Latest / M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands / Enterprise-AI met Power Platform en Azure OpenAI: architectuur, beveiliging en governance voorbij de chatbotdemo (AI-nasynchronisatie)

Transcript

Enterprise-AI met Power Platform en Azure OpenAI: architectuur, beveiliging en governance voorbij de chatbotdemo (AI-nasynchronisatie) · M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands

0:00
Klaar voor 10 dagen Microsoft 365, Copilot, AI, Azure en de mensen die de toekomst van werk vormgeven?
0:07
Deze januari is M365, kom terug en we pakken groter uit.
0:12
Doe mee met live sessies, praktijkdemo's en praktische kennis van MVP's en experts van over de hele wereld.
0:18
Geen algemene presentaties, geen eindeloze modewoorden.
0:22
We pakken de echte uitdagingen aan Copilot Studio, AI Agents, Fabric, Beveiliging, Governance en Automatisering.
0:29
Of je nu IT-professional, ontwikkelaar of zakelijk leider bent, er zijn sessies speciaal voor jou.
0:35
Met 10 volledige dagen kun je diverse technologieën verkennen en in contact komen met een wereldwijde community.
0:40
Kijk live mee en neem praktische inzichten mee terug naar je organisatie.
0:44
Januari 2027, 10 dagen, 1 Microsoft Community. De registratie is nu geopend.
0:52
Claim vandaag nog je plek. Dat is M365.com.net.
0:58
Meld je nu aan op M365.com.net, dan zien we je live in januari.
1:05
Ooit afgevraagd waarom zoveel AI-gestuurde Power Platform demo's stoppen bij chatbots en niet overleven in een echte bedrijfsworkflow.
1:13
Deze video laat zien wat zij niet doen, hoe je Azure Open AI echt koppelt aan Power Apps en Dynamics 365 met alle beveiliging, prestaties en governance die professionele implementaties vereisen.
1:25
Als je ooit minder magie en meer uitleg wilde, ben je hier aan het juiste adres.
1:29
Voor bij de connector, de echte anatomie van AI in Power Platform, begint het altijd op dezelfde manier.
1:35
Zakelijke gebruikers zien een gelikte demo, misschien een verkoop chatbot die binnen seconden reageert, of een klantenservice app die op magische wijze tickets sorteert.
1:44
En ze denken, geweldig, laten we dat direct in Power Apps zetten.
1:47
De connector is er, de schermen lichten op en mensen beginnen zich voor te stellen dat AI hun dagelijkse werk overneemt.
1:52
Maar de realiteit slaat snel toe.
1:54
De connector werkt voor twee personen in een demo en dan, net als je denkt dat je iets groots bouwt, duiken prestatieproblemen op, gaan chatbots onzin uitkramen of lekken gevoelige klantgegevens per ongeluk.
2:06
Dit is waar de meeste AI-integraties vastlopen.
2:08
Geeft de mythe de schuld dat AI toevoegen aan Power Platform slechts een kwestie is van op plus klikken, een connector toevoegen en deze linken aan Azure Open AI.
2:16
Die denkwijze blijft hangen omdat deze tools op papier bijna te eenvoudig lijken.
2:19
Waren dat maar de enige moeilijke punten.
2:21
Dus, wat zit er echt onder de motorkap als je meer wilt dan alleen een hobbyproject?
2:25
Begrijpen waar de AI-magie echt plaatsvindt, maakt het verschil tussen een leuke demo en het daadwerkelijk ondersteunen van een bedrijfsproces.
2:31
In vrijwel elke serieuze Power Platform AI-opstelling zijn er vier spelers.
2:35
Ten eerste heb je Power Apps of Dynamics 365 zelf, waarmee eindgebruikers werken en die de daadwerkelijke trigger vormen voor elk AI-verzoek.
2:43
Ze verzamelen data, zoals een klantbericht, enquête, resultaat, productreview of welke input je ook intelligentie op wilt toepassen.
2:50
Maar Power Apps praten niet direct met Azure Open AI.
2:53
Daar komt Power Automate kijken, die de boel orkestreert.
2:56
Elke keer als een gebruiker op een knop drukt of een formulier verstuurt, pakt een Power Automate flow de data, vormt deze naar het juiste formaat en verstuurt het waar het heen moet.
3:04
Ten derde is er het Azure Open AI-eindpunt.
3:07
Dit is het echte brein dat zorgt voor zaken als sentimentanalyse, tekstsamenvattingen of zelfs het genereren van klantreacties.
3:14
En stilletjes weggestopt in de stack vind je Azure API Management, wat schromelijk wordt genegeerd totdat de boel ontploft.
3:20
Dat is het stukje beveiliging en throttling, het verschil tussen een stabiele stroom en een overbelasting van het systeem.
3:25
Laten we uiteenzetten hoe deze puzzelstukjes op elkaar leunen.
3:28
Neem de trigger, het moment dat een gebruiker in Dynamics 365 bijvoorbeeld een verkoopgesprek vastlegt.
3:34
Dat start een Power Automate flow.
3:36
De flow verplaatst niet alleen data van A naar B, hij kan tekst opschonen, context van andere bronnen samenvoegen of velden maskeren voor privacy voordat het verzoek naar Azure Open AI gaat.
3:47
Die reis is belangrijk.
3:49
Als de flow traag loopt doordat een andere automatisering resources verbruikt, zie je vertraging in je app oplopen.
3:55
Als Power Automate de payload niet goed voorbereidt, bijvoorbeeld als een productreview context mist of een vreemde opmaak heeft, geeft je Open AI eindpunt vreemde resultaten of hallucineert het zelfs antwoorden.
4:07
Er is dus geen sprake van intelligentie als de verbinding stroomopwaarts rommelig is.
4:12
Dit wordt nog interessanter met Azure API Management in de mix.
4:15
Terwijl iedereen enthousiast is over de intelligentie, denken niet genoeg mensen na over wie toegang moet hebben en hoe vaak.
4:21
API Management fungeert als een portier bij de deur.
4:24
Het controleert elk verzoek, past authenticatie toe en zorgt dat het gebruik niet uit de hand loopt.
4:28
Als je geen frotteling beleid instelt, kan één defecte app duizenden verzoeken per uur draaien en plotseling je Open AI instantie overspoelen of net zo leuk een toren hoge Azure rekening veroorzaken.
4:40
Het locht ook wie wat deed, wat betekent dat als er iets misgaat of iemand de kantjes ervan afloopt, je daadwerkelijk een audit trail hebt om te volgen.
4:47
Demos laten deze problemen nooit echt zien.
4:49
In die korte rondleidingen is alles geoptimaliseerd voor een handje vol gebruikers en nagenoeg perfecte netwerkomstandigheden.
4:56
Maar in een echt bedrijf heb je te maken met slaas, privacy kwesties en prestatiedrempels die je niet zomaar kunt negeren.
5:02
Stel bijvoorbeeld dat je een Sales Feedback Power App lanceert met ingebouwde sentimentanalyse.
5:07
Met slechts 10 mensen draait de flow soepel en krijg je binnen een seconde bruikbare resultaten.
5:11
Maar op de dag dat dat aantal naar 10.000 springt, misschien na een e-mailcampagne of een fusie, krijg je te maken met wachttijden van 30 seconden of foutmeldingen omdat je eindpunt de aanvragen niet kan bijhouden.
5:21
Erger nog, je merkt misschien dat de helft van de feedbackgegevens plotseling niet meer wordt verwerkt omdat je payload grote de Azure-limieten overschrijdt of omdat de beveiligingsregels voor API-management nooit zijn aangescherpt.
5:33
Nu blokkeert je AI-pipeline de verkoopafdeling in plaats van hen te helpen en de helpdesk is daar niet blij mee.
5:38
Dat is de wak-app KAL. Een connector aansluiten is niets meer dan de uitnodiging voor het architectuurfeestje.
5:44
Het echte werk is uitzoeken hoe elke laag interageert en hoe fragiel het wordt wanneer je probeert op te schalen.
5:52
Weten hoe Power Apps Orchestraties start, hoe flows gegevens verwerken en beveiligen, hoe AI-eindpunten deze interpreteren en hoe API-management als fangrail dient, dat is wat een bot in een sandbox scheidt van een enterprise-oplossing.
6:05
Als je alleen de connector begrijpt, gok je altijd met stabiliteit en beveiliging.
6:10
Iedereen kan een nieuwe AI-demo slepen en neerzetten in Power Apps.
6:14
Iets bouwen dat standhoudt in contact met echte gebruikers en echte data betekent in de details duiken, in plaats van alleen vertrouwen op connectors.
6:21
Dus, wanneer de vraag verschuift van laat dit tekst herhalen, naar los werkelijk mijn bedrijfsprobleem op, moet de intelligentie een stuk slimmer worden.
6:28
Dit is hoe de hersenen worden aangesloten voor zakelijke impact, AI afstemmen voor het bedrijfsleven, sentiment, samenvattingen en meer.
6:35
Als je ooit met Azure Open AI in het Power Platform hebt gespeeld, is je waarschijnlijk iets vreemds opgevallen.
6:42
Een eindpunt kan negatief sentiment in een zin spotten, een volledige e-mailreeks samenvatten of een nieuwe productomschrijving opstellen, soms op één dag, allemaal met hetzelfde AI-model.
6:52
Maar het is geen magie, en er is een reden waarom menig project vastloopt zodra je iets doet dat daadwerkelijk nuttig is.
6:59
Mensen gaan er vaak vanuit dat je gewoon de prompt vervangt en klaar bent.
7:02
De realiteit? Elke zakelijke use case vereist een andere aanpak, en dat is waar die plug-and-play fantasie uiteenvalt.
7:09
Laten we praten over het verschil tussen sentimentanalyse en tekstgeneratie.
7:13
Stel je voor dat je wilt dat je Dynamics 365 app klantklachten markeert.
7:17
Sentimentanalyse is de voor de hand liggende eerste use case, korte inputs, snelle antwoorden, lage kosten en nauwelijks context om bij te houden.
7:25
En dit werkt omdat Power Automate alleen de meest basale gegevens naar het open AI-eindpunt hoeft te sturen, een zin of twee samen met de juiste prompt die het model vertelt waar het op moet letten.
7:34
Je kunt razendsnel tientallen records verwerken zonder het risico dat het model op hol slaat of je budget overschrijdt.
7:41
Die flows zijn makkelijk te beheren, eenvoudig te begrenzen en hoeven bijna nooit te worden herschreven.
7:45
Stap nu over naar samenvattingen genereren, waarbij de grenzen al snel worden opgezocht.
7:50
Als je Power App Managers toestaat gedetailleerde notulen te plakken en samenhangende samenvattingen verwacht, moet de prompt voor open AI heel nauwkeurig en met de juiste toon zijn geformuleerd.
8:01
Zelfs dan zijn niet alle samenvattingen van hetzelfde niveau.
8:04
Als je payload te groot is of de brontekst te ongestructureerd, kan het model van zijn taak afwijken en gaan parafraseren in plaats van samenvatten of zelfs details verzinnen die nooit hebben plaatsgevonden.
8:14
Dit brengt ons terug bij de configuratie.
8:17
Power Atomate moet de input vormen, handtekeningen strippen, opmaak verwijderen en het document wellicht opdelen als het te lang is.
8:23
En dit is allemaal nog voordat de AI aan zet is.
8:25
Maar waar het echt ingewikkeld wordt, is bij volledige tekstgeneratie of klassificatie op grote schaal.
8:30
Stel dat je verkoopteam direct aangepaste e-mail antwoorden wil of je supportafdeling elk ticket wil laten categoriseren op basis van het type probleem.
8:38
De meeste mensen realiseren zich niet dat die AI gestuurde flows op duizenden invoeren draaien totaal niet lijkt op de mooie demo.
8:44
De Power Atomate flow moet door enorme datasets heen lussen.
8:49
Het open AI eindpunt wordt overspoeld met verzoeken, waardoor je doorvoor plotseling daalt en je Azure rekening begint op te lopen, soms zo snel dat de boekhouding moet ingrijpen.
8:57
De grote valkuil hier is om deze AI-processen als uitwisselbaar te beschouwen.
9:04
Sentimentanalyse kost misschien maar een fractie van een cent per verzoek, maar lange tekstgeneratie verhoogt de modelcomplexiteit, verbruikt honderden tokens en heeft meer tijd nodig om te reageren.
9:15
Voeg daar de behoefte aan aangepaste instructies aan toe, misschien een andere toon of formulering voor een andere klant, en elke aanpassing vereist nauwkeurige prompt engineering.
9:22
Mensen horen de term prompt engineering en denken dat het alleen om betere instructies type gaat, maar het lijkt meer op het afstellen van een zoiek algoritme.
9:29
Je test, je krijgt bizarre resultaten en je herschrijft.
9:32
Elke variatie die je uitholt heeft niet alleen invloed op de output, maar ook op de tijd, kosten en het beveiligingsprofiel van je workflow.
9:39
Dit is geen theorie. Er zijn te veel voorbeelden uit de praktijk om te negeren.
9:43
Een bedrijf bouwde ooit een power platform Flow die Open AI gebruikte om klantenservice tickets te triëren, te klassificeren op sentiment en een standaard antwoord voor te stellen.
9:52
In de testomgeving zag het er perfect uit.
9:54
De problemen begonnen toen het team de Flow openstelde voor alle support, medewerkers en het eindpunt plotseling elke minuut verzoeken kreeg voor elk ticket.
10:01
Het model was ingesteld op algemene tekstgeneratie, niet slechts op eenvoudige klassificatie.
10:06
Het analyseerde dus de volledige ticketgeschiedenis en schreef elke keer weer concepten van meerdere alinea's.
10:11
De kosten schoten s'nachts omhoog, workflows vertraagden enorm en de AI begon informatie te verzinnen in zijn suggesties.
10:18
Niemand vroeg zich af waarom een eenvoudige triagetaak een eindpunt nodig had voor tekstgeneratie in plaats van korte klassificatie.
10:25
Het kost de uren onderzoek voordat iemand besefte dat een paar instellingen in Power Automate en de eindpuntconfiguratie de hele chaos veroorzaakte.
10:33
Als je controle wilt, begin dan met het instellen van gebruiksquota voor Power Automate stromen en controleer altijd het verzoek en tokengebruik via de Azure portal.
10:42
Gebruik voor snelle taken zoals klassificatie of sentimentanalyse parallele stromen en het kleinste model dat het werk doet.
10:51
Beperk voor lange teksten het aantal tokens en begrensd hoe vaak gebruikers die functies kunnen aanroepen.
10:56
Controleer regelmatig de logboeken, detecteer pieken of uitwassen zo vroeg mogelijk.
11:01
Als je deze stappen overslaat, zal het platform je wijzen op de fouten met een onverwachte rekening of erger en zullen gebruikers de gevolgen merken in trage app prestaties.
11:09
De juiste AI configuratie gaat dus niet alleen over het werkend krijgen van de oplossing.
11:13
Het gaat erom dat de bedrijfsvoering doorgaat, de kosten voorspelbaar blijven en de resultaten logisch zijn.
11:18
De verkeerde instelling verandert AI in recordheid van een bondgenoot in een aansprakelijkheid.
11:22
Nu je denkkracht in je apps hebt geïntegreerd, moet je bepalen wie het mag gebruiken en hoe je je eindpunten en gegevens op schaal beveiligt.
11:31
De stroom beveiligen, waarom Azure API Management je schild is.
11:35
Zoals je misschien hebt gemerkt, wuiven de meeste power platform AI-demo's beveiliging weg alsof het slechts een bijzaak is.
11:42
Maar wanneer pilotprojecten verhuizen van interne testomgevingen naar live productie, duiken er snel nieuwe risico's op.
11:48
Plotseling beantwoord dat OpenAI-eindpunt niet langer alleen ongevaarlijke testvragen.
11:53
Het is een potentieel venster naar alles wat je app blootstelt.
11:56
Stel je een klantenservice workflow voor die stilletjes klantgegevens door een onbeveiligde API sluist,
12:02
of een chatbot die werkt met een sleutel die open en bloot wordt gedeeld.
12:05
Een paar misstappen kunnen een bedrijf kwetsbaar maken voor ongeautoriseerde toegang,
12:09
datalekken of stortvloeden aan API aanroepen van de verkeerde partijen.
12:13
Dit is niet hypothetisch. Zodra je Azure OpenAI-eindpunten koppelt aan PowerApps of Dynamics 365,
12:19
stel je zware middelen bloot.
12:21
Als de verkeerde persoon je API-sleutel bemachtigt, misschien omdat deze in een script staat of verborgen zit in een teststroom,
12:26
kunnen ze prompt sturen, antwoorden ophalen en kosten opbouwen.
12:29
Dados aanvallen worden een reële zorg.
12:32
Zelfs zonder kwaadwillende kan een verkeerd geconfigureerde app die in een lus op het verkeerde record draait,
12:36
je eindpunt onophoudelijk belasten.
12:38
In beide gevallen blijf je niet alleen achter met een bestuurlijke hoofdpijn, maar ook met potentieel exploderende kosten.
12:43
En afhankelijk van de gegevens die worden verstuurd, zijn er echte risico's op het gebied van compliance.
12:47
Dit is waar Azure API Management de onbezongen held wordt.
12:51
De meesten zien het als gewoon weer een Azure resource om te configureren,
12:54
maar in werkelijkheid is het het verschil tussen orde en chaos.
12:57
API Management doet dingen die Power Automate en de connectoren zelf niet kunnen.
13:01
Het dwingt authenticatie en autorisatie af bij elk verzoek, niet alleen wanneer je eraan denkt om het te programmeren.
13:07
Het beperkt het aantal verzoeken aan je eindpunt, waardoor een fout van een ontwikkelaar of een op hol geslagen script je budget of reputatie niet in gevaar brengt.
13:15
En het houdt gedetailleerde logs bij, zodat je een spoor hebt wanneer je moet beantwoorden wie wat wanneer heeft benaderd.
13:21
Laten we het over een echt incident hebben.
13:22
Een organisatie rolde een AI-klassificatiestroom uit voor klant-emails in Dynamics 365 en voerde de API-sleutel in Power Automate in.
13:30
De sleutel belandde in een gedeelde documentatiemap en een enthousiast maar ongetraind teamlid bouwde per ongeluk een recursieve lus in hun test-app.
13:38
Binnen enkele uren raakten duizenden API-aanroepen het open AI-eindpunt, waarbij veel dezelfde records werden herhaald.
13:44
De Azure-rekening steeg onverwacht en pas na het doorspitten van laks begreep het team wat er was gebeurd.
13:50
Het ergste was niet alleen de rekening, maar de onzekerheid of er gevoelige informatie op de verkeerde plek terecht was gekomen.
13:56
Als API-management aanwezig was geweest, had de lus een snelheidslimietfout geactiveerd voordat de situatie escaleerde en betere logging had de vloedgolf direct gemarkeerd.
14:06
API-managementbeleid is het echte vangnet.
14:09
Je kunt snelheidslimieten instellen, bijvoorbeeld een maximaal aantal hits per minuut per gebruiker.
14:13
Je kunt aanroepen beperken op IP-bereik, zodat alleen verzoeken van bekende Power Platform Gateways worden toegestaan.
14:20
Voor organisaties met strict compliance-beleid kun je headers of tokens eisen die uniek zijn voor je bedrijfsproces, waardoor willekeurige toegang van buitenaf opvalt en gemakkelijk te blokkeren is.
14:31
Al deze controles zijn specifiek gebouwd om eindgebruikers niet te frustreren, maar om ervoor te zorgen dat een snel groeiende AI-app je bedrijfsvoering niet platlegt of erger klantgegevens in gevaar brengt.
14:42
Een balans vinden is hierbij van belang.
14:44
Beveiligingsbeleid moet sterk genoeg zijn om misbruik te voorkomen, maar mag de normale bedrijfsvoering niet vertragen.
14:48
Als frotteling te agressief wordt ingesteld, falen legitieme verzoeken en gaan gebruikers omwegen verzinnen, zoals het steeds opnieuw indienen van dezelfde gegevens totdat het lukt.
14:58
Dat is waar monitoring en analytics in API-management cruciaal worden.
15:03
Je ziet gebruikspatronen in de loop van de tijd, spot mislukte aanroepen en stemt beleid af voordat gebruikers het merken.
15:09
Je wilt dus dat iedereen binnen het bedrijf experimenteert met AI-functies in Power Apps en Dynamics 365, maar je hebt een buffer nodig om zowel de data als de kosten in de hand te houden.
15:21
Met API-management als poortwachter krijg je meer dan alleen bescherming.
15:24
Je kunt daadwerkelijk het gebruik bijhouden, zien welke workflows echt waarde toevoegen en welke onnodig capaciteit verbruiken.
15:30
Wanneer het management vraagt naar het wie, wat, wanneer en hoe, is alles vastgelegd.
15:34
Naarmate het gebruik schaalt van vijf personen in een proof of concept naar duizenden die een live verkoop of support app gebruiken,
15:40
zorgt API-management ervoor dat je niet zomaar de sluizen openzet en op het beste hoopt.
15:44
Je stuurt het verkeer op een voorspelbare manier.
15:46
Het pijnlijke geheim is dat zonder goed beheer rond die AI-endpoints, de meeste productierijpe integraties instorten zodra er iets onverwachts gebeurt.
15:55
API-management maakt het mogelijk om van idee naar bedrijfschaal te gaan zonder verborgen risico's te introduceren.
16:01
Zie het dus minder als leidingwerk en meer als je hoofdingang.
16:04
Natuurlijk kan zelfs de beste poortwachter alleen verwerken wat hem wordt aangeboden.
16:08
Het beveiligen van endpoints is slechts één kant van de medaille.
16:11
Er is een groter plaatje, het volgen van gebruik, het bewaken van budgetten en ervoor zorgen dat compliance-regels niet verslappen als apps evolueren of beleid verandert.
16:19
Op dat moment wordt governance geen optie meer, maar gaat het het hele systeem aansturen.
16:23
Governance als bindmiddel, kostencompliance en het in toom houden van AI.
16:28
Als je ooit hebt meegemaakt dat een power-app van een zijproject overnacht de favoriete tool van iedereen werd,
16:33
heb je waarschijnlijk die plotseling een schrok gevoeld toen de kosten stegen en niemand precies wist wie verantwoordelijk was om alles in goede banen te leiden.
16:39
Het is makkelijk om een succesvolle AI-uitrol te vieren met sentimentanalyse die rustig op de achtergrond draait en tekstsamenvattingen die uren besparen op rapporten,
16:48
maar uiteindelijk kijkt er iemand naar de Azure-factuur of krijgt een bericht van InfoSec en valt het stil in de ruimte.
16:55
Dat is het eerste teken van een governance-kloof en het komt bijna altijd voor als een app zo goed werkt dat mensen hem blijven gebruiken.
17:02
Dat patroon is vrijwel universeel. AI-functies worden gekoppeld, endpoints beveiligd en het management keurt de business case goed,
17:10
dan stromen de echte gebruikers binnen en wordt alles in de omgeving ingewikkelder.
17:15
Wie beheert de toegang tot de Azure Open AI-endpoints? Hoeveel aanvragen komen er vanuit elke power-app en zijn die allemaal wel nodig?
17:23
Waar ligt de grens tussen experimenteren en automatisering die het budget opsloekt?
17:27
En naarmate meer medewerkers hun eigen automatiseringen bouwen of aanpassen, wordt het met de week lastiger om grip te houden op wat er achter de schermen gebeurt.
17:34
Exploderende kosten zijn vaak de eerste oefening in governance-crisisbeheer.
17:38
Azure houdt perfect bij hoeveel tokens, API-aanroepen en gigabytes aan data er via Open AI-eindpunten worden verwerkt,
17:44
maar als niemand die cijfers in de gaten houdt, kunnen de kosten op de achtergrond enorm oplopen.
17:49
Je betaalt per gebruik en dat gebruik wordt onvoorspelbaar wanneer citizen-developers oprecht proberen te innoveren,
17:55
maar niet altijd doorhebben dat hun power-automate flow het AI-eindpunt wel duizend keer per dag aanroept.
18:01
De meeste mensen ontdekken dit op dezelfde manier, er gaat een budgetalarm af of iemand van financiën denkt dat er een fout in de facturatie zit.
18:08
Dit negeren betekent niet alleen hogere kosten, het risico bestaat dat iemand het project stopzet om het bloeden te stoppen,
18:13
of erger nog, dat het management het vertrouwen in het hele AI-experiment verliest.
18:16
Het draait echter nooit alleen om het geld.
18:18
Daarna komen de vragen over compliance.
18:20
Zelfs met API-beheer bij de ingang blijven er vragen over welke data wordt verzonden,
18:24
hoe lang deze wordt opgeslagen en waar kopieën terecht kunnen komen.
18:28
Heeft de ontwikkelaar persoonlijk identificeerbare informatie gemaskeerd voordat de tekst van dat support-ticket naar Azure OpenAI werd gestuurd?
18:36
Is er een overzicht van welke gebruikers toegang hadden tot wat en strookt dat met het beleid van je organisatie?
18:41
Aditors zijn niet onder de indruk van, we denken van wel.
18:43
Voor gereguleerde sectoren kan één enkele compliance fout, bijvoorbeeld wanneer iemand vertrouwelijke data verstuurt voor een samenvatting zonder goede filtering,
18:52
projecten wekenlang stilleggen of het bedrijf in de problemen brengen.
18:56
Zelfs in minder gereguleerde omgevingen wordt IT zenuwachtig als het lijkt alsof onbeheerde data door de cloud zweeft.
19:02
Microsoft probeert het leven op deze vlakken wel makkelijker te maken.
19:05
Azure Cost Management biedt dashboards, waarschuwingen en uitgavelimieten.
19:09
Het blijft aan iemand zelf om drempelwaarden in te stellen, wekelijkse pieken in het gebruik te monitoren en op pauze te drukken voordat het escaleert.
19:15
Het labelen van elke resource, AI, eindpunten, flows en zelfs individuele powerapps is een eenvoudige maar krachtige manier om uitgaven te herleiden naar elk team of bedrijfsonderdeel.
19:24
Het helpt ook bij het opschonen en rapporteren.
19:27
Als een automatisering blijft draaien na afloop van een pilot, vallen gelabelde resources op en vermijd je dat mysterieuze workload scenario dat altijd lijkt op te duiken tijdens een gezondheidscheck.
19:37
Aan de kant van het Power Platform is de Center of Excellence Starter Kit ongeveer het dichtst bij wat je kunt krijgen als een AI-commandocentrum.
19:44
Het scant je tenant op elke flow, custom connector, app en bot en bouwt een inventaris op waar je actie op kunt ondernemen.
19:51
IT kan gebruiksanalyses opzetten, waarschuwingen sturen bij verdachte patronen en citizen-developers een zetje in de juiste richting geven met herinneringen aan interne best practices.
20:01
Sommige organisaties gebruiken het om regelmatig rapporten te genereren over API-gebruik, flows die overuren draaien en zelfs wie wat aan het bouwen is.
20:08
De Core Toolkit is er niet alleen voor het overzicht.
20:10
Het biedt ook schablonen voor gecontroleerde implementatie, activeert beoordelingen voor risicovolle apps en kan zelfs bedrijfsbeleid afdwingen door stromen buiten de compliance-kaders af te sluiten of te pauseren.
20:21
Voor een snel groeiende organisatie met tientallen power-users zorgen deze kaders ervoor dat de boel niet uit de hand loopt.
20:27
Het is de moeite waard om op te merken dat governance-problemen meestal na het succes de kop opsteken.
20:32
Neem het voorbeeld van een app voor klantfeedback die veel sneller aansloeg dan verwacht.
20:36
Het gebruik verdubbelde in een week en verdrievoudigde daarna.
20:39
Binnen een maand schoten de kosten omhoog.
20:41
De Azure-factuur dwong tot een nieuwe prognose en het bleek dat dezelfde app zonder goedkeuring vertrouwelijke gegevens naar het AI-eindpunt verplaatste.
20:48
Ad-hoc-scripts en labmiddelen werden ingezet, maar tegen die tijd was het alle hens aan dek.
20:51
Een proces via een center of excellence had de groei vroegtijdig kunnen signaleren en een beoordeling kunnen afdwingen.
20:56
Best practices stapelen zich snel op.
20:57
Voorzie resources altijd van labels.
20:59
Stel budgetten of zachte limieten in, zelfs voor proofs of concept.
21:03
Controleer en auditeer de toegang tot eindpunten.
21:05
De lijst met wie verbinding kan maken met wat veranderd naarmate teams verschuiven en rollen evolueren.
21:10
Documenteer welke stromen welke gegevens versturen en waarom.
21:13
Dit is geen papierwerk om het papierwerk.
21:15
Het betekent dat iemand weken of maanden later kan beantwoorden hoe het systeem werkt en waar de grenzen liggen.
21:20
Erkent cruciaal dat governance geen kwestie is van instellen en vergeten.
21:24
Modellen veranderen, bedrijfslogica verschuift en privacyregels blijven evolueren.
21:28
Beoordelingen en updates moeten regelmatig plaatsvinden.
21:31
Solide governance is het verschil tussen een AI-functie die onder druk bezwijkt en en die duurzaam groeit naarmate het bedrijf erop vertrouwt.
21:38
En met de juiste controles krijgen IT en bedrijfsleiders het vertrouwen om uit te breiden, te experimenteren en te innoveren met.