen meerdere verschillende soorten data zijn. 00:41:50.400 --> 00:41:53.120 Dus ja, RAG is tegenwoordig centraal in AI-architectuur. 00:41:53.120 --> 00:42:04.580 Ja, maar het klopt dat voor veel gebruikers, wanneer je praat over wat er achter de schermen bij RAG gebeurt, 00:42:04.820 --> 00:42:10.160 ze niet weten wat het is omdat Microsoft of veel andere softwarebedrijven hier tegenwoordig niet over praten, 00:42:10.320 --> 00:42:11.920 omdat er achter de schermen RAG zit. 00:42:17.040 --> 00:42:22.160 Maar bijvoorbeeld in Copilot Studio begrijpt de gebruiker niet dat er achter de schermen RAG zit, zie je. 00:42:22.160 --> 00:42:30.930 En tegenwoordig, als je dieper wilt duiken, oké, dan heb je dit soort concepten, 00:42:31.150 --> 00:42:37.190 maar voor veel gebruikers is RAG totaal onbekend omdat ze gewoon de tool gebruiken en die concepten achter de schermen zitten. 00:42:41.300 --> 00:42:47.460 En dan hebben we het volgende onderwerp, het is kennis, hoe krijgen we dit, waar halen de AI-systemen hun kennis vandaan? 00:42:49.640 --> 00:42:51.660 Is het een verzameling of hoe werkt dit? 00:42:54.770 --> 00:42:57.910 EHM eigenlijk, om eerlijk te zijn, de kennis is. 00:43:02.700 --> 00:43:05.440 Kan gehost worden in heel veel verschillende systemen. 00:43:08.420 --> 00:43:13.900 Het kan een plat tekstbestand zijn, een markdown bestand, een kennisbank, het kan van alles zijn. 00:43:15.260 --> 00:43:19.360 Maar eigenlijk, als je een MCP-server hebt, kun je die kennis benaderen. 00:43:20.380 --> 00:43:24.420 Of als je bijvoorbeeld, ik weet het niet, connectoren hebt naar SharePoint, 00:43:24.660 --> 00:43:27.220 je hebt tegenwoordig voor veel diensten connectoren, 00:43:27.520 --> 00:43:31.520 dus toegang krijgen tot die kennis is makkelijker dan vroeger, laten we eerlijk zijn. 00:43:32.100 --> 00:43:35.820 Want in het verleden moest je je eigen plugin bouwen en alles zelf instellen. 00:43:35.820 --> 00:43:44.100 Tegenwoordig heb je een directe verbinding met elk systeem en kun je je kennis integreren zonder dat je grote ontwikkelteams nodig hebt. 00:43:47.710 --> 00:43:53.610 Ik denk, ik denk vaak, heb ik, ik weet het niet, ik verzamel dit voor mijn, ik zeg tegen mijn, ik weet het niet, iemand. 00:43:58.690 --> 00:44:04.350 En hoe begrijpt AI welke documenten niet klaar zijn, of verouderd zijn, of ik weet het niet, dubbel zijn? 00:44:04.350 --> 00:44:12.920 Hoe, hoe kan, hoe begrijpt een AI-systeem dit? 00:44:13.560 --> 00:44:15.200 Wat moeten we gebruiken en waarvoor? 00:44:20.760 --> 00:44:24.580 Eigenlijk gebruik je RAG omdat je achter de schermen moet begrijpen wat je data is. 00:44:29.840 --> 00:44:33.880 Maar eerlijk gezegd, als ik het een beetje samenvat, begin je bij de prompt, oké. 00:44:36.760 --> 00:44:42.800 De gebruiker wil, oké, je wilt bijvoorbeeld zoeken in, ik weet het niet, een kennisbank en bijvoorbeeld OneDrive. 00:44:42.800 --> 00:44:56.040 Achter de schermen, wanneer de orchestrator met behulp van een LM de prompt en de intentie van de gebruiker begrijpt, heb je in feite de index. 00:45:06.090 --> 00:45:17.330 Want in Copilot heb je bijvoorbeeld de semantische index en deze semantische index geeft je eigenlijk inzicht in alle kennis en de AI kan die semantische index direct bevragen om bijvoorbeeld RAG uit te voeren, 00:45:17.530 --> 00:45:21.390 zodat je direct de juiste documenten kunt selecteren op basis van de behoefte. 00:45:21.390 --> 00:45:35.470 Maar in Copilot heb je deze semantische index en de AI kan deze index achter de schermen direct in natuurlijke taal bevragen. 00:45:37.270 --> 00:45:42.610 Dus ik vraag, oké, ik wil begrijpen, ik weet het niet, hoe ik mijn bedrijfs-VPN moet instellen. 00:45:45.510 --> 00:45:54.270 En achter de schermen voer je RAG uit op de semantische index en haal je in feite het document op dat bijvoorbeeld de volledige configuratie van de bedrijfs-VPN bevat. 00:45:54.270 --> 00:46:06.340 In Microsoft 365 Copilot Chat is dat achter de schermen bijvoorbeeld de Graph API, want zoals ik al zei, is de semantische index gebouwd op de Graph API. 00:46:08.940 --> 00:46:15.140 Het is achter de schermen een Graph-functie, maar bij maatwerkontwikkeling heb je bijvoorbeeld Foundry-AQ achter de schermen. 00:46:17.340 --> 00:46:19.700 Het was een Azure Surface met een andere naam. 00:46:20.640 --> 00:46:23.320 Maar nu kun je je eigen RAG-systeem hebben als je dat wilt. 00:46:23.320 --> 00:46:30.180 En eigenlijk kun je UL, wanneer je een aangepaste agent hebt, dit direct vragen aan de Foundry-AQ-instantie. 00:46:31.000 --> 00:46:40.060 Oké, UL, ik wil UL, ik wil de configuratie van UL, mijn VPN-bedrijf en de AI kan UL ophalen wat UL je nodig hebt aan documenten. 00:46:42.120 --> 00:46:45.500 Dat kunnen PDF's zijn, Word, Excel, dat soort dingen. 00:46:48.370 --> 00:46:54.560 En, en, dat is hoe de de zoekfunctie werkt, toch? 00:46:59.070 --> 00:46:59.390 Of 00:46:59.390 --> 00:47:02.830 UL achter de schermen, bedoel je? 00:47:03.330 --> 00:47:03.650 Ja, 00:47:04.290 --> 00:47:07.470 A, achter de schermen, ja, je hebt de de zoekfunctie. 00:47:11.370 --> 00:47:18.650 UL, maar eigenlijk heb je tegenwoordig UL achter de schermen en achter de schermen van UL van Copilot UL Copilot Chat heb je drie UL drie mogelijkheden. 00:47:18.650 --> 00:47:27.170 Je hebt de standaard zoekfunctie, wat eigenlijk een zoekopdracht is waarbij je okéën voert, simpelweg UL wat trefwoorden in en UL je zoekt in UL je documenten en dat soort dingen. 00:47:30.180 --> 00:47:31.920 Dit is een eenvoudige zoekopdracht. 00:47:32.140 --> 00:47:34.540 We kennen allemaal trefwoord zoeken zoals Google. 00:47:34.760 --> 00:47:38.740 Daarna UL heb je twee verschillende UL-mogelijkheden. 00:47:40.740 --> 00:47:42.820 Je hebt eerst de RAG achter de schermen. 00:47:44.080 --> 00:47:47.800 Je hebt de mogelijkheid van RAG in InBreath en je hebt ook 00:47:47.800 --> 00:47:58.790 UL de Copilot Semantische Index zoekopdracht die een beetje anders is omdat RAG echt geavanceerder is dan de Copilot Semantische Index zoekopdracht. 00:47:58.790 --> 00:48:15.940 Maar je hebt al deze drie mogelijkheden achter de schermen om ervoor te zorgen dat jou UL het ben je niet zelf, maar achter de schermen kan de AI deze drie UL verschillende mogelijkheden aanroepen om de gegevens op te halen uit OneDrive, Teams en 365 in het algemeen daarna. 00:48:15.940 --> 00:48:22.650 Hij kan de Semantische Index van Copilot bevat ook de Copilot Connectoren. 00:48:22.650 --> 00:48:33.050 Dus bijvoorbeeld als je een Salesforce hebt verbonden met de Copilot Connector, kan het ook zoeken in al je gegevens in Salesforce in ServiceNow in meerdere tools. 00:48:33.050 --> 00:48:45.130 Omdat het alles UL met de Copilot Connector heb je alle gegevens geïntegreerd in de Graph, UL, Index, Semantische Index, kun je direct je externe systemen bevragen. 00:48:47.010 --> 00:48:47.530 MHM 00:48:47.530 --> 00:48:50.890 Oké, en UM ik denk het. 00:48:56.230 --> 00:49:02.850 Wanneer we agents bouwen hebben we het governance gedeeld en een van de onderdelen is voor mij ook zeg maar agent lifecycle management. 00:49:03.130 --> 00:49:04.570 Ha, hoe ziet dit er eigenlijk uit? 00:49:07.800 --> 00:49:09.080 Hoe ziet het er eigenlijk uit? 00:49:10.120 --> 00:49:15.680 UL eerlijk gezegd, in het Microsoft ecosysteem is het vrij eenvoudig als ik dat zo mag zeggen. 00:49:16.880 --> 00:49:23.240 Omdat wanneer je, wanneer je te maken hebt met low-code, bijvoorbeeld Copilot Studio, heb je te maken met Power Platform. 00:49:24.320 --> 00:49:26.800 Concept al en UL, er is niets veranderd. 00:49:27.200 --> 00:49:31.080 Dus, je hebt oplossingen, je hebt An op zijn plek, je hebt pipelines. 00:49:31.080 --> 00:49:39.980 Dus, als je met Copilot Studio werkt, is het eerlijk gezegd zoals voorheen, omdat je alle zaken hebt waarin je hebt geïnvesteerd op het gebied van Power Platform Governance. 00:49:40.120 --> 00:49:41.320 Levenscyclus en al. 00:49:41.680 --> 00:49:43.440 Het is precies hetzelfde. 00:49:44.800 --> 00:49:50.920 Uw, dit is een goede zaak, want veel mensen vragen me, oh, Copilot Studio, hoe beheer je dat? Is het anders? 00:49:50.920 --> 00:49:57.920 Aanhalingsteken, nee, het is heel simpel, zoals bij Power Apps of Power Automate applicatie Levenscyclusbeheer. 00:49:58.140 --> 00:50:04.500 Dus, in dit geval is het agent Levenscyclusbeheer, maar achter de schermen is het hetzelfde concept als bij het Power Platform. 00:50:04.500 --> 00:50:18.160 En wanneer je te maken hebt met UL, bijvoorbeeld, maatwerk, is het eigenlijk hetzelfde als wanneer je UL applicaties bouwt, .net applicaties, dat soort zaken, omdat je alles als code beheert. 00:50:20.440 --> 00:50:24.640 Dus, je hebt frameworks, je hebt beveiligingsaspecten, dat soort dingen. 00:50:24.640 --> 00:50:32.720 Dus alles om eerlijk te zijn, UL, qua applicatie en agent Levenscyclusbeheer, is echt hetzelfde concept als voorheen. 00:50:34.380 --> 00:50:41.940 En dit is voor mij een goed punt, omdat je niet veel hoeft te investeren, UL, in termen van, UL, Levenscyclusprocessen en dat soort zaken. 00:50:42.900 --> 00:50:53.020 Maar het enige is dat je wat veranderingen hebt, UL, maar UL, een van de grote veranderingen is, oké, je moet rekening houden met LLM, dat soort dingen, deployment, dat soort zaken. 00:50:53.020 --> 00:50:58.960 Maar achter de schermen lijkt het op de DevOps-aanpak uit het verleden, met pipelines, dat soort dingen. 00:51:00.120 --> 00:51:03.540 Dus, naar mijn mening is er niets veranderd, omdat we agents beheren. 00:51:05.630 --> 00:51:12.610 UL, het kan maatwerk of copilot zijn, je gebruikt tegenwoordig eerlijk gezegd dezelfde aanpak als voorheen. 00:51:14.510 --> 00:51:24.030 En, en, dit dit betekent of of wanneer wanneer een bedrijf tussen ze nog geen AI in het bedrijf gebruikte, 00:51:24.030 --> 00:51:29.050 maar ze hebben de perfecte setup voor Purview, voor Defender en al, al, al de tools daarnaast. 00:51:34.340 --> 00:51:38.220 Is er dan enige verandering nodig of betekent dit AI-gereedheid? 00:51:38.720 --> 00:51:48.590 A, het is het is en het is een grote vraag, omdat AI-gereedheid, UL, voor, voor, voor Microsoft, UL, is oké. 00:51:50.130 --> 00:51:53.490 UL, UL, ben je scherp op permissies, beheer je dat soort dingen? 00:51:53.850 --> 00:51:58.210 Maar, UL, oké, AI-gereedheid is voor mij niet alleen een technische aanpak, 00:51:58.210 --> 00:52:01.010 want oké, technisch gezien weten we wat we moeten doen. 00:52:02.650 --> 00:52:06.310 Oké, we moeten permissies beheren over een hoop services, weet je? 00:52:07.510 --> 00:52:12.650 Voor mij moet AI-gereedheid ook, UL, de data omvatten, de data, begrijp je. 00:52:14.800 --> 00:52:21.660 Want, UL, als je je data niet begrijpt, zoals ik al zei, UL, dan kun je, UL, kun je het technische gedeelte niet beheren, 00:52:21.940 --> 00:52:24.960 want, UL, als je niet weet wat wel of niet vertrouwelijk is, 00:52:24.960 --> 00:52:31.120 is, bijvoorbeeld, UL, is het lastig om enige, enige beveiliging, enige beveiligingszaken in te stellen. 00:52:33.180 --> 00:52:38.700 Maar als we, als we Microsoft volgen, is AI-gereedheid oké, je moet machtigingen beheren, 00:52:38.960 --> 00:52:44.980 je wilt vertrouwelijkheidslabels instellen, UL, je moet voldoen aan de AVG, UL, dat soort dingen. 00:52:49.590 --> 00:52:53.570 Maar je hebt ook een meer hoogwaardig, UL, hoogwaardig, UL, aspect, 00:52:53.570 --> 00:53:01.570 en voor mij is AI-gereedheid niet alleen technisch, je hebt tegenwoordig ook een functioneel of hoogwaardig aspect om rekening mee te houden, eerlijk gezegd. 00:53:10.890 --> 00:53:15.710 UM, ja, dat is echt interessant, um, ik denk dat veel bedrijven, dit was begonnen met de AI, 00:53:15.830 --> 00:53:22.110 maar nu met met agents zeggen veel bedrijven, oh, het heeft al mijn ik weet het niet, e-mails verwijderd of doet iets kwaadaardigs, kwaadaardigs. 00:53:26.330 --> 00:53:32.310 Um, hoe dacht je wat wat zullen bedrijven, zeggen ze, ze zijn bang voor AI? 00:53:32.310 --> 00:53:53.780 Het is, het is een goede vraag, want ik woon in Zwitserland en in feite hebben we, hebben we veel private banken en we hebben veel, om eerlijk te zijn, echt, UL, gevoelige klanten, om eerlijk te zijn, en UL, en in feite, is het, het meest kritieke onderdeel, oké, waar worden de gegevens verwerkt. 00:53:56.180 --> 00:54:00.800 In principe, en UL, ja, ook, oké, doorzoekt AI mijn e-mails. 00:54:01.800 --> 00:54:02.960 Dit soort dingen. 00:54:02.960 --> 00:54:24.020 Dus achter de schermen, zij, zij vragen dit altijd, maar, weet je, het, het meest kritieke deel voor hen is, oké, ik moet begrijpen, oké, waar de gegevens worden verwerkt, en UL, en ook, oké, UL, ik ben de, de, de, eigenaar van de AI. 00:54:24.020 --> 00:54:49.710 Dus ik, ik geef de instructie aan de AI, en de AI achter de schermen zal het werk doen, en ze zijn bang voor, bijvoorbeeld, het autonome, UL, aspect, want tegenwoordig, oké, kun je, oké, dat doen, en achter de schermen zal de AI naar iets zoeken, UL, een query, UL, iets achter de schermen, en ze zijn bang van, oké, UL, als ik de, vraag om iets te doen, wat wordt er dan achter de schermen uitgevoerd. 00:54:49.710 --> 00:55:03.490 En UL, ja, er zijn veel van dit soort vragen, oké, hoe, hoe krijg ik de volledige controle over het proces achter de schermen, of het nu een AI-agent of een AI-service is? 00:55:08.820 --> 00:55:18.240 Ja, dat is een soort vraag, maar het is echt een kwestie van adoptie, ook training, om wat training op te zetten over hoe je AI begrijpt en wat er precies achter de schermen gebeurt. 00:55:18.240 --> 00:55:38.200 En transparantie is ook een belangrijk punt, want transparantie moet in elke AI-oplossing worden doorgevoerd, want transparantie is voor mij een groot onderwerp, omdat je alles moet inrichten, aangezien je AI-oplossing transparant moet zijn. 00:55:41.990 --> 00:55:48.190 Je moet begrijpen wat er achter de schermen gebeurt, welke data wordt opgevraagd, je moet alles kunnen traceren en loggen. 00:55:48.190 --> 00:56:01.120 Alles moet dus transparant zijn wanneer je tegenwoordig een oplossing hebt, want je moet precies begrijpen wat er op de achtergrond wordt uitgevoerd, welke data wordt verwerkt en wat de logica achter de schermen is. 00:56:03.020 --> 00:56:08.220 Oké, hoe heb je dit plan gegenereerd, op basis van welke feiten en dat soort zaken? 00:56:08.220 --> 00:56:14.760 Geweldig, oh, ik zie dat we een beetje door onze tijd heen raken, dus ja, sorry. 00:56:15.680 --> 00:56:21.920 Weet je, dit was echt geweldig, maar ik heb in elke podcast een vragenvuurronde, dus Uw. 00:56:23.820 --> 00:56:27.020 Uw dus Uw, ik geef een korte zin en jij geeft een kort antwoord. 00:56:28.120 --> 00:56:29.520 Uw dus, ben je er klaar voor? 00:56:30.520 --> 00:56:33.320 Ja, Copilot Studio of Custom Code? 00:56:33.320 --> 00:56:38.840 Co-Pilot Studio, uw Microsoft Foundry of Co-Pilot Studio? 00:56:40.080 --> 00:56:43.380 Co-Pilot Studio, uw type script of C-Sharp? 00:56:46.700 --> 00:56:48.240 GitHub of Azure DevOps? 00:56:49.240 --> 00:56:49.680 GitHub. 00:56:50.740 --> 00:56:52.000 Uw RAG of Fine Tuning? 00:56:54.080 --> 00:56:54.640 All right. 00:56:56.120 --> 00:57:00.040 Wat is de meest ondergewaardeerde Microsoft 365 API? 00:57:04.720 --> 00:57:05.660 De RAG API. 00:57:05.660 --> 00:57:11.240 Een technologie die elke Microsoft-ontwikkelaar in 2026 moet leren. 00:57:12.540 --> 00:57:13.840 GitHub Co-Pilot. 00:57:17.360 --> 00:57:24.380 Stel dat Satya Nadelja naar je toe komt en zegt, je krijgt al het geld en de middelen die je wilt om ons AI-platform te verbeteren. 00:57:25.940 --> 00:57:28.680 Uw, je kunt één functie ontwikkelen. Wat zou dat zijn? 00:57:29.660 --> 00:57:31.780 Alle governance zaken die we nodig hebben. 00:57:34.390 --> 00:57:34.850 NUM. 00:57:34.850 --> 00:57:40.390 Wie moet ik als volgende uitnodigen voor de podcast en welke vraag moet ik stellen? 00:57:47.510 --> 00:57:48.610 Oh, goede vraag. 00:57:50.070 --> 00:57:55.890 Ik heb veel vrienden, maar Uw ja, misschien kun je het aan mijn co-spreker vragen met wie ik op veel conferenties sta. 00:57:56.730 --> 00:57:59.110 Je kunt het bijvoorbeeld aan Chloe Moro vragen. 00:58:00.210 --> 00:58:04.610 Uw, zij was voorheen functioneel consultant voordat ze zich op de technische kant ging richten. 00:58:06.610 --> 00:58:12.350 En Uw, ze heeft een heel goed verhaal over functionele, minder technische zaken in de Dynamics wereld. 00:58:15.080 --> 00:58:24.900 Dus misschien kun je haar uitnodigen en vragen, vertel me eens, hoe ga je tegenwoordig om met de balans tussen functioneel en technisch werk, want daar liggen toch behoorlijk grote uitdagingen. 00:58:24.900 --> 00:58:35.140 Ja, en mijn, mijn, mijn afsluitende vraag is, wat zouden mensen, als ze één, één lee uit deze sessie kunnen meenemen, wat zouden ze moeten meenemen? 00:58:37.590 --> 00:58:38.710 Uw uit deze sessie? 00:58:38.910 --> 00:58:39.470 Je bedoelt. 00:58:42.480 --> 00:58:44.760 Uw eigenlijk, AI evolueert snel. 00:58:44.760 --> 00:58:56.440 En als je tegenwoordig bij wilt blijven, Uw, moet je alles volgen, want eerlijk gezegd zit AI tegenwoordig echt door, Uw, de hele Microsoft-stek heen. 00:59:01.760 --> 00:59:15.660 En tegenwoordig is een van de dingen die je moet begrijpen dat de evolutie snel gaat en je moet echt, echt, Uw, constant bijblijven, want, Uw, je mist op een gegeven moment iets als je niet, Uw, als je niet leert, als je de evolutie op dit gebied niet begrijpt. 00:59:15.660 --> 00:59:24.080 Ja, dus, dus ja, Uw, bedankt voor je komst. 00:59:25.440 --> 00:59:35.340 Ik denk dat de belangrijke lee uit dit gesprek is dat de uitbreidbaarheid van Microsoft 365 Copilot niet simpelweg gaat over het schrijven van steeds geavanceerdere prompts. 00:59:38.020 --> 00:59:47.980 Uw, ik denk dat we bewegen naar een architectuur waarin Copilot en agents verbinding kunnen maken met organisatiekennis, Microsoft Graph, bedrijfsapplicaties, APIs en ga zo maar door. 00:59:47.980 --> 01:00:01.260 Uhm, ja, ik denk dat Copilot Studio, Microsoft Foundry, maatwerkontwikkeling en technologieën zoals MCP-ontwikkelaars een, ja, een geweldige, krachtige gereedschapskist bieden. 01:00:03.780 --> 01:00:16.520 Uw, en ja, maar hoe capabeler de agents worden, hoe belangrijker ook de fundamenten worden, identiteit, rechten, beveiliging, governance, testen, observability, applicatie, levenscyclusbeheer enzovoort. 01:00:16.520 --> 01:00:24.010 Dus ja, ik denk dat je een heel, heel goed overzicht hebt gegeven van al deze onderwerpen. 01:00:24.970 --> 01:00:27.750 Dus bedankt voor je komst en voor de luisteraars. 01:00:27.950 --> 01:00:39.610 Alle informatie kun je vinden in de show notes op de M365FM podcastpagina en Uw, ja, waar je verbinding kunt maken en het werk van EES kunt zien en ja, bedankt dat je er was. 01:00:40.850 --> 01:00:44.150 Bedankt dat ik er mocht zijn. Het was een erg leuke tijd met jou.