Latest / M365.FM – Microsoft 365, Copilot & KI Podcast auf Deutsch / Python als Klebstoff in Power Automate? Office Scripts, Copilot und typisierte Agenten statt fragiler Flows (KI-Synchronfassung)

Transcript

Python als Klebstoff in Power Automate? Office Scripts, Copilot und typisierte Agenten statt fragiler Flows (KI-Synchronfassung) · M365.FM – Microsoft 365, Copilot & KI Podcast auf Deutsch

0:00
Python ist die Sprache der KI. Falsch. Innerhalb des Microsoft-Stacks schreibt die KI den Klebstoff, nicht Sie.
0:05
Sie stopfen Python in Power Automate und Power BI und wundern sich dann, warum Ihre Flows wackeln wie ein dreibeiniger Stuhl.
0:10
Hier ist die Lösung.
0:11
Ich zeige Ihnen, warum typbasierte Agentenorchestrierung und Co-Pilot TypeScript ähnliche Skripte zum erstklassigen Klebstoff machen,
0:16
Python auf isolierte Analysen beschränken und Erstellung, Debugging sowie Deployment in eine einzige Konversationsschleife zusammenführen.
0:23
Bleiben Sie dran für den geheimen Schritt gegen Defektinflation, den Fehler, der stillschweigend Budgets leert,
0:27
und das Hybrid-Modell, mit dem Sie Python ohne Schmerzen nutzen können.
0:32
Das Problem, Pythons Reibung innerhalb der Power-Plattform.
0:35
Beginnen wir mit dem Offensichtlichen, dass es irgendwie doch nicht offensichtlich ist.
0:37
Power Automate führt kein beliebiges Python aus.
0:40
Office Scripts mit TypeScript-Geschmack sind die native Skript-Oberfläche für Microsoft 365.
0:44
Excel Online hostet Sie. Das ist der richtige Weg.
0:46
Wenn Sie auf Python bestehen, schrauben Sie Azure Functions, Logic Apps oder benutzerdefinierte Konnektoren dazu.
0:50
Jetzt haben Sie externes Compute, Deployment Pipelines, Authentifizierung und mein Favoritlaufzeit-Überraschungspaket hinzugefügt.
0:55
Warum das wehtut, ist eine Frage einfacher Wirtschaftlichkeit und Wahrscheinlichkeit.
0:57
Externe Setups bedeuten mehr Dienste zur Konfiguration, mehr Zugangsdaten zur Rotation und mehr laufende Kosten, selbst wenn Sie schlafen.
1:05
Dynamische Typisierung ist wie russisches Roulette.
1:07
Der Code kompiliert, weil es kein Kompilieren gibt und stürzt dann während der Ausführung ab, weil ein Feld anders war als angenommen.
1:12
In einem Flow ist das nicht lustig.
1:13
Es bedeutet eine unterbrochene Genehmigung, eine verpasste SLA und ein weiteres Ticket mit dem Titel dringend Kleinschreibung.
1:18
Spezifische Szenarien Power BI Dataflows.
1:21
Sie transformieren Daten.
1:22
Copilot kann jetzt Power Query M oder Python für Sie in einem Dataflow Gen 2 generieren.
1:26
Zuge.
1:27
Großartig, bis Sie dies mit einem separaten Python-Dienst für Klebstoffaufgaben mischen, die Power Automate nativ hätte erledigen können.
1:32
Jetzt überspannt Ihre Datenherkunft verschiedene Produkte.
1:34
Observability.
1:35
Viel Spaß dabei, einen Fehler von einem Flow über eine Funktion bis hin zu einem Dataflow in der Zeit zu verfolgen, in der Ihre Stakeholder fragen, ist es schon fertig?
1:41
Zum siebten Mal.
1:42
Power Automate Flows.
1:44
Der ganze Punkt sind native Connectoren und Office Scripts.
1:46
Leute stopfen immer noch Python hinter einem benutzerdefinierten Connector, um Spalten in Excel umzublenden.
1:49
Das ist, als würde man einen Abschleppdienst rufen, um aus der eigenen Einfahrt zu verfolgen.
1:53
Jeder zusätzliche Sprung erhöht die Fragilität.
1:54
Connector-Schemas driften auseinander, Funktionsabhängigkeiten veralten, Berechtigungen wuchern über Entrarollen, Ressourcengruppen und mysteriöse Storage-Accounts, zu deren Erstellung sich niemand bekennt.
2:05
Fabric Notebooks.
2:06
Ja, hier gehört Python hin für Data Science, ML und ernsthafte Rechenleistung, aber wenn Sie Notebooks als Orchestrierungsklebstoff verwenden, schweißen Sie Geschäftslogik an einen Compute-Kernel.
2:14
Planung, Validierung und EAA werden dadurch zu Sondereinfertigungen.
2:18
Ein Umgebungsupdate später, Pandas erhält eine neue Nebenversion und ein einfacher Kleber wird zu einer archäologischen Schicht.
2:24
Anfänger glauben, sie vereinfachen die Dinge.
2:25
In Wirklichkeit schaffen sie einen zentralen Punkt für prozedurale Fehler mit YAML als Bonus.
2:29
Das, was die meisten übersehen, Office Scripts sind kein Spielzeug-TypeScript.
2:32
Sie sind die offizielle Schnittstelle für die Automatisierung von Excel und M365 Aufgaben ohne Infrastrukturbelast.
2:37
Vergleiche das mit vollständigem Node-TypeScript, dass du in Azure Functions für robuste APIs nutzt, wenn du sie wirklich brauchst.
2:42
Python innerhalb der Power-Plattform ist konzeptbedingt indirekt.
2:45
Du kannst es tun.
2:46
Du solltest es nicht für Kleber kaufen.
2:47
Reden wir über Kostenrechnung ohne Wunsch denken.
2:50
Einfache Flows sind günstig, weil sie innerhalb der Plattform bleiben.
2:52
Connectors, Trigger und Office Scripts nutzen deine bestehende Lizenzierung.
2:56
Holst du Python über Functions hinzu, zahlst du in zwei Währungen Geld und Aufmerksamkeit.
3:00
Geld für Ausführung, Speicher und Netzwerk.
3:03
Aufmerksamkeit für Versionierung, Image-Share-Tung, Secrets, Retreats, Cold-Starts und das wöchentliche.
3:07
Warum ist es um 2014 ausgefallen?
3:09
Drama.
3:09
In kleinem Maßstab ist es noch.
3:10
Auf Unternehmensebene ist das ein Budgetposten voller vorprogrammierter Reue.
3:14
Häufige Fehlerquellen tauchen immer wieder auf.
3:16
Brüchige Connectors, bei denen die Swagger-Spezifikation der Realität um ein Feld hinterherhängt.
3:20
Versionsdrift, Bibliotheks-Updates ohne Fixierung, weil jemand immer die neueste Version will.
3:25
Berechtigungswirrwarr, Service-Principles mit temporären Rechten, die für immer bestehen bleiben.
3:29
Dienstübergreifendes Debugging, das Durchsuchen von Power Automate, Azure Functions und Dataflow Logs, wie bei einem True-Crime-Podcast.
3:35
Die Wahl.
3:35
Die Freiheit der dynamischen Typisierung ist schön, bis es 15 am Quartalsende ist und dein Flow mit dem falschen Format erfolgreich durchläuft.
3:41
Dark-typisierte Grenzen fangen Dummheiten ab, bevor sie live gehen.
3:44
Innerhalb der Power-Plattform bieten dir TypeScript-ähnliche Skripte und schematisierte Connectors genau diese Leitplanken.
3:49
Python kann auch Typen haben.
3:50
Die meisten von euch setzen sie in Flows aber nicht durch.
3:52
Widersprich nicht, deinen Log-Dateien haben es bereits getan.
3:54
Und nun der Übergang, auf den du gewartet hast.
3:56
Wenn sich der Aufwand jedes Mal summiert, wenn du kurz als Kleber zusammenstückelst, was ersetzt deine Kleber?
3:59
KI, die den Kleber für dich schreibt und ausführt, innerhalb der von der Plattform optimierten Bahnen.
4:05
Co-Pilot kann natürliche Sprache in Office Scripts für Microsoft 365 Aufgaben übersetzen.
4:11
In Power BI nutzt Co-Pilot semantische Modellmetadaten, um präzise M oder Python zu generieren und Berichtsgerüste in Sekunden zu erstellen.
4:17
Agenten wie der Type-Agent koordinieren Tools mit Speicher- und Leitplanken, was das Ping-Pong von Spezifikationen, Code-Deployment und Debugging reduziert.
4:24
Du begrenzt die Angriffsfläche, erhältst typisierte Schnittstellen, wo sie wichtig sind und behältst Python dort, wo es glänzt.
4:29
Kontrollierte Analytik, kein Klebeband.
4:31
Ja, du kannst daran festhalten, dass Python alles kann.
4:34
Klebeband kann es auch.
4:35
Das macht es nicht zur richtigen Befestigung für Flugzeuge.
4:37
Halten Sie die Orchestrierung aktiv.
4:39
Lassen Sie die KI den Kleber schreiben.
4:40
Nutzen Sie Python-Notebooks oder dafür ausgelegten Diensten.
4:43
Sie geben weniger aus, verursachen, weniger Fehler.
4:45
Und das ist das schmerzhafte Teilliefernmeer.
4:48
Warum aktuelle Ansätze scheitern?
4:50
Manueller Code und statische Playbooks.
4:52
Die manuelle Coding-Schleife sieht auf dem Whiteboard heldenhaft aus.
4:54
Anforderung Code, Deployment, Test, Korrektur, Aktur, erneutes Deployment.
4:57
In der Realität ist es ein Whack-a-Mole-Spiel in Zeitlupe.
4:59
Geschäftsregeln ändern sich mitten im Sprint.
5:01
Ihr finales Schema ändert sich noch vor dem Mittagessen.
5:03
Und die einzige Konstante ist ein weiteres Deployment.
5:06
In der Power-Plattform ist diese Schleife noch schmerzhafter,
5:08
da jeder Sprung von Power Automate über Azure Functions zu Power BI die Reibung erhöht und die Fehlerquellen vervielfacht.
5:15
Statische Playbooks sind die andere Falle.
5:17
Sie haben ein Golden Path Runbook für die Quartalsabschlusslogik gespielt.
5:20
Dann erfindet der Vertrieb einen neuen Rabatt.
5:22
Die Finanzabteilung passt die Umsatzrealisierung an
5:24
und die Rechtsabteilung fügt gestern eine vierstufige Genehmigung hinzu.
5:28
Ihr Python-Kleber in den Functions biegt sich nicht, er bricht.
5:31
Sie aktualisieren Code, erhöhen Abhängigkeiten, bauen Container neu
5:33
und entdecken wieder, dass Code-Starts bevorzugt bei Executive-Demos auftreten.
5:37
Faszinierend, oder?
5:38
Die Wahrheit, die die meisten meiden, die Freiheit dynamischer Typisierung,
5:40
fühlt sich schnell an, wenn man allein ist.
5:42
Skaliert in Flows ist es ein Glücksspiel mit Fehlern.
5:43
Ein optionales Feld ändert sich von String zu Zahl
5:46
und ihre Funktion läuft fröhlich weiter, bis ein Zweig Text erwartet
5:49
und zur Laufzeit eine Ausnahme wirft.
5:52
Das ist kein laut scheiternder Unit-Tester seiner Produktion,
5:54
die Transaktion stillschweigend falsch klassifiziert.
5:56
Und ja, Ihr Audit-Protokoll ist im Grunde ein Roman.
5:59
Observability ist eine Schnitzeljagd.
6:01
Fehler entstehen in Power Automate, werden in einem benutzerdefinierten Connector transformiert,
6:05
lösen eine Python-Funktion aus, springen zu Dataflow Gen 2
6:07
und tauchen schließlich als defekte Karel in Power BI auf.
6:11
Jetzt lesen Sie fünf Protokolle, die sich nicht auf dasselbe Zeitstempelformat einigen können.
6:14
Sie nennen das Untersuchung.
6:16
Die Benutzer nennen es, wir haben immer noch keine Zahl.
6:18
Kurzgeschichte.
6:19
Ein Team sparte Stunden bei der monatlichen Berichterstattung
6:21
durch Zusammenführung der Transformation in einer einzigen Python-Funktion.
6:24
Es funktionierte, bis Abhängigkeitskonflikte wieder auftauchten.
6:27
Ein kleines Pandas-Update änderte den Standard,
6:29
ihre Funktion konvertierte in Nullwerte stillschweigend
6:31
und zwei Wochen später waren die Abweichungsberichte gerade so weit daneben,
6:34
dass es gefährlich wurde.
6:35
Die haben es repariert.
6:36
Dann trat es wieder auf, weil das Pin von Versionen auf dem Backlog stand.
6:39
Fehlerwiederholung ist kein Rätsel, es ist ein Prozessfluss.
6:41
Und Governance?
6:42
Benutzerdefinierte Konnektoren altern wie mit.
6:44
Open-API-Spezifikationen driften von der Realität ab,
6:46
Token laufen ab, Service-Prinzipien sammeln vorübergehend übermäßige Rechte
6:49
und ihre einst elegante Pipeline ist jetzt eine Rube-Goldberg-Maschine mit SOC befunden.
6:54
Die manuelle Schleife kostet nicht nur Zeit, sie häuft operative Schulden an.
6:58
Jeder schnelle Fix ist ein zukünftiger Ausfall mit Kalendereinladung.
7:01
Das Zentrum kann nicht halten, weil das Zentrum brüchiger Kleber ist.
7:04
Manueller Code funktioniert, wenn der Bereich stabil ist.
7:06
Die Geschäftslogik der Power-Plattform ist nicht stabil.
7:09
Achten Sie deshalb genau darauf?
7:10
Ihre Orchestrierung muss adaptiv sein, an den Rändern typisiert
7:13
und nah an den Primitiven der Plattform generiert werden,
7:15
nicht weit entfernt, handgestrickt, nicht weit entfernt, handgestrickt.
7:17
Hören Sie auf Klebecode wie eine App zu behalten.
7:19
Lassen Sie einen Agenten orchestrieren und einschränken.
7:21
Die bessere Methode, typisierter Agent plus Co-Pilot als Orchestrator.
7:24
Setzen Sie auf ein Modell, das nicht gegen die Plattform arbeitet.
7:27
Agenten generieren, rufen Tools auf, beobachten Ergebnisse
7:30
und korrigieren kein unkontrollierter Code-Auswurf,
7:32
sondern Tool-Aufrufe mit Leitplanken.
7:34
Sie geben dem Agenten eine begrenzte Tool.
7:36
Office-Skripte für Microsoft 365-Aktion,
7:39
Power BI Dataflow Gen 2 für Transformationen,
7:42
Konnektoren für Datentransfers
7:43
und strikt typisierte Schnittstellen dazwischen.
7:46
Der Agent hält den Kontext schlussfolgernd über Schritte hinweg
7:48
und schreibt nur dort Code, wo er hingehört.
7:50
Beginnen Sie mit Office-Skripten und Co-Pilot.
7:52
Sie beschreiben das Gewinnsteck.
7:54
Wenn eine neue Zeile in dieser Tabelle landet,
7:56
Datumsformate normalisieren, Lücken füllen
7:57
und eine Zusammenfassung an die Genehmiger mailen.
7:59
Co-Pilot übersetzt dies in TypeScript-ähnliche Office-Skripte und Flow-Schritte.
8:03
Es gibt keine externe Laufzeit,
8:04
keinen Container abzusichern,
8:05
keinen Geheimspeicher zu betreuen.
8:06
Der Code liegt dort, wo die Daten leben.
8:08
Excel Online, SharePoint, OneDrive und ihr Flow
8:10
verbinden native Konnektoren.
8:13
Weniger bewegliche Teile, weniger Fehlerquellen.
8:15
Was die meisten übersehen,
8:16
typisierte Ränder existieren auch hier.
8:18
Objektmodelle, Methodensignaturen und Connectorschemas
8:21
erzwingen die Struktur,
8:22
bevor die Laufzeitumgebung alles vermischt.
8:24
Wechseln Sie zu Dataflow Gen 2 mit Co-Pilot,
8:26
Prompts werden zu Power Query M oder Python,
8:28
jedoch mit Kontext.
8:29
Co-Pilot ist sich des semantischen Modells bewusst.
8:31
Er kennt Ihre Tabellen, Spalten, Measures und Synonyme,
8:34
sodass die Generierung an Ihrer Realität verankert ist,
8:36
nicht an einem halluzinierten Schema.
8:38
Benötigen Sie schnell einen Berichtskur?
8:39
Co-Pilot kann in Sekunden eine Seite mit Visualisierung erstellen.
8:42
Nicht durch Magie,
8:43
sondern weil er von Ihnen bereits kuratierte Metadaten nutzt.
8:46
Sie validieren die Diffs, sperren das Muster
8:48
und das ist wichtig,
8:48
halten die Orchestrierung aus Python heraus.
8:51
Nutzen Sie Python im Dataflow für Analyse-Schritte,
8:53
nicht für Umbenennungen von Spalten oder Genehmigungsanfragen.
8:56
Binden Sie nun typeagent.tupy
8:58
oder ein ähnliches Agenten-Framework
8:59
für mehrstufige Schlussfolger nach.
9:00
Der Agent ersetzt nicht Ihre Governance,
9:02
er setzt sie durch,
9:04
erinnert sich an frühere Fehler,
9:05
wählt das richtige Tool und ruft intelligent ab.
9:08
Hier sind die Genauigkeit der Toolaufrufe
9:09
und die Kontextspeicherung entscheidend.
9:10
Wenn der Agent konsistent zwischen Arbeitsblatt aktualisieren
9:13
und E-Mail senden wählen kann,
9:14
vermeiden Sie menschliche Verdrahtungsfehler.
9:16
Die Lösungszeit verkürzt sich,
9:18
da der Agent die Vorarbeit leistet.
9:19
Skip generieren,
9:20
am Beispiel testen,
9:21
Ausgaben validieren
9:23
und erst dann Änderungen übernehmen.
9:25
Warum das funktioniert,
9:26
ist einfach Rechitektur.
9:27
Begrenzen Sie die Code-Oberfläche.
9:28
Setzen Sie statisch typisierte Grenzen
9:30
an die Schnittstellen
9:31
offener API-Schemas für Connectoren,
9:33
Office-Script-Objektmodelle
9:34
und semantische Modelle in Power BI.
9:36
Innerhalb dieser Grenzen
9:37
lassen Sie die KI-Code gemäß in Spezifikationen.
9:39
Der Grund, warum dies Fehler reduziert,
9:40
ist nicht übernatürlich,
9:41
sondern vorab Validierung.
9:43
Sie erkennen Formfehler,
9:44
bevor Sie zu Ausfällen führen.
9:46
Und da der Agent ein Gedächtnis hat,
9:48
unterbinden Sie Wiederholungen,
9:49
also Fehler, die zurückkehren,
9:50
weil die Korrektur nur die Datei,
9:51
aber nicht das Muster änderte.
9:53
Praktische Verlagerung.
9:54
Python bleibt dort, wo es dominiert.
9:55
Innerhalb von Fabric-Notebooks
9:58
oder Datenflüssen
9:58
für fortgeschrittene Analysemodelle und ML.
10:00
Sie lassen Co-Pilot
10:01
bei der explorativen Datenanalyse,
10:03
bei Vektorisierungsmustern
10:04
und Visualisierungscode helfen.
10:06
Drumherum übernimmt der Agent
10:07
die Peripherie,
10:08
die Zeitplanung, Validierung,
10:10
I.O. und Richtlinien.
10:12
Agenten starten Notebooks,
10:13
validieren Ausgaben
10:13
und leiten Ergebnisse weiter,
10:15
ohne maßgeschneiderte Orchestrierung
10:16
in Python erfinden zu müssen.
10:18
Sie verschweißen Geschäftslogik
10:19
nicht mit einem Kernel,
10:19
sondern trennen Zuständigkeiten
10:20
wie ein Profi.
10:22
Office-Skripte und Co-Pilot
10:23
sorgen für schnell Erfolg.
10:24
Der Agent erzwingt Wiederholbarkeit.
10:26
Hier ist die Abkürzung,
10:27
die niemand lehrt.
10:28
Kodifizieren Sie Prompts
10:29
als Assets.
10:30
Behandeln Sie sie wie Vorlagen
10:31
mit Variablen
10:32
und Abnahmekriterien.
10:34
Wenn Sie sich sonst nichts merken,
10:35
speichern Sie den erfolgreichen Prompt
10:37
und die erwartete Form der Ausgaben.
10:39
Der Agent kann dies wiederverwenden,
10:40
anpassen und das Ergebnis
10:41
gegen Ihre Verträge prüfen,
10:42
Linting.
10:43
So verschmelzen Sie Entwicklung,
10:44
Debugging und Deployment
10:45
zu einer konversationsbasierten Schleife,
10:46
die weiterhin kontrolliert bleibt.
10:48
Der Game Changer,
10:48
über den jemand spricht,
10:49
typisierte Verträge für Agententools.
10:51
Sie definieren die Eingabe-
10:52
und Ausgabeschemas.
10:53
Der Agent kann validieren,
10:54
bevor er einen einzigen Schritt
10:55
in der Produktion ausführt.
10:56
Vergleichen Sie das damit,
10:57
einfach Python auszuführen
10:58
und zu beten,
10:58
dass Ihr Jason nicht plötzlich
10:59
eine zusätzliche Eigenschaft hat.
11:00
Und ja, Python kann typisiert sein.
11:01
Der Punkt ist Disziplin an den Rändern,
11:03
nicht Loyalität gegenüber einer Sprache.
11:04
In der Power-Plattform
11:05
sind die Ränder die Domänen
11:06
von Microsoft Office,
11:07
Power BI,
11:08
Dataverse,
11:08
Power...
11:09
Nutzen Sie also die Grundelemente,
11:10
die diese optimieren.
11:11
Sobald Sie das beherrschen,
11:12
fügt sich alles andere zusammen.
11:13
Die Versionierung hat eine
11:14
kleinere Angriffsfläche.
11:15
Prompts und Skripte,
11:16
keine Monolithen.
11:17
Die Beobachtbarkeit ist zentralisiert.
11:19
Power Automate-Ausführungshistorie,
11:20
Datenfluss-Lineische
11:21
und Agenten-Traces
11:22
statt fünf unzusammenhängender
11:23
Lock-Dashboards.
11:24
Die Kosten sinken,
11:25
weil sie Azure-Funktionen stilllegen,
11:26
die nur unnötige Routineaufgaben erledigten.
11:29
Und die Fehlerraten sinken,
11:30
weil die Orchestrate
11:30
auf festen Prinzipien folgt,
11:31
statt Handgeklöppelt zu sein.
11:33
Nun denken Sie vielleicht,
11:33
das klingt nach Kontrollverlust...
11:36
Falsch.
11:37
Sie verlagern die Kontrolle-App.
11:38
Sie bestimmen die Verträge,
11:39
die Tools,
11:40
die Leitplanken
11:40
und die Review-Gates.
11:42
Der Agent erledigt das Zusammenfügen
11:43
schneller als ihre menschliche Schleife
11:44
und ist weniger fehleranfällig.
11:46
Sie reservieren Python
11:47
für hochwertige Analysen,
11:48
bei denen Bibliotheken
11:49
ihren Mehrwert beweisen.
11:50
Das ist keine Kapitulation,
11:51
das ist Strategie.
11:52
Lassen Sie mich genau zeigen,
11:53
wie sich das in der Praxis sammelt.
11:54
Eine Anfrage geht ein.
11:56
Wir benötigen einen wöchentlichen Bericht,
11:57
der CSV-Dateien bereinigt
11:58
mit Dataverse anreichert
11:59
und ein semantisches Modell schiebt
12:00
und die Genehmiger per E-Mail informiert.
12:02
Der alte Weg,
12:03
Python-Funktionen aufsetzen,
12:04
den Nutzer definierten Connector anbinden,
12:05
mit OAuth kämpfen,
12:06
Datentypen dreimal korrigieren.
12:08
Der neue Weg.
12:08
Der Agent ruft via Co-Pilot
12:10
Dataflow GenTour auf,
12:11
um Transformationen zu generieren,
12:13
prüft Spalten am Modell,
12:14
nutzt Office-Scripts für Excel-Exporte,
12:16
triggert ein Flow für Benachrichtigungen
12:17
und protokolliert die Datenherkunft.
12:20
Kein maßgeschneidetes Flick
12:21
wäre kein nächliches Neu-Deploy.
12:22
Das funktioniert deshalb,
12:23
weil Sie aufgehört haben,
12:24
Python als Klebeband
12:24
in einer Plattform zu nutzen,
12:25
die Ihre eigenen Verbindungen hat.
12:27
Sie lassen die KI
12:27
den Kleber an den Gelenken auftragen,
12:29
nicht über die Lücke hinweg.
12:30
Und wenn sich das Geschäft ändert,
12:31
Spoiler-Alarm,
12:32
das wird es.
12:33
Aktualisieren Sie einen Prompt,
12:34
kein Container-Image.
12:38
und der Finanzabteilung erklären,
12:40
warum Latest eine schreckliche Idee war.
12:42
Erste Anwendung,
12:43
Power BI Dataflow aus Python
12:44
generiert nicht handgeschrieben.
12:46
Hier geht das Licht auf.
12:48
In Power BI werden Sie nicht dafür bezahlt,
12:49
handgefertigtes M
12:50
oder spezielles Python zu schreiben.
12:51
Sie werden dafür bezahlt,
12:52
saubere Daten
12:53
und funktionierende Berichte zu liefern.
12:54
Co-Pilot in Dataflow Gen2
12:55
erlaubt es,
12:56
Transformationen einfach im Englisch
12:57
zu formulieren,
12:58
worauf in Power Query M
13:00
oder ja Python generiert wird,
13:01
basierend auf ihrem semantischen Modell.
13:03
Keine Fantasietabellen,
13:04
sondern ihre echten Tabellen
13:05
spalten und Kennzahlen.
13:06
Dieses semantische Verständnis
13:07
verhindert eine ganze Kategorie
13:09
von Spalte nicht gefundenen Chaos,
13:10
bevor es entsteht.
13:12
Warum das wichtig ist,
13:12
Generierung plus Kontext
13:13
bedeutet weniger dumme Fehler.
13:15
Was die meisten übersehen,
13:16
ist die Überprüfungsschleif.
13:18
Sie vertrauen nicht Blindebeck.
13:19
Sie nutzen sie für einen schnellen Entwurf,
13:20
prüfen den Unterschied
13:21
und fixieren das Muster,
13:22
sobald es stimmt.
13:23
Von dort aus nutzen Sie Co-Pilot
13:24
für Iterationen per Prompt
13:25
statt durch endlose manuelle Bearbeitung.
13:27
Sie behandeln Code wie eine Vorlage
13:28
mit Variablen statt
13:29
wie ein Tagebuch ihrer Tastaturanschläge.
13:32
Wie sieht der Workflow aus?
13:34
Sie geben den Prompt
13:34
Verkaufsdatenladen
13:35
auf die letzten zwölf Monate filtern,
13:37
normalisieren,
13:38
Customer Master per Left Join verknüpfen
13:39
und Brutto-Marge berechnen.
13:41
Co-Pilot schlägt M oder Python vor.
13:43
Sie prüfen das Ergebnis am Beispiel,
13:45
validieren Spaltennamen
13:46
gegen das semantische Modell
13:47
und fixieren den Schritt.
13:49
Sie brauchen Python
13:50
für einen Analyse-Kernel,
13:51
etwa zur Ausreißererkennung
13:52
oder Saisonbereinigung?
13:53
Gerne.
13:54
Lassen Sie Co-Pilot
13:55
das innerhalb des Data Flows generieren,
13:56
aber halten Sie die Orchestrierung
13:57
davon fern.
13:58
Python berechnet die Plattform orchestriert.
14:00
Schneller Erfolg.
14:01
Bericht Grundgerüst.
14:03
Co-Pilot erstellt in Sekunden
14:04
eine erste Seite mit Visualisierungen.
14:06
Es keine Magie,
14:07
hier sind Metadaten.
14:08
Sie haben Ihre Kennzahlen
14:09
bereits benannt,
14:10
Synonyme hinzugefügt
14:11
und Beziehungen gepflegt.
14:12
Co-Pilot nutzt dies,
14:13
um Diagramme intelligent zu platzieren.
14:15
Sie sparen sich die Routinearbeit
14:16
und konzentrieren sich
14:17
auf das Wesentliche,
14:18
Geschäftslogik und Präsentation.
14:21
Häufige Fehler,
14:22
die zu mehr Mängeln führen.
14:23
Erstens,
14:24
den von Co-Pilot generierten
14:25
Python-Code ausufern lassen.
14:26
Wenn er beginnt,
14:27
Spalten um zu benennen,
14:28
externe Endpunkte aufzurufen
14:29
oder Workflow-Logik einzubetten,
14:30
sind Sie zurück
14:31
bei instabilem Cluster-Code.
14:33
Zweitens,
14:33
Code-Reviews überspringen,
14:34
Malika Ihnen geschrieben.
14:35
Nein, führen Sie
14:36
standardisierte Prüfprompts ein,
14:37
nutzen Sie Checklisten,
14:38
validieren Sie Spaltenstrukturen,
14:40
behandeln Sie Nullwerte explizit
14:41
und halten Sie Joint-Sitaministisch.
14:42
Drittens,
14:43
Orchestrierung und Analytik vermischen.
14:45
Wenn Sie Genehmigungslogik
14:46
in eine Python-Transformation mischen,
14:48
garantieren Sie,
14:48
dass die nächste Schemaänderung
14:49
Ihren Workflow zerstört.
14:51
Die Hybridregel ist simpel.
14:53
Python für Analysekerne,
14:54
M oder Plattform eigene Schritte
14:55
für die Infrastruktur.
14:57
Nutzen Sie Dataverse oder OneLake
14:58
für Ein- und Ausgaben,
14:59
die der Rest der Plattform versteht.
15:02
Wenn Sie die Transformation
15:03
anpassen müssen,
15:03
ändern Sie den Prompt
15:04
und prüfen das Diff,
15:05
anstatt eine 400-Zeilen-Funktion
15:07
zu durchforsten.
15:08
Geschäftliche Änderungen
15:09
werden zur Anpassung der Absicht,
15:10
nicht zu einer Operation
15:11
am offenen Herz.
15:12
Ja, die Beobachtbarkeit
15:12
verbessert sich.
15:14
Die Datenflusslineage
15:14
zeigt, was wir hier kommen.
15:16
Co-Pilots vorgeschlagene Schritte
15:17
bilden eine lesbare Kette
15:18
statt eines Haufens
15:19
handgeschriebener Skripte.
15:20
Wenn etwas fehlschlägt,
15:21
beheben Sie den Fehler
15:21
an einer zentralen Stelle.
15:23
Vergleichen Sie das
15:23
mit Ihrem alten Muster.
15:24
Power Automate
15:25
löst einen benutzerdefinierten
15:26
Connector aus,
15:26
ruft eine Python-API auf,
15:27
die Spalten verändert
15:33
prüfen, protokollieren.
15:35
Sie reservieren Python
15:35
für die anspruchsvolle
15:36
Mathematik, wo es sich wirklich ist.
15:37
Und wenn der CFO
15:38
an einem Dienstagnachmittag
15:39
eine neue Metrik erfindet,
15:40
aktualisieren Sie einen Prompt
15:41
und validieren neu,
15:42
anstatt ein Container-Image
15:43
bereitzustellen.
15:44
Versuchen Sie mal so zu tun,
15:44
etwa Datenfluss stabilisiert?
15:47
Entfernen Sie jetzt
15:47
den von Gielen-Kleister-Code,
15:48
der sich in Power Automate
15:49
eingenäht.
15:50
Anwendung 2
15:51
Power Automate
15:52
Ersetzen Sie Python-Kleister
15:54
durch Office-Scripts
15:54
und Agenten.
15:55
In Power Automate
15:56
ist der richtige Schritt
15:57
bewusst langweilig,
15:58
native Konnektoren
15:59
und Office-Scripts.
16:00
Sie beschreiben Ihre Schritte,
16:02
Copilot entwirft
16:02
den Ablauf in Skripten
16:03
und alles bleibt
16:04
innerhalb von Microsoft 365.
16:06
Keine Azure Functions,
16:07
kein Gerüst
16:08
für benutzerdefinierte Konnektoren,
16:09
kein nächtliches Patchen
16:10
von SSL-Schiffen
16:10
in einem Container,
16:11
dessen Existenz
16:12
Sie vergessen hatten.
16:13
Überraschende Erkenntnis,
16:14
wenn Sie bewegliche Teile
16:15
reduzieren,
16:15
reduzieren Sie Fehler.
16:16
Warum Office-Scripts?
16:18
Weil Sie auf TypeScript basieren
16:19
mit einem definierten
16:20
Objektmodell,
16:21
das Ihnen typisierte
16:21
Schnittstellen,
16:22
Methodensignaturen
16:23
und vorhersehbare Strukturen
16:24
liefert,
16:24
bevor die Laufzeit
16:25
Sie in Verlegenheit
16:25
bringen kann.
16:26
Copilot schaltet um.
16:28
Für jede neue Zeile
16:29
in dieser Tabelle
16:30
Datumsformate normalisieren,
16:31
einen Status berechnen
16:32
und dem Eigentümer
16:33
eine Zusammenfassung
16:34
per E-Mail senden,
16:35
genau das leisten
16:35
ein Flow und ein Skript.
16:38
Ihre Daten bleiben
16:38
in der Nähe von
16:39
Excel SharePoint
16:39
und OneWay.
16:40
Ihre Governance
16:41
bleibt einfacher
16:41
und die Fehlerquote sinkt,
16:43
da Sie den Ad-Hoc-Python-Umweg
16:44
eliminiert haben,
16:45
der dienstags
16:45
so gerne ausfiel.
16:46
Wie strukturiert man
16:47
das Ganze,
16:47
damit es skalierbar ist?
16:48
Setzen Sie auf
16:49
ein agentenbasiertes Muster.
16:50
Der Agent vom Typ Agent
16:51
oder vergleichbar
16:52
wählt Werkzeuge
16:53
aus einer begrenzten
16:53
Toolbox aus.
16:55
Ein Office Script aufrufen,
16:56
einen Graph Connector nutzen,
16:57
ein Dataverse schreiben,
16:57
eine Genehmigung senden.
16:59
Ein- und Ausgaben
16:59
sind schematisiert.
17:00
Der Agent validiert
17:01
Voraussetzungen,
17:02
führt einen Test
17:02
am Beispiel aus
17:03
und überträgt erst
17:04
dann die Änderung.
17:05
Die Genauigkeit
17:06
beim Aufruf von Werkzeugen
17:07
ist entscheidend,
17:08
benennen Sie Tools der Eindeutung.
17:09
Worksheet-Tabelle
17:10
aktualisieren ist besser
17:10
als irgendwas tun.
17:12
Wenn der Agent
17:12
konsistent das richtige Werkzeug wählt,
17:14
hören Sie auf,
17:14
die falsche Aktion
17:15
mit dem richtigen Trigger
17:16
zu verknüpfen.
17:16
Schnelle Erfolge,
17:17
die Python-Glucode
17:18
überflüssig machen.
17:19
Excel-Operationen,
17:20
Spalten bereinigen,
17:21
Duplikate entfernen,
17:21
Felder aufteilen.
17:22
Office Script erledigen
17:23
dies nativ.
17:25
Genehmigungen und Benachrichtigungen
17:26
und native Aktionen
17:26
in Minuten Null
17:27
benutzerdefinierter
17:28
Authentifizierung.
17:29
Dataverse und SharePoint Updates.
17:31
Konnektoren mit Metadatenbewusstsein,
17:32
keine rohen HTTP-Aufrufe.
17:34
Die Kosten sinken,
17:35
da Sie nicht für permanent
17:35
laufende Rechenleistung bezahlen,
17:37
nur um Spalten umzubenennen.
17:38
Die Lösungszeit verkürzt sich,
17:39
weil Ihr Agent generieren,
17:40
testen und iterieren kann,
17:41
ohne dass ein Mensch
17:42
einen Dev-Container einrichten muss.
17:43
Und Ihr Sicherheitsteam
17:44
hört auf zu murren,
17:45
weil Sie den unbekannten
17:46
APA-Inpunkt entfernt haben,
17:47
den jemand als vorübergehend
17:48
markiert hatte.
17:49
Fehler, die es zu vermeiden gilt,
17:50
weil Sie es natürlich
17:51
ausprobieren werden.
17:51
Erstens, Python per Benutzer
17:53
definiert im Konnektor
17:53
für triviale Aufgaben erzwingen.
17:55
Wenn die Aufgabe darin besteht,
17:56
eine Tabelle umzuformen,
17:57
verwenden Sie Office Script.
17:58
Zweitens, Governance ignorieren.
18:00
Skripte benötigen Versionierung,
18:01
Prüfschritte und Namenstandards.
18:03
Behandeln Sie sie wie Code,
18:04
denn das sind sie.
18:06
Drittens, Geschäftslogik
18:07
über fünf Flows verteilen,
18:08
ohne Typverträge.
18:09
Definieren Sie Ihre Eingabe-
18:10
und Ausgabe-Schemata im Voraus.
18:12
Der Agent kann Sie erzwingen,
18:14
die Plattform validiert Sie,
18:14
die Produktion wird es Ihnen danken.
18:16
Nein, Sie wollen immer noch Python.
18:18
Setzen Sie es dort ein,
18:18
wo es hingehört, in die Analyse.
18:20
Wenn ein Flow Vorhersagen
18:21
oder komplexe Transformationen
18:22
benötigt,
18:22
rufen Sie einen geeigneten Dienst.
18:24
Einen Fabric-Notebook-Job
18:25
oder ML-Endpunkt
18:26
hinter einer sauberen API
18:27
keine improvisierte Flask-App,
18:29
die jemand auf einem
18:29
Gratistarif hinterlassen hat.
18:31
Der Flow orchestriert,
18:32
Python berechnet,
18:33
Sie interagieren über einen Vertrag,
18:35
nicht nach Gefühlen.
18:36
Der subtile Vorteil von
18:37
Office-Skripten plus Agenten
18:38
ist die Wagbarkeit.
18:39
Prompts werden zu Assets,
18:40
Skripte werden zu
18:41
wiederverwendbaren Werkzeugen.
18:43
Flows werden zu schlanken
18:44
Orchestrierungsebenen,
18:45
nicht zu Logiken gesehen.
18:46
Wenn sich Anforderungen ändern,
18:47
aktualisieren Sie einen Prompt
18:48
und bei Bedarf ein Skript
18:49
mit einer Prüfung,
18:49
anstatt einen gesamten
18:50
benutzerdefinierten
18:51
Connector-Stack zu überarbeiten.
18:53
Der Agent merkt sich
18:53
die frühere Lösung,
18:54
nutzt das Muster wieder
18:55
und verhindert eine Wiederholung.
18:57
So wird aus,
18:57
wir haben den Nachmittag
18:58
mit dem Debuggen von Typen
18:59
verbracht ein.
19:00
Wir haben noch vor dem Mittag geliefert.
19:02
Die Wahrheit über Python
19:03
im Power Automate als Kleber
19:04
ist es performativisch schwierig.
19:06
Sie beweisen, dass Sie es können,
19:07
während die Plattform Ihnen im Stillen
19:08
einen einfacheren,
19:08
sicheren Weg bietet.
19:10
Nutzen Sie ihn.
19:11
Anwendung 3
19:11
Fabric Notebooks
19:12
enthalten Python,
19:13
automatisieren Sie die Umgebung.
19:15
In Fabric sitzt Python endlich dort,
19:16
wo es am stärksten ist,
19:17
im Compute-Kern.
19:18
Nicht die Türklinge,
19:19
nicht das Rohrleitungssystem,
19:20
halten Sie die Geschäftslogik
19:21
an den Rändern
19:21
und lassen Sie das Notebook-Analysen,
19:23
Modellierung
19:23
und komplexe Transformationen
19:24
übernehmen.
19:26
Die Umgebung,
19:26
Zeitplanung,
19:27
Validierung und
19:27
IO-Richtlinien
19:28
gehören zu Agenten
19:29
und Tools mit TypeScript-Charakter.
19:34
Verschweißen
19:34
wird jede kleine Umgebungsänderung
19:36
zu einem Produktionsvorfall.
19:37
Trennen Sie die Zuständigkeit.
19:38
Der Agent ruft das Notebook
19:39
über eine saubere Job-API auf,
19:41
übergibt typisierte Eingaben
19:42
und erwartet typisierte Ausgaben.
19:44
Wenn die Form abweicht,
19:44
schlägt es sofort am Rand Fehl,
19:46
nicht erst nach der Hälfte
19:46
eines 20-minütigen Laufs.
19:48
Wie das in der Praxis aussieht.
19:50
Co-Pilot hilft innerhalb des Notebooks
19:51
bei EDA,
19:52
Vektorisierung und Visualisierungshilfen.
19:54
Sie prüfen und fixieren
19:55
weiterhin Bibliotheksvisionen.
19:56
Erwachsen, erinnern Sie sich.
19:57
Der Agent steuert Pipelines,
19:59
löst bei Dateneingang aus,
20:00
prüft das Schema,
20:01
startet den Notebook-Job
20:02
und validiert Ausgaben gegen den Vertrag,
20:04
bevor er sie in One Lake
20:05
oder ein semantisches Modell veröffentlicht.
20:07
Versionskontrollieren Sie Notebooks wie Code.
20:09
Speichern Sie prompt,
20:10
die Hilfsfunktionen generiert haben.
20:11
Führen Sie Unit-Tests für Ausgaben,
20:13
Metriken, Verteilungen
20:13
und Zahlen an Zahlen durch,
20:14
anstatt für zahlenweise Verkabelung.
20:16
Ein schneller Erfolg.
20:17
Fordern Sie Co-Pilot auf,
20:18
einen Schritt zur saisonalen Zerlegung zu generieren.
20:20
Behalten Sie ihn im Notebook
20:21
und lassen Sie den Agenten
20:22
Wiederholungsversuch und Alarme steuern.
20:24
Geschäftslogik lebt in deklarativen Verträgen.
20:26
Python bleibt rechnerisch.
20:28
Fehler, die Sie vermeiden sollten,
20:29
Genehmigungen oder Umbenennungen
20:31
im Notebook verstecken,
20:32
Flows an Ad-Hoc-Endpunkte koppeln
20:33
oder die einzige Definition eines KPI
20:35
in einem Zellkommentar speichern.
20:36
Betreiben Sie keine Archäologen.
20:38
Betreiben Sie Architektur.
20:40
Quantifizieren Sie es nun,
20:40
damit die Finanzabteilung aufhört zu sollen.
20:42
Ergebnisse, Zeitersparnis,
20:43
Kostensenkung,
20:44
weniger Ausfallzeiten durch Fehler.
20:46
KI unterstützt die Generierung,
20:47
verkürzt die Schleife aus
20:48
Bild-Debugging und Diplorn.
20:49
Co-Pilot entwirft Transformationen und Skripte.
20:51
Der Agent testet gegen Stichproben
20:53
vor der Freigabe.
20:53
Sie reduzieren Nacharbeit und Kontextwechsel,
20:56
da die Orchestrierung mehr tief bleibt
20:57
und der Code dort liegt,
20:58
wo er ausgeführt wird.
20:59
Kosten als nächstes,
21:00
nehmen Sie Azure-Funktionen außer Betrieb,
21:02
die nur Spalten umbenannt haben,
21:03
halten Sie Flows in der Plattform,
21:05
Notebooks in Fabric und Kleber in OfficeScript.
21:06
Sie zahlen weniger für Rechenleistung
21:07
und benötigen deutlich weniger Aufmerksamkeit.
21:09
Kein Container-Patching,
21:10
weniger Geheimnisse,
21:11
weniger Wochenendausfälle.
21:12
Schließlich Fehler.
21:13
Typisierte Grenzen bei Konnektoren,
21:15
OfficeScript-Objektmodelle
21:16
und semantische Metadaten
21:17
erkennen Formfehler frühzeitig.
21:19
Agent-Leit-Planken,
21:20
Genauigkeit beim Tool-Aufruf
21:21
und Kontextspeicherung
21:22
beenden, den Freitagsreparieren
21:24
und das Kapu-Zyklus.
21:25
Die Wiederholungsrate sinkt,
21:26
da man Muster aktualisiert,
21:27
nicht nur Dateien.
21:28
Praktische Metriken,
21:30
Lösungszeit pro Vorfall,
21:31
Erfolgsrate von Tool-Aufrufen
21:32
und Vorlaufzeit für Änderungen.
21:35
Checkliste,
21:35
Orchestrator wählen,
21:36
Verträge definieren,
21:37
Prompts als Vorlagen erstellen,
21:39
Prüfschritte einbauen
21:40
und Ergebnisse zentral überwachen.
21:42
Python ist nicht tot,
21:43
es wurde aus seinen Spezialgebieten zurückgestimmt.
21:44
Gut, so liefert man Software aus.
21:46
Gegenargument und Erwiderung.
21:48
Aber Python dominiert die Datenwissenschaft.
21:49
Ja, Python dominiert die Datenwissenschaft.
21:51
In Fabric ist genau das der Grund,
21:55
warum es in Notebooks
21:55
und Analyse-Kernels bleibt.
21:57
Es ist der Motor.
21:58
Die Wahl.
21:58
Motoren regeln keine Ampel.
22:00
Orchestrierung bedeutet
22:01
Straßensignale und Regeln.
22:03
Das ist die Domäne der Power-Plattform.
22:05
Connectoren,
22:06
Office-Scripts,
22:07
Dataflow-Gen2 und Co-Pilot.
22:09
Hier verschwimmen bei vielen die Grenzen.
22:11
Dominanz in der Analyse
22:12
bedeutet nicht Eignung
22:13
als Kleber im Microsoft-Stack.
22:15
In Power Automate ist Python
22:16
indirekte externe Rechenleistung
22:18
über Azure Functions
22:19
oder benutzerdefinierte Konnektoren.
22:21
Das erhöht Kosten,
22:22
Secret-Management,
22:23
Kaltstarts und Versionsdrift.
22:24
Währenddessen laufen Office-Scripts dort,
22:26
wo Ihre Microsoft 365 Daten liegen
22:28
und Co-Pilot erstellt sie
22:29
aus einfacher Sprache.
22:30
Sie wählen zwischen Reibung
22:31
und nativer Geschwindigkeit,
22:32
aber wir brauchen benutzerdefinierte Logik.
22:35
Setzen Sie es hinter typisierte Grenzen,
22:36
nutzen Sie einen Fabric-Notebook-Job
22:37
oder ML-Endpunkt
22:38
für Vorhersagen
22:39
und komplexe Transformation.
22:40
Stellen Sie eine saubere API bereit
22:41
und lassen Sie den Ablauf
22:42
über Verträge orchestrieren,
22:43
nicht nachgeführt.
22:44
Sie erhalten die Stärke von Python,
22:45
ohne jede Freigabe,
22:46
Umbenennung oder Dateiverschiebung
22:47
manuell über eine Flask-App zu vertraten,
22:49
die Sie vergessen zu patchen.
22:50
Microsoft's Kurs
22:51
festigt diese Trennung.
22:53
Office-Scripts sind die offizielle
22:55
Scripting-Lösung für M3.5.
22:57
Co-Pilot ist in Power BI
22:58
und Dataflow Gen 2
22:59
semantisch modellbewusst
22:59
und generiert M oder Python
23:01
verankert an ihren Metadaten.
23:03
Agenten verbessern die Genauigkeit
23:05
von Tool-Aufrufen
23:06
und Kontextspeicherung,
23:07
sodass der Kleber zuverlässig
23:08
und prüfbar bleibt.
23:09
Nichts davon erfordert die Orchestrierung
23:11
Hybrid ist kein Kompromiss-Assist-Design.
23:14
TypeScript-basierte Skripte
23:15
und Agenten regeln die Peripherie,
23:16
Python übernimmt die Berechnung.
23:18
Sie treffen sich an typisierten
23:19
APIs oder Warteschlangen.
23:20
Sie verkürzen die Lösungszeit,
23:21
senken die Betriebskosten
23:22
und reduzieren Fehler,
23:23
weil die Schnittstellen explizit sind.
23:25
Nutzen Sie Python-Dotwesglänzen.
23:27
Hören Sie Office-Ausall-Wert-Klebeband
23:28
zum Missbrauch.
23:29
Implementierungsplaybook
23:30
für Ihre nächsten 30 Tage.
23:31
Woche 1 Audit.
23:32
Markieren Sie jeden Workflow
23:33
und Datenfluss als Kleber um.
23:35
Heben Sie Python-Funktionen hervor,
23:37
die Freigaben, Umbenennungen
23:38
oder Datei-Igo-Antipetanz berühren.
23:40
Dokumentieren Sie Ein- und Ausgaben
23:41
sowie Fehler-Hotspots.
23:43
Erheben Sie echte Metriken,
23:44
Lösungszeit-Vorlaufzeit-Veränderungen,
23:46
falls Sie Agenten nutzen,
23:46
die Erfolgsrate von Tool-Aufrufen.
23:48
Wenn nicht, auch gut.
23:49
Etablieren Sie jetzt die Basis.
23:51
Woche 2 migrieren Sie
23:52
Trivialen Klebercode.
23:53
Ersetzen Sie Python-Endpunkte
23:54
für Excel- oder SharePoint-Aufgaben
23:56
durch Office-Scripts
23:57
und native Konnektoren.
23:59
Nutzen Sie Co-Pilot,
24:00
um Skripte aus einfacher Sprache zu entwerfen.
24:02
Fügen Sie dann eine schlanke Prüfliste hinzu.
24:04
Spaltenformate,
24:04
Null-Handling, Ideimpotenz.
24:06
Standardisieren Sie Prompt-Vorlagen
24:08
und benennen Sie Skripte professionell.
24:09
Verb-substantiv mit Kontext,
24:10
nicht Skript-und-Diskisch mit Kontext.
24:12
Versionieren Sie dies im Repositor.
24:13
Ja, Skripte sind Code.
24:15
Woche 3
24:15
Refaktorieren Sie Datenflüsse.
24:17
Tellen Sie handgeschriebene Transformationen
24:18
auf Co-Pilot-gestützte Generierung
24:19
in Dataflow Gen2 um.
24:21
Halten Sie Orchestrierung aus Python heraus.
24:22
Reservieren Sie es nur für Analyse-Kernels.
24:25
Validieren Sie gegen Ihr semantisches Modell
24:26
Spaltennamen, Datentypen und Kennzahlen.
24:29
Speichern Sie akzeptierte Diffs
24:30
in Ihrer Prompt-Bibliothek,
24:31
damit die nächste Änderung
24:32
eine Prompt-Anpassung ist
24:33
und keine Entdeckungsreise.
24:35
Woche 4
24:35
Führen Sie einen Agenten
24:36
für komplexe Orchestrierung ein.
24:38
Beschränken Sie die Toolbox.
24:39
Arbeitsblatt, Tabelle aktualisieren,
24:41
dataverse.doc.absat,
24:43
dataflow.run, E-Mail versenden.
24:45
Definieren Sie Typverträge für jedes Tool,
24:47
einschließlich Beispiel-Payloads
24:48
und Abnahmekriterien.
24:50
Aktivieren Sie die Vorabvalidierung
24:51
gegen Beispiele
24:52
und verfolgen Sie Toolgenauigkeit
24:53
sowie Lösungszeit.
24:55
Wenn der Agent fehlschlägt,
24:56
korrigieren Sie das Muster,
24:57
aktualisieren Sie Prompts,
24:58
Schemas oder Toolnamen,
24:59
um Wiederholungen zu vermeiden.
25:00
Da wollen wir uns durchgehen.
25:02
Erzwingen Sie typisierte Schnittstellen
25:03
an jeder Nahtstelle.
25:04
Speichern Sie Prompts Zusammenbindung.
25:05
Fügen Sie Review-Gates
25:06
für Skript- und Datenflussänderungen zu.
25:08
Zentralisieren Sie Telemetrie,
25:09
Power Automate-Ausführungshistorie,
25:11
Datenfluss-Lineage
25:12
und Agenten-Traces
25:13
in einem Dashboard.
25:14
Rollback-Pläne sind nicht verhandelbar.
25:16
Vorherige Skript-Versionen,
25:17
zuletzt bekannte funktionierende Datenflüsse
25:19
und Notebook-Job-Snapshots.
25:21
Exit-Kriterien an Tag 30.
25:23
Weniger benutzerdefinierte Konnektoren
25:25
für trivialen Code,
25:26
messbare Senkung der Laufkosten,
25:27
schnellere Änderungen bei kleinerem Wirkungskreis
25:29
und dokumentierte Schnittstellen,
25:30
mit denen neue Teammitglieder
25:31
an einem Tag statt einer Woche produktiv sind.
25:33
Python bleibt innerhalb von Notebooks
25:34
und Analyse-Kernels
25:35
der Kleberkopf.
25:37
Er ist generiert, typisiert und langweilig.
25:39
Genau das ist der Punkt.
25:41
Wichtigste Erkenntnis,
25:42
im Microsoft-Ökosystem
25:43
orchestrieren Agenten
25:44
plus TypeScript-basierte Skripte sauber,
25:46
während Python dort bleibt,
25:47
wo Bibliotheken wirklich ihren Nutzen haben
25:48
in der Analyse.
25:49
Wenn Ihnen das Zeit gespart hat,
25:52
zahlen Sie die Schuld zurück.
25:53
Abonnieren Sie.
25:54
Schauen Sie sich das Follow-up
25:55
zum Erstellen Ihres ersten
25:55
App-Agenten-Playbooks
25:56
mit typisierten Tool-Verträgen
25:58
und Review-Gates an.
25:59
Sie werden schneller liefern
25:59
mit weniger Ausfällen
26:00
und die Finanzabteilung
26:01
wird endlich aufhören,
26:02
mit Endrechnungen zu seufzen.
26:03
Bye.
26:03
Bye.