コース概要

AI Builderと低コードAIの概要

  • AI Builderの機能と一般的なシナリオ
  • ライセンス、ガバナンス、およびテナントレベルの考慮事項
  • Power Apps、Power Automate、Dataverseとの統合の概要

OCRとフォーム処理: 構造化および非構造化ドキュメント

  • 構造化テンプレートとフリーフォームドキュメントの違い
  • トレーニングデータの準備: フィールドのラベル付け、サンプルの多様性、品質ガイドライン
  • AI Builderフォーム処理モデルを構築し、抽出精度を評価します。
  • 抽出データの後処理: 検証、正規化、エラーハンドリング
  • 手動ラボ: 様々なフォームタイプからのOCR抽出と処理フローへの統合

予測モデル: クラス分類と回帰

  • 問題設定: 定性的(クラス分類)対定量的(回帰)タスク
  • 特徴量の準備とPower Platformワークフロー内での欠損データの処理
  • モデルの学習、テスト、およびメトリクス(精度、適合率、再現率、RMSE)の解釈
  • ビジネスユースケースでのモデルの説明可能性と公平性の考慮点
  • 手動ラボ: 顧客離反/スコアまたは数値予測のためのカスタム予測モデルを構築する

Power AppsとPower Automateとの統合

  • AI Builderモデルをキャンバスアプリおよびモデル駆動型アプリに埋め込む
  • 抽出データを処理し、ビジネスアクションをトリガーする自動化フローの作成
  • スケーラブルでメンテナブルなAI駆動型アプリの設計パターン
  • 手動ラボ: エンドツーエンドシナリオ — ドキュメントアップロード、OCR、予測、ワークフロー自動化

付加的なプロセスマイニングの概念(オプション)

  • プロセスマイニングがイベントログを使用してプロセスを発見、分析、改善する方法
  • プロセスマイニングの出力を使用してモデルの特徴量を決定し、改善ループを自動化する
  • 実践例: AI Builderとプロセスマイニングの洞察を組み合わせて手動例外を削減する

生産環境での考慮事項、ガバナンス、および監視

  • 機密性の高いドキュメントを使用する際のデータガバナンス、プライバシー、コンプライアンス
  • モデルライフサイクル: 再学習、バージョン管理、パフォーマンス監視
  • アラート、ダッシュボード、ヒューマンインザループ検証を使用したモデルの運用化

まとめと次なるステップ

要求

  • Power Apps、Power Automate、またはPower Platform管理の経験
  • データ概念、基本的なMLアイデア、モデル評価に関する知識
  • データセット、Excel/CSVエクスポート、および基本的なデータクリーニングの操作に慣れていること

対象者

  • Power Platform開発者とソリューションアーキテクト
  • AIを活用して自動化を目指すデータアナリストやプロセスオーナー
  • ドキュメント処理と予測ユースケースに焦点を当てたビジネス自動化リード
 14 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (2)

今後のコース

関連カテゴリー