WEBVTT

00:00:00.000 --> 00:00:05.260
Het onderwerp van vandaag is iets waar bijna iedereen van gehoord heeft, maar weinigen echt kunnen uitleggen, het AI-agent Harnas.

00:00:05.440 --> 00:00:09.400
Je hebt het waarschijnlijk wel eens voorbij zien komen in blogs of op conferenties, maar wat betekent het eigenlijk?

00:00:09.600 --> 00:00:14.440
Het zit zo, de meeste mensen denken dat het bouwen van een AI-agent rijdt om het schrijven van de perfecte prompt,

00:00:14.680 --> 00:00:17.600
die ene magische instructie die het model precies laat doen wat jij wilt.

00:00:17.760 --> 00:00:20.640
Maar dat is hetzelfde als denken dat een auto alleen uit de motor bestaat.

00:00:20.940 --> 00:00:25.740
Natuurlijk is de motor belangrijk, maar zonder wielen, een stuur, remmen en een chassis kom je nergens.

00:00:25.740 --> 00:00:30.260
Aan het einde van deze aflevering zul je begrijpen wat een agent Harnas werkelijk is,

00:00:30.480 --> 00:00:36.880
waarom dit de volgende stap is na prompt engineering en hoe Microsoft AI Foundry dit voor echte bedrijven tot leven brengt.

00:00:36.960 --> 00:00:38.840
Pak je koffie erbij en laten we beginnen.

00:00:39.100 --> 00:00:40.740
Waarom prompten niet meer voldoende is

00:00:40.740 --> 00:00:42.440
Laten we teruggaan naar de beginperiode.

00:00:42.660 --> 00:00:45.700
Rond 2022 tot 2024 was werken met AI eenvoudig.

00:00:45.820 --> 00:00:47.300
Je schreef een prompt en kreeg een antwoord.

00:00:47.440 --> 00:00:49.560
Een emailconcept nodig? Schrijf een prompt.

00:00:49.740 --> 00:00:52.260
Een samenvatting van een artikel nodig? Schrijf een prompt.

00:00:52.480 --> 00:00:54.680
Voor simpele, eenmalige taken werkte dat heel goed.

00:00:54.680 --> 00:00:57.440
Je kon om iets vragen en het model gaf een redelijk antwoord.

00:00:57.620 --> 00:00:59.240
Maar toen werden mensen ambitieuzer.

00:00:59.440 --> 00:01:01.700
Ze begonnen deze modellen echt werk te laten doen.

00:01:01.880 --> 00:01:04.120
Een onderwerp onderzoeken en een rapport schrijven,

00:01:04.360 --> 00:01:06.620
een codebasis analyseren en een bak oplossen,

00:01:06.900 --> 00:01:09.500
of een klantenservicegesprek van begin tot eind afhandelen.

00:01:09.660 --> 00:01:11.680
En plotseling kon één prompt het niet meer aan.

00:01:11.880 --> 00:01:12.860
Dit is wat er gebeurde.

00:01:13.020 --> 00:01:14.940
Het contextvenster van het model raakte vol,

00:01:15.100 --> 00:01:19.100
het vergat de eerdere instructies en begon feiten te verzinnen of onvolledige resultaten te geven.

00:01:19.320 --> 00:01:22.300
Hoe langer de taak duurde, hoe onbetrouwbaarder de output werd.

00:01:22.300 --> 00:01:24.660
Je hebt dit waarschijnlijk zelf ook wel eens ervaren.

00:01:24.820 --> 00:01:26.820
Je vraagt een AI om iets complex te doen,

00:01:27.060 --> 00:01:30.160
en aan het einde is het vergeten wat je in de eerste plaats had gevraagd.

00:01:30.300 --> 00:01:33.860
Stel je voor dat je iemand vraagt om in zijn eentje een heel huis vanaf nul te bouwen,

00:01:34.000 --> 00:01:36.260
in één keer, zonder ooit hun werk te controleren.

00:01:36.440 --> 00:01:38.120
Dat is wat we deze modellen vroegen te doen.

00:01:38.300 --> 00:01:40.140
De resultaten waren precies wat je zou verwachten,

00:01:40.280 --> 00:01:42.960
een half afgebouwd huis met ontbrekende muren en deuren die niet opengaan.

00:01:43.100 --> 00:01:44.760
De oplossing was niet een betere prompt.

00:01:44.980 --> 00:01:47.180
Je kon uren besteden aan het fine-tunen van de bewoordingen,

00:01:47.340 --> 00:01:49.340
meer voorbeelden toevoegen en instructies aanscherpen,

00:01:49.340 --> 00:01:53.520
maar het zou nog steeds falen bij lange, complexe taken omdat het fundamentele probleem niet te prompt was.

00:01:53.700 --> 00:01:55.580
Het was het gebrek aan een systeem eromheen.

00:01:55.820 --> 00:01:59.220
Wat het model nodig had, waren geen betere woorden, maar betere ondersteuning.

00:01:59.480 --> 00:02:02.720
Daar begon de evolutie van prompt engineering naar context engineering.

00:02:03.000 --> 00:02:04.340
De drie fases van AI-evolutie.

00:02:05.140 --> 00:02:06.820
Dit is hoe ik de evolutie van AI zie.

00:02:07.060 --> 00:02:10.020
Drie fases waarbij de focus voor engineers telkens verschuift.

00:02:10.260 --> 00:02:11.740
Fase 1 was prompt engineering.

00:02:12.040 --> 00:02:14.380
Dat liep van ongeveer 2022 tot 2024.

00:02:14.960 --> 00:02:17.440
De grote vraag was simpel, wat moet ik tegen het model zeggen?

00:02:17.440 --> 00:02:20.580
Je schreef één instructie, kreeg één antwoord en dat was het.

00:02:20.700 --> 00:02:22.820
Het hele vak draaide om formulering en toon.

00:02:23.000 --> 00:02:24.540
Voor basis taken was dat voldoende.

00:02:24.800 --> 00:02:28.840
Fase 2 volgde daarna context engineering van 2024 tot 2025.

00:02:29.380 --> 00:02:32.580
De vraag veranderde van wat moet ik zeggen naar wat moet het model zien.

00:02:32.840 --> 00:02:36.340
Engineers ontdekten dat wat je het model voert belangrijker is dan hoe je het vraagt.

00:02:36.540 --> 00:02:42.180
Dus bouwden ze systemen zoals tool calling, retrieval augmented generation en het model context protocol MCP.

00:02:42.380 --> 00:02:45.120
Hiermee kon het model de juiste informatie direct ophalen.

00:02:45.120 --> 00:02:50.100
In plaats van alles in één prompt te proppen, kon het model ophalen wat het nodig had, wanneer het nodig was.

00:02:50.300 --> 00:02:52.740
Fase 3 is waar we nu zijn, harness engineering.

00:02:53.060 --> 00:02:57.560
Vanaf ongeveer 2026 is de vraag, welk systeem moet ik om het model heen bouwen?

00:02:57.740 --> 00:03:04.580
Hier wordt het interessant, want betrouwbaarheid, geheugen, orchestratie en guardrails komen niet uit het model zelf, maar uit het systeem dat je eromheen bouwt.

00:03:04.740 --> 00:03:06.860
Dit is de eenvoudigste manier om erover na te denken.

00:03:07.040 --> 00:03:08.960
Een agent is gelijk aan een model plus een harness.

00:03:09.200 --> 00:03:10.400
De harness is al het overige.

00:03:10.600 --> 00:03:12.760
Het model doet het denkwerk, de harness doet de rest.

00:03:12.760 --> 00:03:15.680
En die harness is het geheime ingrediënt dat het geheel laat werken.

00:03:15.880 --> 00:03:16.560
Denk er zo over.

00:03:16.680 --> 00:03:19.260
Het model is een vakman, erg getalenteerd maar beperkt.

00:03:19.420 --> 00:03:23.480
De harness is de werkplaats, de gereedschappen, de checklist, de supervisor en de remmen.

00:03:23.680 --> 00:03:25.920
Zonder de werkplaats heeft de vakman nergens om te werken.

00:03:26.160 --> 00:03:27.820
Zonder gereedschap kan hij niets bouwen.

00:03:28.060 --> 00:03:29.620
Zonder de checklist vergeet hij stappen.

00:03:29.860 --> 00:03:31.480
Zonder de supervisor maakt hij fouten.

00:03:31.640 --> 00:03:33.060
En zonder remmen brandt hij op.

00:03:33.140 --> 00:03:34.420
De harness biedt al die structuur.

00:03:34.620 --> 00:03:36.180
Dus, wat zit er precies in deze harness?

00:03:36.440 --> 00:03:37.400
Laten we hem openen.

00:03:37.560 --> 00:03:39.060
Wat een harness daadwerkelijk bevat.

00:03:39.260 --> 00:03:40.440
Dus, wat zit er in een harness?

00:03:40.440 --> 00:03:42.540
Laten we de onderdelen één voor één langslopen.

00:03:42.680 --> 00:03:43.940
Ten eerste, de agent lus.

00:03:44.140 --> 00:03:46.020
Dit is de cyclus die de agent in beweging houdt.

00:03:46.100 --> 00:03:48.280
Het model denkt na en besluit vervolgens een tool aan te roepen.

00:03:48.400 --> 00:03:50.200
De tool draait en stuurt een resultaat terug.

00:03:50.360 --> 00:03:53.360
Het model bekijkt dat, denkt opnieuw na en roept misschien een andere tool aan.

00:03:53.520 --> 00:03:56.160
De lus blijft doorgaan totdat de agent zijn doel bereikt.

00:03:56.420 --> 00:03:59.920
Zonder deze lus krijg je alleen één enkele vraag en één enkel antwoord.

00:04:00.120 --> 00:04:03.340
Met deze lus heb je een systeem dat problemen stap voor stap oplost.

00:04:03.760 --> 00:04:05.160
Vervolgens, contextbeheer.

00:04:05.360 --> 00:04:08.080
Dit is cruciaal omdat modellen een beperkte aandachtspannen hebben.

00:04:08.080 --> 00:04:11.200
Een contextvenster kan maar zoveel bevatten voordat het overstroomt.

00:04:11.280 --> 00:04:12.700
Het harness grijpt hierin.

00:04:12.860 --> 00:04:17.260
Het comprimeert het gesprek, vat alle berichten samen en prioriteert wat belangrijk is.

00:04:17.480 --> 00:04:19.400
Zie het als een archiefsysteem voor het gesprek.

00:04:19.520 --> 00:04:22.180
Het harness ordent het zodat het model alleen ziet wat relevant is.

00:04:22.400 --> 00:04:25.360
Zonder dit vallen lange sessies uit elkaar omdat het model de draad kwijtraakt.

00:04:25.560 --> 00:04:27.060
Dan zijn er nog tools en vaardigheden.

00:04:27.300 --> 00:04:28.500
Dit zijn de handen van de agent.

00:04:28.680 --> 00:04:30.560
Een model op zichzelf kan alleen tekst genereren.

00:04:30.740 --> 00:04:34.080
Het kan geen bestand lezen, op internet surfen, code uitvoeren of een database raadplegen.

00:04:34.080 --> 00:04:39.400
Het harness geeft het die mogelijkheden, bestandstoegang, surfen op het web, code uitvoering, database

00:04:39.400 --> 00:04:41.520
queries, allemaal tools die het harness biedt.

00:04:41.600 --> 00:04:44.480
Het model beslist wanneer ze worden gebruikt en het harness laat ze werken.

00:04:44.680 --> 00:04:47.280
Geheugen en sessiepersistentie is een ander belangrijk onderdeel.

00:04:47.440 --> 00:04:49.040
Het harness onthoudt eerdere sessies.

00:04:49.280 --> 00:04:52.080
Dus als je morgen terugkeert naar een agent, begint deze niet vanaf nul.

00:04:52.240 --> 00:04:55.440
Het onthoudt je voorkeuren, je projectcontext en de beslissingen die je hebt genomen.

00:04:55.660 --> 00:04:58.580
De agent leert na verloop van tijd omdat het harness die geschiedenis bewaart.

00:04:58.780 --> 00:05:02.080
Bar trails vormen de veiligheidslaag, limieten die je stelt aan het gedrag van de agent.

00:05:02.080 --> 00:05:03.840
Zie het als het regelboek van de agent.

00:05:04.140 --> 00:05:07.240
Maximaal aantal stappen voordat het stopt, acties die niet zijn toegestaan,

00:05:07.420 --> 00:05:11.220
menselijke goedkeuring voor risicovolle taken zoals bestanden schrijven of e-mails versturen.

00:05:11.460 --> 00:05:15.240
Zonder bar trails zou een agent eeuwig door kunnen gaan of iets kunnen doen wat je niet bedoelde.

00:05:15.400 --> 00:05:16.720
Het harness houdt dit in de hand.

00:05:16.920 --> 00:05:18.300
Tot slot, orkestratie.

00:05:18.480 --> 00:05:22.020
Het harness kan gespecialiseerde sub-agents opstarten voor verschillende taken.

00:05:22.260 --> 00:05:25.460
Eén doet onderzoek, een ander schrijft, een derde verifieert.

00:05:25.680 --> 00:05:28.780
Ze werken samen als een team van specialisten op een bouwplaats.

00:05:28.780 --> 00:05:32.520
Ieder doet waar hij goed in is en het harness zorgt dat ze elkaar niet in de weg lopen.

00:05:32.780 --> 00:05:34.960
Deze componenten zijn nu niet langer slechts theorie.

00:05:35.200 --> 00:05:38.720
Microsoft heeft een volledig platform gebouwd dat dit alles in de praktijk brengt.

00:05:38.880 --> 00:05:42.040
Maak kennis met Microsoft AI Foundry, het Enterprise Harness.

00:05:42.320 --> 00:05:44.560
Dat platform is Microsoft AI Foundry.

00:05:44.780 --> 00:05:48.860
Zie het als een complete werkplaats voor het bouwen en draaien van AI agents op grote schaal.

00:05:49.040 --> 00:05:52.240
En als ik schaal zeg, bedoel ik echte schaal, geen lab-experiment.

00:05:52.500 --> 00:05:58.380
Foundry bedient vandaag meer dan 70.000 klanten en verwerkte alleen al afgelopen kwartaal 100 biljoen tokens.

00:05:58.380 --> 00:06:00.800
Dat is 100 biljoen, geen typfout.

00:06:00.980 --> 00:06:03.800
Elke dag ondersteunt het 2 miljard zakelijke zoekopdrachten.

00:06:04.040 --> 00:06:07.480
Dit is een productieplatform dat enkele van de grootste workloads ter wereld aan kan.

00:06:07.720 --> 00:06:10.820
Wat Foundry in feite doet, is het harness aanbieden als een beheerdedienst.

00:06:11.000 --> 00:06:15.980
Je hoeft contextbeheer, geheugen, guardrails en coördinatie niet vanaf nul te bouwen, want het zit er allemaal al in.

00:06:16.200 --> 00:06:18.860
Jij brengt je agent in en Foundry levert de werkplaats eromheen.

00:06:19.080 --> 00:06:20.560
Laten we het nu over identiteit hebben.

00:06:20.760 --> 00:06:21.660
Dit is erg belangrijk.

00:06:22.000 --> 00:06:24.760
Elke agent in Foundry krijgt zijn eigen entra-agent-idee.

00:06:24.920 --> 00:06:26.640
Kortom, een digitale identiteit.

00:06:26.640 --> 00:06:29.360
Zie het als een werknemersbatch die de receptie uitgeeft.

00:06:29.540 --> 00:06:34.840
De agent kan inloggen op services, toegang krijgen tot gegevens en namens de organisatie handelen, net als een menselijke medewerker.

00:06:35.020 --> 00:06:38.440
En omdat elke actie aan die identiteit is gekoppeld, is het volledig controleerbaar.

00:06:38.660 --> 00:06:39.560
Waarom is dat van belang?

00:06:39.720 --> 00:06:41.640
In een onderneming moet je weten wie wat heeft gedaan.

00:06:41.860 --> 00:06:43.740
Elke actie wordt gelogd en is traceerbaar.

00:06:43.960 --> 00:06:50.240
Foundry maakt verbinding met meer dan 1400 zakelijke gegevensbronnen, van SharePoint en Dynamics 365 tot Salesforce en aangepaste databases.

00:06:50.500 --> 00:06:53.200
Als jouw bedrijf het gebruikt, heeft Foundry waarschijnlijk een connector.

00:06:53.420 --> 00:06:55.520
De agent is dus niet aan het gissen of dingen aan het verzinnen.

00:06:55.520 --> 00:07:00.120
Hij haalt echte gegevens uit echte systemen, wat betekent dat de antwoorden gebaseerd zijn op je feitelijke bedrijfsgegevens.

00:07:00.300 --> 00:07:01.340
Dan is er nog het geheugen.

00:07:01.560 --> 00:07:03.340
Foundry bevat ingebouwde geheugentypes.

00:07:03.640 --> 00:07:05.940
Procedureel geheugen helpt de agent om te leren van eerdere taken.

00:07:06.140 --> 00:07:08.760
Hij wordt na verloop van tijd beter, zoals een training op de werkvloer.

00:07:09.260 --> 00:07:13.400
Sessiepersistentie betekent dat hij eerdere gesprekken onthoudt, zodat hij niet telkens vanaf nul begint als je ermee praat.

00:07:13.540 --> 00:07:15.480
Dat maakt interacties vloeiend en intelligent.

00:07:15.860 --> 00:07:17.100
Hoe werkt dit dan in de praktijk?

00:07:17.300 --> 00:07:20.840
Laten we de componenten bekijken die Microsoft biedt voor het bouwen van aangepaste frameworks.

00:07:20.840 --> 00:07:23.980
Het agent-framework voor het bouwen van aangepaste frameworks.

00:07:24.180 --> 00:07:25.920
Dus, hoe bouw je nu eigenlijk een framework?

00:07:26.320 --> 00:07:32.320
Microsoft biedt een speciale SDK genaamd het Microsoft Agent Framework, die je wellicht kent onder de eerdere naam, Cementic Kernel.

00:07:32.500 --> 00:07:34.740
Het is opnieuw opgebouwd, maar het idee blijft hetzelfde.

00:07:34.900 --> 00:07:38.280
Hiermee kunnen ontwikkelaars aangepaste agent-frameworks bouwen in Python en C Sharp.

00:07:38.460 --> 00:07:39.860
Het framework heeft drie lagen.

00:07:40.100 --> 00:07:45.560
Onderaan staat de agent-loop, de kerncyclus waarin het model nadenkt, tools aanroept, resultaten krijgt en opnieuw nadenkt.

00:07:45.560 --> 00:07:49.600
Daar bovenop bevinden zich workflows, coördinatiepatronen die meerdere agents beheren.

00:07:49.680 --> 00:07:53.660
En als overkoepelende laag is er het framework zelf, de schil die alles bij elkaar houdt.

00:07:53.740 --> 00:07:56.520
Microsoft levert vijf ingebouwde coördinatiepatronen.

00:07:56.740 --> 00:07:59.920
Sequential voert agents één voor één uit in een gedefinieerde volgorde.

00:08:00.180 --> 00:08:02.040
Concurrent voert ze allemaal parallel uit.

00:08:02.200 --> 00:08:05.640
Hantoff geeft de controle door van de ene agent naar de andere op basis van wat nodig is.

00:08:05.820 --> 00:08:08.760
GroupChat laat meerdere agents met elkaar praten in een gedeeld gesprek.

00:08:08.900 --> 00:08:11.960
En dan is er nog Magentic, een manager van Microsoft Ressearch.

00:08:11.960 --> 00:08:16.940
Hierbij genereert een supervisor-agent een plan en delegeert vervolgens werk aan gespecialiseerde sub-agents,

00:08:17.200 --> 00:08:19.540
zoals een projectmanager die taken toewijst aan teamleden.

00:08:19.660 --> 00:08:22.120
Elk patroon pakt een ander coördinatieprobleem aan.

00:08:22.320 --> 00:08:23.280
Dit is het beste deel.

00:08:23.460 --> 00:08:24.960
Het framework is uitbreidbaar.

00:08:25.180 --> 00:08:31.900
Je kunt elk gewenst model koppelen, van OpenAI, Anthropic en Google Gemini tot Amazon Bedrock en zelfs lokale modellen op Ollama.

00:08:32.120 --> 00:08:33.380
Hetzelfde geldt voor tools.

00:08:33.600 --> 00:08:37.040
Je verbindt via OpenAI het model context protocol of directe code.

00:08:37.300 --> 00:08:41.020
Sommige mensen maken zich zorgen dat het gebruik van Microsoft's framework je vastbindt aan hun ecosysteem.

00:08:41.020 --> 00:08:41.920
Dat is niet waar.

00:08:42.100 --> 00:08:44.620
Het framework werkt met elke stack die je al gebruikt.

00:08:44.780 --> 00:08:49.620
De harness laag voegt mogelijkheden toe zoals bestandstoegang, codeuitvoering, planning middelware en telemetrie.

00:08:49.800 --> 00:08:54.040
Dus een agent bouwen met dit framework betekent een compleet systeem bouwen dat bestanden leest, code schrijft,

00:08:54.260 --> 00:08:56.220
taken in meerdere stappen plant en alles logt voor debugging.

00:08:56.440 --> 00:08:58.180
Het is meer dan alleen een chatinterface.

00:08:58.420 --> 00:08:59.460
Dit is hoe dat eruit ziet.

00:08:59.720 --> 00:09:02.020
Stel je een codeeragent voor die op dit framework is gebouwd.

00:09:02.160 --> 00:09:05.500
Je geeft hem een taak, bijvoorbeeld voeg een nieuwe functie toe aan een bestaande codebase.

00:09:05.680 --> 00:09:08.560
De agent begint met het doorzoeken van documentatie om de API te begrijpen.

00:09:08.820 --> 00:09:09.920
Vervolgens schrijft hij de code.

00:09:10.160 --> 00:09:12.500
Daarna draait hij tests om er zeker van te zijn dat er niets kapot is gegaan.

00:09:12.620 --> 00:09:15.780
Als een test faalt, leest hij de foutmelding, repareert de bak en draait de tests opnieuw,

00:09:15.940 --> 00:09:19.740
allemaal binnen dezelfde harness, terwijl hij de denkhandelcontroleercyclus doorloopt totdat het werk klaar is.

00:09:19.940 --> 00:09:22.420
Zonder de harness zou je elke stap handmatig moeten invoeren.

00:09:22.620 --> 00:09:25.440
Met de harness handelt de agent de volledige workflow zelfstandig af.

00:09:25.560 --> 00:09:28.220
Een populair voorbeeld van een harness in actie is het clowpatroon.

00:09:28.440 --> 00:09:33.040
Microsoft heeft het beschikbaar gesteld op Foundry en het is een geweldige demonstratie van hoe deze onderdelen samenkomen.

00:09:33.040 --> 00:09:34.700
Cloud Style Agents en Hermes

00:09:34.700 --> 00:09:36.860
Laten we het hebben over Cloud Style Agents.

00:09:37.080 --> 00:09:39.560
De naam komt van open source projecten zoals OpenClaw.

00:09:39.820 --> 00:09:44.160
Deze agents wonen op je machine, wachten op instructies en voeren daarna zelfstandig langdurige taken uit.

00:09:44.340 --> 00:09:46.880
Ze staan altijd klaar om in te springen wanneer je ze nodig hebt.

00:09:47.120 --> 00:09:49.980
Zie ze als een persoonlijke assistent die nooit een dag vrijneemt.

00:09:50.420 --> 00:09:51.880
Microsoft's versie heet Hermes.

00:09:52.080 --> 00:09:56.240
Het draait binnen Foundry's gehoste agent Sandbox en beschikt over indrukwekkende vermogens.

00:09:56.560 --> 00:09:59.980
Hermes heeft zijn eigen bestandssysteem, zijn eigen geheugen en zijn eigen set tools.

00:09:59.980 --> 00:10:04.300
Het kan eigen onderhoudsroutines opzetten, oude bestanden opruimen en zijn werkruimte organiseren.

00:10:04.420 --> 00:10:08.040
En als het beseft dat het een nieuwe vaardigheid nodig heeft die het nog niet bezit, kan het er ter plekke een bouwen.

00:10:08.220 --> 00:10:09.800
Nu, dit is het punt met Cloud Agents.

00:10:09.980 --> 00:10:12.280
Cloud Architecten noemen ze huisdieren, geen vee.

00:10:12.520 --> 00:10:13.440
Huisdieren zijn uniek.

00:10:13.600 --> 00:10:16.120
Je geeft ze een naam, je zorgt voor ze, je kunt ze niet zomaar vervangen.

00:10:16.300 --> 00:10:17.240
Vee is uitwisselbaar.

00:10:17.440 --> 00:10:19.680
Dus, als er één uitvalt, start je gewoon een andere op.

00:10:19.760 --> 00:10:21.340
Cloud Agents zijn absoluut huisdieren.

00:10:21.540 --> 00:10:24.560
Elk exemplaar heeft zijn eigen status, geschiedenis en aangeleerd gedrag.

00:10:24.560 --> 00:10:28.260
Dat unieke karakter maakt ze krachtig, maar het bemoeilijkt ook herstel en schalen.

00:10:28.420 --> 00:10:33.740
Als er iets misgaat, kun je het exemplaar niet zomaar weggooien en opnieuw beginnen, want dan verlies je alle opgebouwde kennis.

00:10:34.280 --> 00:10:36.020
Microsoft's oplossing hiervoor heet routines.

00:10:36.420 --> 00:10:40.940
Dit zijn geplande taken waarmee de agent wakker kan worden, onderhoud kan plegen en weer kan gaan slapen.

00:10:41.100 --> 00:10:47.260
In plaats van de sandbox 24 zevende aan te laten staan, wat geld kost, schakelt de agent uit na een periode van inactiviteit.

00:10:47.440 --> 00:10:53.680
Het routinesysteem wekt de agent wanneer er iets moet gebeuren, zoals oude vaardigheden opschonen, een backup maken of controleren op nieuwe taken.

00:10:53.680 --> 00:10:55.220
Daarna gaat hij weer slapen.

00:10:55.420 --> 00:10:58.640
Dit bespaart kosten en houdt de agent beschikbaar wanneer je hem nodig hebt.

00:10:58.800 --> 00:11:00.620
De sandbox isoleert elke sessie.

00:11:00.800 --> 00:11:05.400
De bestanden, het geheugen en de configuratie van je agent blijven allemaal in zijn eigen omgeving.

00:11:05.600 --> 00:11:11.160
En de harness beheert die status over sessies heen, zodat je niet bang hoeft te zijn dat gegevens van de ene agent in die van de andere lekken.

00:11:11.300 --> 00:11:15.280
Je eigen harness vanaf nul opbouwen is mogelijk, maar de meeste bedrijven hoeven dat niet.

00:11:15.460 --> 00:11:19.020
Foundry biedt je een kant-en-klaar platform met al deze mogelijkheden ingebouwd.

00:11:19.180 --> 00:11:21.480
De echte vraag is, wat wil je dat je agent doet?

00:11:21.940 --> 00:11:24.800
Publiceren en samenwerken, waar harnesses en mensen samenkomen.

00:11:25.000 --> 00:11:28.600
Dus, je hebt je agent gebouwd en hem voorzien van tools, geheugen, orchestratie en een sandbox.

00:11:28.800 --> 00:11:30.400
Hoe gebruiken mensen hem nu in de praktijk?

00:11:30.520 --> 00:11:32.160
Dit is waar Foundry het eenvoudig maakt.

00:11:32.360 --> 00:11:38.000
Zodra je agent is gebouwd en geïmplementeerd, kun je hem met één klik publiceren naar Microsoft 365 Copilot in Microsoft Teams.

00:11:38.220 --> 00:11:41.520
Geen tien klikken, geen driedaagse implementatiepijplijn, gewoon één klik.

00:11:41.640 --> 00:11:45.640
En je agent verschijnt precies waar mensen al werken, in hun e-mail, hun chat en hun documenten.

00:11:45.820 --> 00:11:47.780
Foundry ondersteunt twee implementatie-modi.

00:11:47.780 --> 00:11:53.480
Ten eerste, assisterende agents. Deze werken namens jou, zoals e-mails opstellen, vergaderingen, plannen of documenten opzoeken.

00:11:53.680 --> 00:11:57.860
Ze fungeren als een verlengstuk van jou, alsof je een supersnelle assistent hebt die doet wat je vraagt.

00:11:58.040 --> 00:12:01.400
Ten tweede, Autopilot agents. Deze zijn nieuwer en interessanter.

00:12:01.640 --> 00:12:04.500
Ze handelen namens zichzelf met hun eigen e-mailadres en hun eigen identiteit.

00:12:04.700 --> 00:12:06.280
Je hoeft ze niet elke keer een prompt te geven.

00:12:06.520 --> 00:12:09.940
Ze nemen zelf initiatief. Autopilot agents hebben een volledig gebruikersaccount.

00:12:10.100 --> 00:12:13.280
Je kunt ze toevoegen aan een teamsgroepsgat, net zoals je een menselijke collega zou toevoegen.

00:12:13.280 --> 00:12:19.280
Ze volgen het gesprek en springen bij wanneer ze kunnen helpen, houden openstaande punten bij, beantwoorden vragen over waar het team aan werkt...

00:12:19.280 --> 00:12:23.620
...en anboorden zelfs nieuwe teamleden door ze de juiste documenten te sturen en ze voor te stellen aan de juiste personen.

00:12:23.740 --> 00:12:25.100
Hier is een concreet voorbeeld.

00:12:25.380 --> 00:12:27.320
Stel dat je een werkstroommanager-agent hebt.

00:12:27.500 --> 00:12:29.100
Je voegt het toe aan je teamsgroepsgat.

00:12:29.240 --> 00:12:31.840
Iemand zegt, hé, ik moet het Q3-rapport vrijdag afhebben.

00:12:32.000 --> 00:12:33.800
De agent merkt op dat dit een actiepunt is.

00:12:33.980 --> 00:12:38.580
Hij maakt een taak aan, wijst deze toe aan de juiste persoon en voegt een herinnering toe voor donderdag om de voortgang te controleren.

00:12:38.740 --> 00:12:40.160
Niemand heeft hem gevraagd om dat te doen.

00:12:40.160 --> 00:12:42.540
Hij zag gewoon dat er iets moest gebeuren en deed het.

00:12:42.700 --> 00:12:44.860
De harness regelt alle rechten op de achtergrond.

00:12:45.040 --> 00:12:48.040
Alleen geautoriseerde gebruikers kunnen in een groepsgat met de agent communiceren.

00:12:48.220 --> 00:12:50.680
De agent ziet alleen de berichten die hij mag zien en negeert de rest.

00:12:50.860 --> 00:12:53.720
Hij respecteert dezelfde toegangscontroles als je menselijke teamleden.

00:12:53.880 --> 00:12:55.780
Dit is waarom harness engineering echt loont.

00:12:55.980 --> 00:12:58.700
De agent is niet langer een chatbot die je in een browser-tabblad opent.

00:12:58.860 --> 00:13:00.320
Hij wordt een productief teamlid.

00:13:00.480 --> 00:13:04.660
Hij is aanwezig waar jij bent, werkt zoals jouw team werkt en dat doet hij allemaal omdat de harness...

00:13:04.660 --> 00:13:08.800
...het systeem rondom het model, identiteit, rechten, implementatie en integratie beheert.

00:13:08.800 --> 00:13:12.120
Zonder de harness zou je simpelweg weer een extra chatvenster hebben om in de gaten te houden.

00:13:12.240 --> 00:13:14.220
Maar elk krachtig hulpmiddel heeft waarborgen nodig.

00:13:14.460 --> 00:13:16.660
Laten we het hebben over de vangrails die dit alles veilig maken.

00:13:17.000 --> 00:13:18.860
Verantwoorden AI en governance in de harness.

00:13:19.160 --> 00:13:19.820
Dit is het punt.

00:13:20.060 --> 00:13:22.900
Harness engineering gaat niet alleen over het capabeler maken van agents.

00:13:23.100 --> 00:13:25.080
Het gaat erom ze veilig en betrouwbaar te maken.

00:13:25.300 --> 00:13:29.100
Een agent die e-mails kan sturen, bestanden kan aanpassen en kan handelen in groepsgats is krachtig...

00:13:29.100 --> 00:13:30.380
...maar die kracht heeft controle nodig.

00:13:30.600 --> 00:13:33.120
Zie het als het geven van de sleutels van het gebouw aan een werknemer.

00:13:33.120 --> 00:13:37.120
Je wilt dat ze hun werk doen, maar je stelt ook regels op over wat ze wanneer kunnen inzien.

00:13:37.120 --> 00:13:40.900
De aanpak van Microsoft is gebouwd op de Responsible AI-standaard.

00:13:41.120 --> 00:13:49.160
Zes principes leiden alles eerlijkheid, betrouwbaarheid en veiligheid, privacy en beveiliging, inclusiviteit, transparantie en verantwoordelijkheid.

00:13:49.360 --> 00:13:51.520
Dit zijn niet zomaar mooie ideeën op een poster.

00:13:51.760 --> 00:13:55.780
Het zijn de werkelijke fundamenten voor hoe het hele platform vanaf de basis is ontworpen.

00:13:55.960 --> 00:13:58.400
De harness is waar deze principes echte code worden.

00:13:58.640 --> 00:14:00.340
Vangrails beperken wat de agent kan doen.

00:14:00.860 --> 00:14:04.400
Lifecyclehooks stellen je in staat om beleid af te dwingen bij elke stap van de uitvoering van de agent.

00:14:04.400 --> 00:14:10.740
Voor de agent draait, na afloop, voor hij een tool aanroept, nadat hij een resultaat krijgt en je kunt op elk punt je eigen controles toevoegen.

00:14:10.960 --> 00:14:14.280
Wil je voorkomen dat de agent toegang heeft tot bepaalde databases? Dat kan.

00:14:14.480 --> 00:14:18.280
Wil je menselijke goedkeuring vereisen voordat de agent een e-mail verstuurt? Dat kan ook.

00:14:18.480 --> 00:14:19.920
Beiden zijn eenvoudig in te stellen.

00:14:20.160 --> 00:14:23.780
Het Well-Architected Framework van Azure bevat specifieke richtlijnen voor AI workloads.

00:14:24.020 --> 00:14:26.800
Het dekt alles, van gegevensversleuteling tot incident response.

00:14:27.040 --> 00:14:31.460
Het idee is dat het bouwen van een AI-systeem fundamenteel niet verschilt van het bouwen van elk ander bedrijfssysteem.

00:14:31.460 --> 00:14:34.760
Je hebt nog steeds beveiliging, betrouwbaarheid en operationele uitmuntendheid nodig.

00:14:34.920 --> 00:14:39.060
Het Well-Architected Framework biedt een gestructureerde manier om hierover na te denken zonder de weg kwijt te raken.

00:14:39.320 --> 00:14:41.120
Daarnaast is er het Cloud Adoption Framework.

00:14:41.320 --> 00:14:43.460
Dit biedt een vierfaseproces voor AI governance.

00:14:43.680 --> 00:14:45.360
Ten eerste, identificeer risico's.

00:14:45.540 --> 00:14:46.340
Wat kan er misgaan?

00:14:46.460 --> 00:14:47.620
Ten tweede, meet de impact.

00:14:47.820 --> 00:14:48.620
Hoe erg zou het zijn?

00:14:48.800 --> 00:14:50.420
Ten derde, beperk risico's met controles.

00:14:50.640 --> 00:14:52.020
Wat kun je inzetten om het te voorkomen?

00:14:52.180 --> 00:14:53.620
Ten vierde, beheer met monitoring.

00:14:53.860 --> 00:14:55.700
Hoe signaleer je problemen wanneer ze zich voordoen?

00:14:55.700 --> 00:14:59.860
Het is een praktische, stapsgewijze aanpak die abstracte zorgen omzet in concrete acties.

00:15:00.020 --> 00:15:03.160
Voor agent-harnesses betekent dit specifiek een paar belangrijke zaken.

00:15:03.400 --> 00:15:06.200
Maximale staplimieten, zodat de agent niet eeuwig blijft doorgaan.

00:15:06.500 --> 00:15:08.900
Toolbeperkingen, zodat hij alleen toegang heeft tot wat is toegestaan.

00:15:09.060 --> 00:15:11.300
Menselijke goedkeuringsmomenten voor acties met een hoog risico.

00:15:11.480 --> 00:15:14.300
Added trails, zodat elke beslissing wordt gelogd en controleerbaar is.

00:15:14.640 --> 00:15:17.720
Inhoudsfilters die problematische uitvoer opvangen voordat iemand ze ziet.

00:15:17.900 --> 00:15:20.220
Alles werkt samen om je agent kort aan te lijnen.

00:15:20.420 --> 00:15:24.040
Microsoft biedt ingebouwde inhoudsbeveiliging en evaluatietools in Foundry.

00:15:24.040 --> 00:15:27.080
Je kunt je agent testen op basis van criteria voordat je hem inzet.

00:15:27.260 --> 00:15:30.280
Blijft hij bij het onderwerp? Gaat hij correct om met gevoelige gegevens?

00:15:30.520 --> 00:15:32.500
Weigert hij verzoeken die hij niet hoort uit te voeren?

00:15:32.620 --> 00:15:37.460
Je kunt deze evaluaties automatisch uitvoeren en een score krijgen voordat je de agent publiceert voor je team.

00:15:37.680 --> 00:15:40.700
Zo ontdek je problemen vroegtijdig en niet pas nadat het misgaat.

00:15:40.880 --> 00:15:45.200
Dit is het complete beeld van een simpele prompt naar een veilige, professionele autonome agent.

00:15:45.380 --> 00:15:51.620
Het model doet het denkwerk, het harness doet de rest, de coördinatie, de vangrails, de governance, alles wat het betrouwbaar maakt.

00:15:51.620 --> 00:15:55.500
Laten we de transformatie kort samenvatten. We begonnen met one-shot prompting.

00:15:55.700 --> 00:15:58.880
Schrijf een prompt, krijg een antwoord. Dat werkte voor eenvoudige taken.

00:15:59.140 --> 00:16:00.840
Daarna gingen we over op context engineering.

00:16:01.080 --> 00:16:03.920
Beheer wat het model ziet, laat de juiste informatie op het juiste moment.

00:16:04.180 --> 00:16:05.640
Dat werkte voor complexere taken.

00:16:05.880 --> 00:16:08.200
En nu zijn we aangekomen bij volledige harness engineering.

00:16:08.500 --> 00:16:12.440
Bouw een compleet systeem rond het model met geheugen, tools, coördinatie, van rails en governance.

00:16:12.680 --> 00:16:16.580
Dit is de belangrijkste lay. Een agent is slechts zo betrouwbaar als het systeem eromheen.

00:16:16.760 --> 00:16:20.300
Het model is essentieel, absoluut, maar het harness bepaalt het succes in productie.

00:16:20.300 --> 00:16:24.820
Je kunt het beste model ter wereld hebben, maar zonder een goed harness zal het falen bij echte taken.

00:16:25.020 --> 00:16:30.020
En je kunt een redelijk model hebben met een uitstekend harness, dat telkens de verwachtingen overtreft.

00:16:30.200 --> 00:16:34.200
Hier is je uitdaging. Denk bij je volgende AI-project verder dan alleen de prompt.

00:16:34.480 --> 00:16:38.240
Vraag niet wat ik tegen het model moet zeggen, vraag welk systeem ik eromheen moet bouwen.

00:16:38.460 --> 00:16:41.740
Die verandering in denkwijze is wat demo's onderscheidt van productiesystemen.

00:16:41.880 --> 00:16:45.380
In de volgende aflevering duiken we dieper in één onderdeel van het systeem, geheugen.

00:16:45.380 --> 00:16:50.320
Hoe agents na verloop van tijd leren, hoe ze onthouden wat ze hebben gedaan en hoe dat verandert wat ze kunnen bereiken.

00:16:50.580 --> 00:16:52.020
Abonneer je zodat je het niet mist.
