Latest / M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands / Python als lijm in Power Automate? Office Scripts, Copilot en getypeerde agents in plaats van fragiele flows (AI-nasynchronisatie)

Transcript

Python als lijm in Power Automate? Office Scripts, Copilot en getypeerde agents in plaats van fragiele flows (AI-nasynchronisatie) · M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands

0:00
Speaker 2: Python is de taal van AI. Onjuist. Binnen de Microsoft-stack
0:03
Speaker 2: schrijft AI de verbindende code, niet jij. Je blijft Python
0:06
Speaker 2: in Power Automate en Power B proppen en vraagt je
0:08
Speaker 2: dan af waarom je flows wiebelen als een stoel met
0:10
Speaker 2: drie poten. Dit is de oplossing. Ik laat je zien
0:12
Speaker 2: waarom orchestratie in agentstijl en copilot-type script, achtige scripts tot
0:16
Speaker 2: volwaardige lijn maken, Python naar specifieke analytics duwen en bouwen,
0:20
Speaker 2: debuggen en implementeren samenvoegen tot één gesprekslus. Blijf kijken voor
0:24
Speaker 2: de geheime stap die defect inflatie stopt, De fout die
0:27
Speaker 2: stilletjes budgetten leegzuigt en het hybride patroon waarmee je Python
0:30
Speaker 2: behoudt zonder de pijn. Het probleem? De wrijving van Python
0:33
Speaker 2: binnen het Power Platform. Laten we beginnen met het voor
0:35
Speaker 2: de hand liggende dat op de een of andere manier
0:37
Speaker 2: niet voor de hand ligt. Power Automate voert geen willekeurige
0:39
Speaker 2: Python uit. Of een script in type scriptstijl? Zijn het
0:41
Speaker 2: eigen scriptopper VLAK voor Microsoft 365. Excel online host ze.
0:45
Speaker 2: Dat is de juiste weg. Wanneer je vasthoudt aan Python,
0:48
Speaker 2: voeg je Azure Functions, Logic Apps of aangepaste connectors toe.
0:50
Speaker 2: Nu heb je externe rekenkracht, implementatiepijplijnen, authenticatie en mijn favoriet,
0:53
Speaker 2: runtime mysterieus vlees toegevoegd. Waarom dit pijn doet, is een
0:56
Speaker 2: kwestie van eenvoudige economie en waarschijnlijkheid. Een externe opzet betekent
0:59
Speaker 2: meer services om te configureren, meer inloggegevens om te vernieuwen
1:03
Speaker 2: en meer kosten die zelf stikken terwijl je slaapt. Dynamische
1:05
Speaker 2: typering voegt een element van roulette toe. De code compileert
1:08
Speaker 2: omdat er geen compilatie is en faalt vervolgens halverwege omdat
1:11
Speaker 2: een veld niet was wat je aannam. In een flow
1:12
Speaker 2: is dat niet grappig. Het is een kapotte goedkeuring, een
1:15
Speaker 2: gemiste sla en weer een ticket met de titel, urgent,
1:17
Speaker 2: in kleine letters. Specifieke scenario's, power by data flows. Je
1:21
Speaker 2: bent gegevens aan het transformeren. Copilot kan nu power, query
1:24
Speaker 2: en of Python voor je genereren in een data flow
1:26
Speaker 2: gen 2. Geweldig. Totdat je dit mengt met een aparte
1:29
Speaker 2: Python-service voor lijmtaken die Power Automate Native had kunnen afhandelen.
1:32
Speaker 2: Nu doorkruist je herkomst verschillende producten. Observability. Veel plezier met
1:36
Speaker 2: het traceren van een fout van een flow naar een
1:37
Speaker 2: functie naar een dataflow in de tijd dat het je
1:39
Speaker 2: belanghebbende kost om te vragen, is het al klaar. Voor
1:41
Speaker 2: de zevende keer. Power Automate Flows. Het hele punt is
1:44
Speaker 2: Native Connectors en Office Scripts. Mensen proppen nog steeds Python
1:48
Speaker 2: achter een aangepaste connector om kolommen in Excel te hernoemen.
1:50
Speaker 2: Dat is als een takelwagen bellen om je oprit af
1:52
Speaker 2: te rijden. Elke extra stap vergroot de kwetsbaarheid. Connector schema's verschuiven.
1:57
Speaker 2: Functieafhankelijkheden verouderen. Rechten verspreiden zich over entra-rollen. Resourcegroepen en mysterieuze
2:02
Speaker 2: opslagaccounts waarvan niemand wil toegeven ze gemaakt te hebben. Fabric notebooks. Ja,
2:06
Speaker 2: Python hoort hier thuis voor data science, ML en serieus rekenwerk.
2:10
Speaker 2: Maar wanneer je notebooks als orchestratielijm gebruikt, las je bedrijfslogica
2:14
Speaker 2: vast aan een rekenkernel. Planning, validatie en I.O. worden maatwerk.
2:17
Speaker 2: Eén omgevingsupdate later krijgt Pandas een nieuwe kleine versie en
2:21
Speaker 2: je simpele verbindingscode wordt een archeologische laag. Beginners denken dat
2:24
Speaker 2: ze het versimpelen. In werkelijkheid creëren ze een centraal punt
2:27
Speaker 2: van procedureel falen met bonus Griekse YAML. Wat de meeste
2:30
Speaker 2: mensen missen, is dat Office Scripts geen speelgoedtypescript zijn. Het
2:33
Speaker 2: is de officiële methode voor het automatiseren van Excel en
2:35
Speaker 2: Microsoft 365 taken zonder extra infrastructuur. Vergelijk dat met volledige Node-typescript,
2:39
Speaker 2: die je in Azure Functions gebruikt voor robuuste APIs wanneer
2:42
Speaker 2: dat echt nodig is. Python binnen Power Platform is bewust
2:44
Speaker 2: indirect ontworpen. Het kan wel, maar je zou het niet
2:46
Speaker 2: als lijn moeten gebruiken. Laten we de kostenberekening eens nuchter bekijken.
2:50
Speaker 2: Eenvoudige flows zijn goedkoop omdat ze binnen het platform blijven. Connectors,
2:53
Speaker 2: triggers en office scripts vallen onder je bestaande licenties. Haal
2:56
Speaker 2: je Python binnen via functions, dan betaal je in twee valuta's,
2:59
Speaker 2: geld en aandacht. Geld voor uitvoering, opslag en netwerkverkeer. Aandacht
3:03
Speaker 2: voor versiebeheer, security, geheimen, retreats, cold starts en de wekelijkse.
3:06
Speaker 2: Waarom faalde het om 14 over 2 s'nacht? Zaga, zaga,
3:09
Speaker 2: op kleine schaal prima. Op organisatieniveau is het een budgetpost
3:13
Speaker 2: vol spijt. Veel voorkomende fouten blijven zich herhalen. Brosse connectors
3:17
Speaker 2: waarbij je zwijgerspek net één veld achterloopt op de realiteit.
3:20
Speaker 2: Versieverschillen en bibliotheekupdates die niet vastgezet zijn omdat iemand dol
3:23
Speaker 2: is op de latest versie. Wildgroei aan rechten, service principles
3:27
Speaker 2: met tijdelijke toegang die permanent worden. Debugging over verschillende services heen,
3:30
Speaker 2: laks van Power Automate, Azure Functions en Dataflow uitpluizen als
3:34
Speaker 2: een true crime podcast. De waarheid? De vrijheid van dynamische
3:37
Speaker 2: typering is leuk totdat het drie uur smiddags is bij
3:39
Speaker 2: kwartaalsluiting en je flow slaagt met de verkeerde datastructuur. Strikey
3:42
Speaker 2: typering voorkomt stomme fouten voordat ze live gaan. Binnen Power
3:45
Speaker 2: Platform bieden typescript-achtige scripts en connectors met schema's die vangrails.
3:48
Speaker 2: Python kan ook types hebben, inderdaad. Maar de meeste van
3:51
Speaker 2: jullie dwingen ze niet af in flows. Ga niet in discussie,
3:53
Speaker 2: je logbestanden hebben dat al gedaan. En dan nu de
3:55
Speaker 2: overgang waar je op wachtte. Als de frictie zich opstapelt
3:57
Speaker 2: elke keer dat je code als lijm gebruikt... Wat vervangt
4:00
Speaker 2: die lijn dan? Maak kennis met AI die de lijn
4:02
Speaker 2: voor je schrijft en uitvoert binnen de banen die het
4:04
Speaker 2: platform optimaliseert. Copilot kan natuurlijke taal vertalen naar Office Scripts
4:08
Speaker 2: voor Microsoft 365 taken. In Power BI gebruikt Copilot zijn
4:12
Speaker 2: mantische model metadata om nauwkeurig M of Python te genereren
4:16
Speaker 2: en in seconden rapportopzetten te maken. Agents zoals type agent
4:19
Speaker 2: coördineren tools met geheugen en vangrails wat het heen en
4:21
Speaker 2: weer spel van specificeren, coderen, deployen en debuggen vermindert. Je
4:24
Speaker 2: beperkt het oppervlak, krijgt getypeerde randen waar dat ertoe doet
4:27
Speaker 2: en houdt Python waar het exceleert. Beheers de analytics, geen
4:30
Speaker 2: duct tape. Ja, je kunt eraan vasthouden, maar Python kan alles.
4:34
Speaker 2: Ducttape ook. Dat maakt het nog geen geschikt bevestigingsmiddel voor vliegtuigen.
4:37
Speaker 2: Hou orkestratie native. Laat AI de lijm schrijven. Zet Python
4:41
Speaker 2: in notebooks of diensten die daarvoor ontworpen zijn. Je geeft
4:44
Speaker 2: minder uit, maakt minder kapot, en dit is wat pijn doet,
4:47
Speaker 2: je levert meer op. Waarom huidige benaderingen falen? Handmatige code
4:50
Speaker 2: en statische draaiboeken. De handmatige codeerlus ziet er heroisch uit
4:53
Speaker 2: op een whiteboard, vereiste, code, deploy, test, fix, redeploy. In
4:57
Speaker 2: werkelijkheid is het slowmotion whack-a-mole. Bedrijfsregels veranderen midden in een sprint.
5:01
Speaker 2: Je definitieve schema wijzigt voor de launch. En de enige
5:04
Speaker 2: constante is de volgende redenplooi. Binnen het Power Platform is
5:08
Speaker 2: die lust nog pijnlijker, omdat elke stap van Power Automate
5:11
Speaker 2: naar Azure Functions naar Power bieden frictie vergroot en je
5:13
Speaker 2: faalmodi vermenigvuldigt. Statische draaiboeken zijn de andere valstrik. Je schreef
5:18
Speaker 2: een perfect runboek voor de logica aan het einde van
5:20
Speaker 2: het kwartaal. Vervolgens bedenkt sales een nieuwe korting, past finance
5:23
Speaker 2: de omzetverantwoording aan en voegt legal gisteren een goedkeuring in
5:26
Speaker 2: vier stappen toe. Je Python in functionslijn buigt niet, het breekt.
5:30
Speaker 2: Je update code, verhoogt dependencies, herbouwt containers en herontdekt dat
5:34
Speaker 2: cold starts graag verschijnen tijdens executive demos. Fascinerend, toch? De
5:38
Speaker 2: waarheid die de meesten ontwijken, de vrijheid van dynamische typering
5:41
Speaker 2: voelt snel als je alleen werkt. Op schaal in flows
5:43
Speaker 2: is het bak roulette. Een optioneel veld verandert van string
5:46
Speaker 2: naar getal en je functie vaart vrolijk door totdat een
5:49
Speaker 2: vertakking tekst verwacht en een runtime fout geeft. Dat is
5:52
Speaker 2: geen unit test die luid faalt, dat is productie die
5:54
Speaker 2: stilletjes transacties verkeerd klassificeert. En ja, je audit trail is
5:58
Speaker 2: in feite een novelle. Observability is een speurtocht. Fouten ontstaan
6:02
Speaker 2: in Power Automate, worden getransformeerd in een Custom Connector, triggeren
6:06
Speaker 2: een Python-functie, stuiteren naar Dataflow Gen2 en eindigen als een
6:09
Speaker 2: kapotte tegel in Power BI. Nu lees je vijf laks
6:11
Speaker 2: die het niet is kunnen worden over hetzelfde tijdstempelformaat. Jij
6:15
Speaker 2: noemt dit onderzoek. Gebruikers noemen het, we hebben de cijfers
6:17
Speaker 2: nog steeds niet. Microverhaal, een team bespaarde uren op maandelijkse
6:21
Speaker 2: rapportages door transformaties te consolideren in één Python-functie. Het werkte
6:24
Speaker 2: totdat dependency-conflicten weer de kop opstaken. Een kleine Pandas-update veranderde
6:28
Speaker 2: de standaard. Hun functie dwong stilletjes nalwaardes af en twee
6:31
Speaker 2: weken later waren hun variantierapporten precies genoeg afgeweken om gevaarlijk
6:34
Speaker 2: te zijn. Ze hebben het hersteld. Daarna kwam het terug
6:37
Speaker 2: omdat versiebeheer op de backlog stond. Het terugkeren van bugs
6:39
Speaker 2: is geen mysterie, het is een processtroom. En governance, custom
6:42
Speaker 2: connectors verouderen als melk. Open API specs lopen achter op
6:46
Speaker 2: de werkelijkheid. Tokens verlopen, service principles verzamelen tijdelijk te veel
6:50
Speaker 2: rechten en je ooit elegante pipeline is nu een Rube
6:52
Speaker 2: Goldberg machine met SOC-bevindingen. De handmatige lus kost niet alleen tijd,
6:56
Speaker 2: het hoopt operationele schuld op. Elke quick fix is een
6:59
Speaker 2: toekomstige storing met een agenda-uitnodiging. Het centrum houdt geen stand
7:02
Speaker 2: omdat het centrum broze lijm is. Handgeschreven code werkt alleen
7:05
Speaker 2: als het domein stabiel is. De bedrijfslogica van het Power
7:08
Speaker 2: Platform is niet stabiel. Let daarom goed op. Je orchestratie
7:11
Speaker 2: moet adaptief zijn, getypeerd aan de randen en gegenereerd dicht
7:14
Speaker 2: bij de primitieve van het platform, niet ver weg handmatig
7:16
Speaker 2: in elkaar gezet. Stop met het behandelen van lijncode als
7:18
Speaker 2: een app. Laat een agent orchestreren en begrenzen. De betere methode,
7:22
Speaker 2: type agent plus copilot als de orchestrator. Maak kennis met
7:25
Speaker 2: het model dat niet tegen het platform ingaat. Agents genereren,
7:28
Speaker 2: roepen tools aan, observeren resultaten en herzien geen ongecontroleerde codestroom,
7:32
Speaker 2: maar toegebruik met vangrails. Je geeft de agent een begrensde gereedschapskist.
7:36
Speaker 2: Office Scripts voor Microsoft 365 acties, Power BI Dataflow Gent
7:41
Speaker 2: 2 voor transformaties, connectoren voor databeweging en strikt getypeerde interfaces daartussen.
7:46
Speaker 2: De agent behoudt context, redeneert over stappen en schrijft alleen
7:49
Speaker 2: code waar code thuishoort. Begin met Office Scripts en Copilot.
7:52
Speaker 2: Jij beschrijft het gewenste resultaat. Wanneer er een nieuwe rij
7:55
Speaker 2: in deze tabel komt, normaliseer de datums, vul lege velden
7:57
Speaker 2: in en mail een samenvatting naar de goedkeurders. Copilot vertaalt
8:00
Speaker 2: dit naar type script, achtige office, script en flow stappen.
8:03
Speaker 2: Er is geen externe runtime, geen container om te beveiligen,
8:05
Speaker 2: geen secret store om te beheren. De code bevindt zich
8:07
Speaker 2: waar de data leeft. Excel online, SharePoint, OneDrive. en je
8:11
Speaker 2: flow koppelt native connectoren. Minder bewegende delen, minder manieren om
8:14
Speaker 2: te falen. Wat de meeste mensen missen, is dat getypeerde
8:17
Speaker 2: randen ook hier bestaan. Objectmodellen, methodes, signaturen en connectors, schema's
8:21
Speaker 2: dwingen vorm af voordat de runtime begint te draaien. Ga
8:24
Speaker 2: naar Dataflow Gen 2 met Copilot, prompts worden Power, Query,
8:27
Speaker 2: M of Python, maar dan met context. Copilot is bewust
8:30
Speaker 2: van het semantische model. Het kent je tabellen, kolommen, measures
8:33
Speaker 2: en synonymen. Dus de generatie is verankerd in jouw werkelijkheid,
8:36
Speaker 2: niet in een gefantaseerd schema. Een snel rapport geraamte nodig?
8:39
Speaker 2: Copilot kan in enkele seconden een pagina met visuals opzetten.
8:42
Speaker 2: Niet door magie, maar omdat het gebruik maakt van metadata
8:45
Speaker 2: die je al beheert. Jij valideert de verschillen, vergrendelt het
8:48
Speaker 2: patroon en dit is belangrijk hou orchestratie buiten Python. Gebruik
8:51
Speaker 2: Python in de dataflow voor analysekernen? niet voor het hernoemen
8:54
Speaker 2: van kolommen of het aanvragen van goedkeuringen. Gebruik nu typeagent.pgr
8:58
Speaker 2: of een soortgelijk agentframework voor redeneren in meerdere stappen. De
9:01
Speaker 2: agent vervangt je governance niet, maar handhaaft deze. Het onthoudt
9:04
Speaker 2: eerdere fouten, kiest de juiste tool en haalt informatie intelligent op.
9:07
Speaker 2: Noukeurigheid bij toolgebruik en het behouden van context zijn hier essentieel.
9:11
Speaker 2: Wanneer de agent consistent kan kiezen tussen werkblad bijwerken en
9:13
Speaker 2: e-mail verzenden, stop je met het uitleveren van menselijke koppelingsfouten.
9:16
Speaker 2: De oplostijd krimpt omdat de agent het voorbereidende werk doet,
9:19
Speaker 2: het script genereren, testen tegen het voorbeeld, outputs valideren en
9:23
Speaker 2: pas dan de wijzigingen doorvoeren. Waarom dit werkt is de
9:26
Speaker 2: eenvoudige architectuur. Beperk het code oppervlak. Plaats statisch getypeerde grenzen
9:30
Speaker 2: bij de koppelingen, open API schema's op connectoren, office script
9:34
Speaker 2: objectmodellen en semantische modellen in Power BI. Laat AI binnen
9:37
Speaker 2: die grenzen code genereren volgens de specificaties. De reden dat
9:40
Speaker 2: dit effecten vermindert is niet bovennatuurlijk, het is prevalidatie. Je
9:43
Speaker 2: vangt vormfouten op voordat ze uitval veroorzaken. En omdat de
9:46
Speaker 2: agent een geheugen heeft, stop je herhaling, de bak die
9:49
Speaker 2: terugkeert omdat je oplossing alleen het bestand aanpaste, niet het patroon.
9:53
Speaker 2: Praktische verschuiving, Python blijft waar het domineert. Binnen Fabric Notebooks
9:57
Speaker 2: of Dataflows voor geavanceerde analysemodellen. en ML. Je laat Copilot
10:01
Speaker 2: helpen bij verkennende data-analyse, vectorisatiepatronen en visualisatiecode. Daaromheen beheert de agentenperimeter, planning... Validatie,
10:10
Speaker 2: IOO en beleid. Agents starten notebooks, valideren uitvoer en routeren
10:14
Speaker 2: resultaten zonder maatwerkorchestratie in Python te verzinnen. Je last bedrijfslogica
10:18
Speaker 2: niet vast aan een kernel, je scheidt verantwoordelijkheden als een volwassene.
10:21
Speaker 2: Office scripts en copilot zorgen voor snelle resultaten. De agent
10:25
Speaker 2: dwingt herhaalbaarheid af. Hier is de snelkoppeling die niemand je leert.
10:28
Speaker 2: Codificeer prompts als assets. Behandel ze als schablonen met variabelen
10:32
Speaker 2: en acceptatiecriteria. Als je niets anders onthoudt, leg dan de
10:35
Speaker 2: succesvolle prompt en de verwachte vorm van de uitvoer vast.
10:38
Speaker 2: De agent kan deze hergebruiken, aanpassen en het resultaat controleren
10:42
Speaker 2: aan de hand van je contracten. Zo breng je bouwen,
10:44
Speaker 2: debuggen en implementeren terug tot een conversationele lus die nog
10:46
Speaker 2: steeds beheerd wordt. De game changer waar niemand over praat,
10:49
Speaker 2: getypeer de contracten voor agent tools. Je definieert de invoer-
10:52
Speaker 2: en uitvoerschema's. De agent kan valideren voordat er ook maar
10:55
Speaker 2: één stap in productie wordt uitgevoerd. Vergelijk dat met gewoon
10:57
Speaker 2: Python draaien en bidden dat je JSON geen extra eigenschap
10:59
Speaker 2: heeft gekregen. En ja, Python kan getypeerd zijn. Het gaat
11:02
Speaker 2: om discipline aan de randen, niet om loyaliteit aan een taal.
11:04
Speaker 2: In het Power Platform zijn de randen de domeinen van Microsoft, Office,
11:08
Speaker 2: Power BI, Dataverse. Gebruik dus de primitieve die zij optimaliseren.
11:11
Speaker 2: Zodra je dat onder de knie hebt, valt alles op
11:13
Speaker 2: zijn plek. Versioning heeft een kleiner oppervlak. Prompts en scripts,
11:16
Speaker 2: geen monolithen. Observability is gecentraliseerd. Power Automate uitvoergeschiedenis, Dataflow Lineage
11:21
Speaker 2: en Agent Traces, in plaats van vijf losgekoppelde log-dashboards. De
11:25
Speaker 2: kosten dalen omdat je Azure functies stopt die alleen maar
11:27
Speaker 2: routinewerk deden. En het aantal defecten daalt omdat je orchestrator
11:31
Speaker 2: voorspelbaar is, niet ambachtelijk. Nu denk je misschien, dit klinkt
11:34
Speaker 2: als het opgeven van controle. Onjuist. Je verplaatst controle naar
11:38
Speaker 2: een hoger niveau. Jij bepaalt de contracten, de tools, de
11:41
Speaker 2: funrails en de reviewporten. De agent doet het samenvoegen sneller
11:44
Speaker 2: dan je menselijke lus en met minder fouten. Je reserveert
11:46
Speaker 2: Python voor hoogwaardige analyses waar bibliotheken hun waarden bewijzen. Dat
11:50
Speaker 2: is geen overgave, dat is strategie. Laat me je precies
11:53
Speaker 2: laten zien hoe dit in de praktijk voelt. Er komt
11:55
Speaker 2: een verzoek binnen. We hebben een wekelijks rapport nodig dat
11:57
Speaker 2: CSV's opschoont, verrijkt met dataversen, pust naar een semantisch model
12:01
Speaker 2: en mailt naar goedkeurders. De oude manier, een Python-functie opzetten,
12:04
Speaker 2: een aangepaste connector koppelen, vechten met OAuth, drie keer datatypes herstellen.
12:08
Speaker 2: De nieuwe manier, een agent roept Dataflow Gen 2 aan
12:11
Speaker 2: via Copilot om de transformaties te genereren, valideert kolommen tegen
12:14
Speaker 2: het model, gebruikt Office Scripts om het Excel-bestand voor te bereiden,
12:17
Speaker 2: activeert een flow voor meldingen en logt de herkomst. Geen maatwerk, oplossingen,
12:21
Speaker 2: geen redeplois midden in de nacht. De reden dat dit werkt,
12:23
Speaker 2: is dat je bent gestopt met Python te gebruiken als
12:25
Speaker 2: plakband in een platform dat is ontworpen met eigen bevestigingsmiddelen.
12:27
Speaker 2: Je laat AI de lijm schrijven bij de verbindingen, niet
12:29
Speaker 2: over de hele kloof. En als het bedrijf verandert spoiler alert...
12:33
Speaker 2: Dat gaat gebeuren update je een prompt, geen container image.
12:36
Speaker 2: Dat is hoe je blijft leveren terwijl anderen in de
12:37
Speaker 2: dependency hel zitten en aan finance moeten uitleggen waarom latest
12:41
Speaker 2: een vreselijk idee was. Toepassing 1. Power BI data flows
12:44
Speaker 2: met Python, gegenereerd in plaats van handgeschreven. Hier gaat het
12:47
Speaker 2: lampje branden. In Power BI word je niet betaald om
12:49
Speaker 2: ambachtelijke en of maatwerk Python te schrijven. Je wordt betaald
12:52
Speaker 2: om schone data en werkende rapporten te leveren. Copilot in
12:55
Speaker 2: data flow gen 2 laat je de transformatie in begrijpelijke
12:57
Speaker 2: taal omschrijven, waarna het power query en of ja, Python genereert,
13:01
Speaker 2: verankert aan je eigen semantische model. Geen fantasietabellen, maar jouw tabellen,
13:05
Speaker 2: kolommen en measures. Dat semantische inzicht voorkomt een hele categorie,
13:09
Speaker 2: kolom niet gevonden, chaos nog voordat het begint. Waarom dit
13:12
Speaker 2: belangrijk is, generatie plus context betekent minder domme fouten. Wat
13:15
Speaker 2: de meeste mensen missen, is de reviewloop. Je vertrouwt de
13:18
Speaker 2: blackbox niet blindelings. Je gebruikt het om snel te schetsen,
13:20
Speaker 2: controleert de verschillen en zet het patroon vast zodra het klopt.
13:23
Speaker 2: Gebruik daarna Copilot om te itereren via prompts in plaats
13:26
Speaker 2: van eindeloze handmatige aanpassingen. Je behandelt code als een schabloon
13:29
Speaker 2: met variabelen in plaats van als een dagboek van je toetsenbord.
13:32
Speaker 2: Hoe ziet de workflow eruit? Je prompt neemt verkooptransacties, filter
13:35
Speaker 2: op de laatste 12 maanden, normaliseert datumnotaties, voert een left
13:39
Speaker 2: join uit met het klantenbestand en berekende brutomarge. Copilot stelt
13:42
Speaker 2: M of Python voor. Je bekijkt het resultaat op basis
13:44
Speaker 2: van de sample, valideert kolomnamen tegen het semantische model en
13:48
Speaker 2: pinden stapvast. Python nodig voor een analytics kernel, bijvoorbeeld voor
13:51
Speaker 2: outlier detectie of seizoensmatige decompositie. Prima, laat Copilot dat genereren
13:55
Speaker 2: binnen de dataflow, maar hou de orkestratie erbuiten. Python rekent,
13:59
Speaker 2: het platform orkestreert. Snel succes, rapports scaffolding. Copilot kan binnen
14:03
Speaker 2: enkele seconden een eerste opzet van een pagina met visuals uitspugen.
14:06
Speaker 2: Het is geen magie, het is metadata. Je hebt je
14:09
Speaker 2: metingen al een naam gegeven, synoniemen toegevoegd en relaties beheerd.
14:12
Speaker 2: Copilot gebruikt dat om diagrammen intelligent te plaatsen. Je bespaart
14:15
Speaker 2: jezelf het zware werk en besteedt tijd aan wat er
14:18
Speaker 2: echt toe doet, bedrijfslogica en presentatie. Veelgemaakte fouten die het
14:22
Speaker 2: aantal defecten vergroten. Ten eerste, de door Copilot gegenereerde Python
14:25
Speaker 2: laten uitdijen. Als het kolommen gaat hernoemen, externe eindpunten aanroept
14:29
Speaker 2: of workflow-logica insluit, ben je terug bij af met fragiel plakwerk.
14:32
Speaker 2: Ten tweede, code reviews overslaan omdat de AI het heeft geschreven. Nee,
14:36
Speaker 2: voeg gestandardiseerde prompts toe voor reviews, hou een checklist bij,
14:39
Speaker 2: kolomvormen gevalideerd, nulwaarden expliciet, joins deterministisch. Ten derde, orchestratie en
14:44
Speaker 2: analytics vermengen. Als je goedkeuringslogica in een Python-transformatie verweeft, garandeer
14:48
Speaker 2: je dat de volgende schemawijziging je workflow breekt. De hybride
14:52
Speaker 2: regel hier is simpel, Python voor analysekernen, M of platform
14:55
Speaker 2: eigen stappen voor het leidingwerk. Gebruik dataverse of One Lake
14:59
Speaker 2: voor inputs en outputs die de rest van het platform begrijpt.
15:02
Speaker 2: Wanneer je de transformatie moet aanpassen, verander de prompt en
15:04
Speaker 2: valideer het verschil, in plaats van te moeten spitten in
15:06
Speaker 2: een functie van 400 regels. Bedrijfsveranderingen worden aanpassingen in de intentie,
15:10
Speaker 2: geen operatie op plakwerk. En ja, de observeerbaarheid verbetert. De
15:14
Speaker 2: datastroom lineage laat zien wat wat aanstuurde. Copilots voorgestelde stappen
15:17
Speaker 2: vormen een leesbare keten in plaats van een verzameling handgeschreven scripts.
15:20
Speaker 2: Wanneer er iets misgaat, los je het op één plek op.
15:23
Speaker 2: Vergelijk dat met je oude patroon. Power Automate activeert een
15:25
Speaker 2: aangepaste connector, roept een Python API aan die kolommen muteert
15:28
Speaker 2: en schrijft vervolgens naar een leek die je vergat te labelen. Heerlijk.
15:31
Speaker 2: De opbrengst is snelheid met minder verrassingen. Je genereert, beoordeelt, locht.
15:35
Speaker 2: Je reserveert Python voor het zware rekenwerk waar het zijn
15:37
Speaker 2: waarde bewijst. En als de CFO op een dinsdagmiddag een
15:39
Speaker 2: nieuwe metriek bedenkt, werk je een prompt bij en valideer
15:41
Speaker 2: je opnieuw, in plaats van een container image opnieuw te implementeren.
15:43
Speaker 2: Probeer maar eens te doen alsof dat niet beter is.
15:45
Speaker 2: Datastroom gestabiliseerd? Goed, elimineer nu het fragiele plakwerk dat onnodig
15:49
Speaker 2: ruimte inneemt in Power Automate. Toepassing 2. Power Automate. Vervan
15:53
Speaker 2: Python plakwerk door Office Scripts plus Agents. In Power Automate
15:57
Speaker 2: is de juiste zet bewust zij Native Connectors en Office Scripts.
16:00
Speaker 2: Je beschrijft je stappen, Copilot ontwerpt de flow in scripts
16:03
Speaker 2: en je houdt alles binnen Microsoft 365. Geen Azure Functions,
16:07
Speaker 2: geen gedoe met custom connectors, geen nachtelijk patchen van SSL
16:10
Speaker 2: cijfers op een container waarvan je vergeten was dat die bestond.
16:13
Speaker 2: Schokkende onthulling, als je bewegende onderdelen vermindert, verminder je storingen.
16:16
Speaker 2: Waarom Office Scripts? Omdat ze een type scripts maak hebben
16:19
Speaker 2: met een gedefinieerd object model dat je getypeerde randen, methode
16:22
Speaker 2: handtekeningen en voorspelbare vormen geeft voordat runtime de kans krijgt
16:26
Speaker 2: je voor schut te zetten. Copilot draait om. Voor elke
16:29
Speaker 2: nieuwe rij in deze tabel, normaliseer datumnotaties, Bereken een status
16:33
Speaker 2: en mail de eigenaar een samenvatting, precies dat, een flow
16:36
Speaker 2: plus een script. Je gegevens blijven dicht bij Excel, SharePoint
16:39
Speaker 2: of OneDrive. Je governance blijft eenvoudiger en je foutenmarge daalt,
16:43
Speaker 2: omdat je de ad hoc Python omweg hebt geëlimineerd die
16:45
Speaker 2: altijd op dinsdag kapot ging. Hoe structureer je dit voor schaalbaarheid?
16:48
Speaker 2: Adopteer een agentgestuurd patroon. De agent, type agent of vergelijkbaar,
16:52
Speaker 2: selecteert tools uit een beperkte gereedschapskist. Roep OfficeScript aan, gebruik
16:56
Speaker 2: een Graph Connector, Schrijf naar dataverse, verstuur een goedkeuring. Inputs
16:59
Speaker 2: en outputs zijn geschematiseerd. De agent valideert randvoorwaarden, voert een
17:03
Speaker 2: test uit op het voorbeeld en bevordert pas daarna de wijziging.
17:05
Speaker 2: Nauwkeurigheid bij het aanroepen van tools is belangrijk, beschreef tools
17:08
Speaker 2: ondubbelzinnige namen. Werkblad tabel bijwerken is beter dan dingen doen.
17:12
Speaker 2: Wanneer de agent consistent de juiste tool kiest, stop je
17:14
Speaker 2: met het koppelen van de verkeerde actie aan de juiste trigger.
17:17
Speaker 2: Snelle winst die Python lijmwerk overbodig maakt. Excel bewerkingen, kolommen opschonen, ondubbelen,
17:22
Speaker 2: Wel de splitsen. Office scripts verwerken dit standaard. Goedkeuringen en meldingen,
17:26
Speaker 2: native acties binnen minuten, geen aangepaste authenticatie nodig. Dataverse en
17:30
Speaker 2: SharePoint updates, connectors met metadata bewustzijn, geen ruwe HTTP aanroepen.
17:34
Speaker 2: De kosten dalen omdat je niet betaalt voor altijd actieve
17:37
Speaker 2: compute om kolommen te hernoemen. De oplossingstijd verkoort omdat je
17:39
Speaker 2: agent kan genereren, testen en itereren zonder dat de mens
17:42
Speaker 2: een devcontainer hoeft op te zetten. En je security team
17:44
Speaker 2: kijkt niet meer boos omdat je het onbekende API-eindpunt hebt
17:47
Speaker 2: verwijderd dat iemand als tijdelijk had gelabeld. Fouten om te vermijden,
17:50
Speaker 2: want natuurlijk ga je ze proberen. Ten eerste, Python forceren
17:53
Speaker 2: via een aangepaste connector voor triviale taken. Als de taak
17:56
Speaker 2: het omvormen van een tabel is, gebruik dan office scripts.
17:58
Speaker 2: Ten tweede, governance negeren. Scripts hebben versiebeheer, review gates en
18:02
Speaker 2: naamgevingsstandaarden nodig. Behandel ze als code, want dat zijn ze.
18:05
Speaker 2: Ten derde, bedrijfslogica begraven over 5 flows zonder type contracten.
18:09
Speaker 2: Defineer je input- en output-schema's vooraf. De agent kan ze afdwingen,
18:13
Speaker 2: het platform valideert ze, de productieomgeving zal je dankbaar zijn.
18:16
Speaker 2: Wil je nog steeds Python? Gebruik het waar het thuis hoort, analyse.
18:20
Speaker 2: Als een flow voorspellingen of geavanceerde transformaties nodig heeft, roep
18:23
Speaker 2: dan een goede service aan. Fabric notebookje op ML eindpunt,
18:26
Speaker 2: achter een net API, geen geïmproviseerde flask app die iemand
18:29
Speaker 2: op een gratis laag heeft achtergelaten. De flow orkestreert, de
18:32
Speaker 2: Python rekent, ze communiceren via een contract, niet op basis
18:35
Speaker 2: van een onderbuikgevoel. Het subtiele voordeel van Office Scripts plus
18:38
Speaker 2: Agents is de onderhoudbaarheid. Prompts worden assets, scripts worden herbruikbare tools.
18:43
Speaker 2: Flows worden dunne orkestratielagen, geen logica musea. Wanneer verrijste wijzigen,
18:47
Speaker 2: werk je een prompt bij een indiennodige script met een review,
18:50
Speaker 2: in plaats van een volledige aangepaste connector stack te reviseren.
18:53
Speaker 2: De agent onthoudt de vorige correctie, hergebruikt het patroon en
18:56
Speaker 2: voorkomt herhaling. Zo verander je, we waren de middag kwijt
18:59
Speaker 2: aan type fouten, in, we leverden nog voor de lunch.
19:01
Speaker 2: De waarheid over Power Automate Python als verbindingsmiddel is dat
19:04
Speaker 2: het vooral vertoon is. Je bewijst dat je het kunt,
19:07
Speaker 2: terwijl het platform je stilletjes een eenvoudiger, veiliger pad biedt.
19:10
Speaker 2: Gebruik dat. Toepassing 3, Fabric Notebooks bevatten Python automatiseerde randvoorwaarden.
19:15
Speaker 2: In Fabric staat Python eindelijk waar het het sterkst is,
19:17
Speaker 2: in de rekenkern. Niet de deurbel, niet het leidingwerk, je
19:20
Speaker 2: houdt de bedrijfslogica aan de randen en laat het notebook analyseren...
19:24
Speaker 2: modelleren en zwaartransformeren. De perimeter, planning, validatie en IO-beleid horen
19:28
Speaker 2: bij agents en typescript-georiënteerde tools. Waarom is dit belangrijk? Wanneer
19:33
Speaker 2: je orchestratie aan een notebook last, wordt elke kleine aanpassing
19:36
Speaker 2: een productieincident. Scheid de belangen. De agent roept het notebook
19:39
Speaker 2: aan via een schone job API, geeft getypeerde invoer door
19:42
Speaker 2: en verwacht getypeerde uitvoer. Als de vorm afwijkt, valt het
19:45
Speaker 2: direct aan de rand, niet halverwege een run van 20 minuten.
19:48
Speaker 2: Hoe dit er in de praktijk uitziet? Copilot helpt in
19:50
Speaker 2: het notebook bij EDA vectorisatie en visualisatie opzetten. Je controleert
19:54
Speaker 2: en bevriest nog steeds de bibliotheekversies. Volwassenen, weet je nog?
19:58
Speaker 2: De agent beheert pipelines, triggert bij gegevens een tvangst, voert
20:01
Speaker 2: een schema check uit, start de notebook job en valideert
20:03
Speaker 2: uitvoer tegen het contract voor publicatie naar One Lake of
20:06
Speaker 2: een semantisch model. Beheer notebooks met versiebeheer, net als code.
20:09
Speaker 2: Sla broms op die hulpfuncties hebben gegenereerd. Unit test output, statistieken,
20:13
Speaker 2: verdelingen en rijtellingen, in plaats van regel voor regel leidingwerk.
20:16
Speaker 2: Snelle winst. Vraag Copilot om een seizoensgebonden decompositiesstap te genereren,
20:20
Speaker 2: hou deze in het notebook en laat de agent herhalingen
20:22
Speaker 2: en waarschuwingen beheren. Bedrijfslogica leeft in declaratieve contracten. Python blijft computationeel.
20:28
Speaker 2: Fouten om te vermijden, goedkeuringen of hernoemingen verstoppen in het notebook,
20:31
Speaker 2: flows koppelen aan ad hoc eindpunten of de enige definitie
20:34
Speaker 2: van een KPI opslaan in een celopmerking. Doe niet aan archeologie,
20:38
Speaker 2: doe aan architectuur. Quantificeer het nu, zodat finance stopt met zuchten. Resultaten, tijdsbesparing, kostenreductie,
20:44
Speaker 2: minder defecten en downtime. AI ondersteun de generatie verkort de
20:47
Speaker 2: cyclus van bouwen, debuggen en implementeren. Copilot ontwerpt transformaties en scripts.
20:52
Speaker 2: De agent test tegen samples voor promotie. Je vermindert herbewerking
20:55
Speaker 2: en context switching omdat orchestratie native blijft en code staat
20:58
Speaker 2: waar deze wordt uitgevoerd. Kosten als volgende stopt. Azure functies
21:01
Speaker 2: die Colombe hernoemde, hou flows in het platform, notebooks in
21:04
Speaker 2: fabric en verbindingswerk in OfficeScript. Je betaalt minder aan rekenkracht
21:08
Speaker 2: en veel minder aan aandacht. Geen container patching, minder geheimen,
21:11
Speaker 2: minder weekendstoringen. Defecten tot slot, getypeerde grenzen op connectoren, office script,
21:16
Speaker 2: objectmodellen en semantische metadata vangen vormfouten vroegtijdig op. Agent guardrails,
21:20
Speaker 2: nauwkeurigheid bij tool aanroepen en context behoud doorbreken de vrijdag repareren,
21:23
Speaker 2: maandag kapot, cyclus. Het aantal incidenten daalt omdat je patronen bijwerkt,
21:27
Speaker 2: niet alleen bestanden. Praktische benchmarks om te volgen, oplostijd per incident.
21:31
Speaker 2: Slagingspercentage van tool aanroepen en doorlooptijd van wijzigingen. Implementatie checklist.
21:36
Speaker 2: Kies je orgestrator, definieer contracten, maak schablonen voor prompts, voeg
21:39
Speaker 2: review gates toe en monitor resultaten centraal. Python is niet dood,
21:43
Speaker 2: het is gedegradeerd naar zijn specialisme. Goed, zo breng je
21:45
Speaker 2: het naar productie. Tegen argument en weerlegging, maar Python domineert
21:48
Speaker 2: data science. Ja, Python domineert data science. Bibliotheken, community, notebooks,
21:53
Speaker 2: alles erop en eraan. In Fabric is dat precies waarom
21:55
Speaker 2: je het binnen notebooks en analytics kernels houdt. Het is
21:57
Speaker 2: de motor, de waarheid. Motoren bepalen geen verkeerslichten. Orchestratie is
22:01
Speaker 2: de wegen, signalen en regels. Dat is het domein van
22:04
Speaker 2: Power Platform. Connectors, Office Scripts, Dataflow, Gen2 en Copilot. Dit
22:09
Speaker 2: is wat de meeste mensen over het hoofd zien. Dominantie
22:12
Speaker 2: in analytics staat niet gelijk aan geschiktheid als lijm binnen
22:14
Speaker 2: de Microsoft stack. In Power Automate is Python indirect de
22:18
Speaker 2: externe compute via Azure Functions of aangepaste connectors. Dat voegt kosten, secrets,
22:23
Speaker 2: cold starts en versiedrift toe. Ondertussen draaien Office scripts waar
22:26
Speaker 2: je Microsoft 365 data leeft en Copilot schrijft ze op
22:29
Speaker 2: basis van gewone taal. Je kiest tussen frictie en native snelheid,
22:32
Speaker 2: maar we hebben aangepaste logica nodig. Goed, plaats het achter
22:35
Speaker 2: getypeerde grenzen, gebruik een Fabric Notebook taak of ML at
22:38
Speaker 2: point voor voorspellingen en zware transformaties. Stel een schone API bloot,
22:42
Speaker 2: laat de flow orkestreren met contracten, niet op gevoel. Je
22:44
Speaker 2: krijgt de kracht van Python zonder elke goedkeuring, hernoeming en
22:47
Speaker 2: bestandsoverdracht handmatig te bedraden via een flask app die je
22:49
Speaker 2: vergeet te patchen. Microsofts traject versterkt deze splitsing. Office Scripts
22:53
Speaker 2: zijn de geautoriseerde scripting oplossing voor M365. Copilot is semantisch
22:58
Speaker 2: model bewust in Power BI en Data Flow Gen 2,
23:00
Speaker 2: waarbij M of Python wordt gegenereerd op basis van je metadata.
23:03
Speaker 2: Agents verbeteren de nauwkeurigheid van tool aanroepen en context behoud.
23:06
Speaker 2: waardoor de lijn betrouwbaar en auditeerbaar is. Niets daarvan vereist
23:09
Speaker 2: dat je orchestratie in Python inbedt. Hybride is geen compromis,
23:13
Speaker 2: het is het ontwerp. Type script, achtige scripts en agents
23:15
Speaker 2: beheren de perimeter, Python beheert de compute. Ze komen samen
23:18
Speaker 2: bij getypeerde APIs of wachtrijen. Je vermindert de oplostijd, verlaagt
23:22
Speaker 2: de runkosten en beperkt effecten omdat de aansluitingen expliciet zijn.
23:25
Speaker 2: Gebruik Python waar het uitblinkt. Stop met het te forceren
23:28
Speaker 2: als universeel plakmiddel. Implementatie playbook, je komende 30 dagen. Week 1, audit.
23:32
Speaker 2: Tag elke workflow en dataflow als lijm of analytics. Markeer
23:36
Speaker 2: Python in functies die goedkeuringen, hernoemingen of bestands-IO-antipatronen raken. Documenteer inputs,
23:41
Speaker 2: outputs en storingsgevoelige punten. Haal echte statistieken op oplostijd van incidenten,
23:45
Speaker 2: doorlooptijd van wijzigingen en het slagingspercentage van tool-aanroepen als je
23:47
Speaker 2: agents hebt. Als je dat niet doet, prima. Stel nu
23:50
Speaker 2: de baseline vast. Week 2. Migreer triviale koppelingen. Vervang Python
23:54
Speaker 2: endpoints die voor Excel of SharePoint klusjes worden gebruikt door
23:57
Speaker 2: Office Scripts en Native Connectors. Gebruik Copilot om scripts te
24:00
Speaker 2: schrijven op basis van begrijpelijke taal. Voeg daarna een eenvoudige
24:03
Speaker 2: controlelijst toe. Kolom vormen. Afhandeling van nalwaarden. Idempotentie. Standardiseer prompt
24:07
Speaker 2: schablonen en geef scripts vol wassennamen. Werkwoord zelfstandig naamwoord met
24:09
Speaker 2: bereik niet. Script liggend streepje definitief liggend streepje 2. Versie
24:12
Speaker 2: ze in je repo. Ja. Scripts zijn code. Week 3.
24:15
Speaker 2: Refactor datastromen. Verplaats handgeschreven transformaties naar Copilot ondersteunende generatie in
24:20
Speaker 2: Dataflogen 2. Hou orchestratie buiten Python. Reserveer dit alleen voor analysekernen.
24:25
Speaker 2: Valideer tegen je semantische model, kolomnamen, datatypes, measures. Leg het
24:29
Speaker 2: geaccepteerde verschil vast en voeg het toe aan je promptbibliotheek,
24:32
Speaker 2: zodat de volgende wijziging een promptbewerking is en geen ontdekkingsreis.
24:35
Speaker 2: Week 4. Introduceer een agent voor complexe orchestratie. Beperk de gereedschapskist, worksheet,
24:40
Speaker 2: update table, dataverse.doc. Absert, dataflow.run, e-mail, send. Defineer type contracten
24:46
Speaker 2: voor elk hulpmiddel, inclusief voorbeeld payloads en acceptatiecriteria. Schakel pre-run
24:51
Speaker 2: validatie in tegen voorbeelden, volg de nauwkeurigheid van tool aanroepen
24:54
Speaker 2: en de tijd tot oplossing. Wanneer de agent faalt, corrigeer
24:56
Speaker 2: het patroon, update prompts, schema's of toolnamen zodat herhaling afneemt.
25:00
Speaker 2: Governance van begin tot eind. Dwing getypeerde interfaces af op
25:03
Speaker 2: elk snijvlak. Sla prompts op naast de code. Voeg beoordelingsporten
25:06
Speaker 2: toe voor wijzigingen in scripts en datastromen. Centraliseer telemetrie, power, automate, uitvoergeschiedenis, datastroom,
25:12
Speaker 2: lineage en agent traces in één dashboard. Rollback plannen zijn
25:15
Speaker 2: niet onderhandelbaar. Voorige scriptversies, laatst bekende goede datastroom en snapshots
25:20
Speaker 2: van notebook taken. Exit criteria op dag 30. Minder aangepaste
25:24
Speaker 2: connectors voor triviaal plakwerk, meetbare daling in uitvoerkosten, snellere wijzigingen
25:28
Speaker 2: met een kleinere impact en gedocumenteerde interfaces waardoor een nieuw
25:31
Speaker 2: teamlid binnen een dag kan leveren, in plaats van een week.
25:33
Speaker 2: Python blijft binnen notebooks en analysekernen. Het plakwerk? Het is gegenereerd,
25:38
Speaker 2: getypeerd en saai. Dat is het punt.