Latest / M365.FM – Podcast su Microsoft 365, Copilot e IA in italiano / Python come collante in Power Automate? Office Scripts, Copilot e agenti tipizzati al posto di flussi fragili (Doppiaggio IA)

Transcript

Python come collante in Power Automate? Office Scripts, Copilot e agenti tipizzati al posto di flussi fragili (Doppiaggio IA) · M365.FM – Podcast su Microsoft 365, Copilot e IA in italiano

0:00
Speaker 2: Python è il linguaggio dell'IA. Pagliato. Nello stack Microsoft è
0:03
Speaker 2: l'IA a scrivere il collante, non tu. Continui a filare
0:06
Speaker 2: Python in Power Automate e Power BI per poi chiederti
0:08
Speaker 2: perché i tuoi flussi traballino come una sedia a tre gambe.
0:10
Speaker 2: Ecco la soluzione. Ti mostrerò perché l'orchestrazione tramite agenti e
0:13
Speaker 2: copilot rendono gli script in stile TypeScript il collante ideale,
0:16
Speaker 2: relegando Python all'analisi dedicata e unendo build, debug e deploy
0:20
Speaker 2: in un unico ciclo conversazionale. Resta per scoprire il passaggio
0:24
Speaker 2: segreto che elimina l'inflazione dei difetti, l'errore che drena silenziosamente
0:27
Speaker 2: i budget, è il modello ibrido che ti permette di
0:29
Speaker 2: tenere Python senza complicazioni. Il problema è l'attrito di Python
0:34
Speaker 2: all'interno della Power Platform. Partiamo dall'ovvio che, stranamente, non è
0:37
Speaker 2: così ovvio. Power Automate non esegue Python arbitrario. Gli Office Scripts,
0:41
Speaker 2: basati su TypeScript, sono la superficie di scripting nativa per
0:43
Speaker 2: Microsoft 365. Excel Online li ospita. Questo è da seguire.
0:46
Speaker 2: Quando insisti con Python, devi aggiungere Azure Functions, Logic Apps
0:49
Speaker 2: o connettori personalizzati. Ora è aggiunto calcolo esterno, pipeline di
0:52
Speaker 2: distribuzione e autenticazione e, la mia parte preferita, misteri durante runtime.
0:55
Speaker 2: Il motivo per cui questo è dannoso è una questione
0:56
Speaker 2: di economia e probabilità. Una configurazione esterna significa più servizi
1:00
Speaker 2: da gestire, più credenziali da ruotare e più costi che
1:02
Speaker 2: scorrono anche mentre dormi. L'attivizzazione dinamica aggiunge un tocco di rule.
1:07
Speaker 2: Il codice sembra funzionare perché non c'è una compilazione per
1:09
Speaker 2: fallisce durante l'esecuzione perché un campo non era come pensavi
1:12
Speaker 2: e un flusso non è affatto piacevole. Significa un'approvazione bloccata,
1:15
Speaker 2: un SLA mancato e un altro ticket urgente scritto in minuscolo.
1:18
Speaker 2: Scenari specifici, data flow di Power BI. Stai trasformando i dati.
1:22
Speaker 2: Copilot può generare Power Query M o Python per te
1:25
Speaker 2: all'interno di un data flow Gen2. Fantastico finché non lo
1:28
Speaker 2: mischi con un servizio Python separato per attività di collegamento
1:30
Speaker 2: che Power Automate avrebbe potuto gestire nativamente. Ora il tuo
1:33
Speaker 2: sistema attraversa prodotti diversi. Osservabilità? Divertire in tracciare un errore
1:36
Speaker 2: da un flusso a una funzione fino a un data
1:37
Speaker 2: flow nel tempo che impiegano gli stakeholder a chiedere a
1:39
Speaker 2: chiedere è pronta? Per la settima volta. Flussi di Power Automate.
1:44
Speaker 2: Il punto fondamentale sono i connettori nativi di Office Script.
1:46
Speaker 2: C'è ancora chi usa Python dietro un connettore personalizzato per
1:49
Speaker 2: rinominare colonne in Excel. E come chiamare il caro attrezzi
1:51
Speaker 2: per uscire dal vialetto di casa? Ogni passaggio aumenta la fragilità.
1:55
Speaker 2: Gli schemi dei connettori cambiano. Le dipendenze delle funzioni invecchiano.
1:59
Speaker 2: I permessi si espandono tra ruoli e entra. Gruppi di
2:01
Speaker 2: risorse e misteriosi account di archiviazione che nessuno ammette di
2:04
Speaker 2: aver creato. Notebook di fabbrica. Sì, qui Python è perfetto
2:07
Speaker 2: per data science, ML e calcoli complessi, ma quando usi
2:10
Speaker 2: i notebook come collante per l'orchestrazione, leghi la logica di
2:13
Speaker 2: business a un kernel di calcolo. Pianificazione e validazione io
2:16
Speaker 2: diventano personalizzate e macchinose. Un aggiornamento di ambiente e Pandas
2:19
Speaker 2: passa a una versione minor, rendendo il tuo semplice codice
2:22
Speaker 2: un reperto archeologico. Per gli cipianti pensano di semplificare. In
2:25
Speaker 2: realtà stanno creando un punto di rottura procedurale con gli
2:28
Speaker 2: AMLE in omaggio. Ciò che sfugge più è che gli
2:30
Speaker 2: OfficeScript non sono un giocattolo TypeScript. Sono il limite approvato
2:33
Speaker 2: per automatizzare Excel e le attività Microsoft 365 senza infrastrutture pesanti.
2:37
Speaker 2: Confrontali con il Node TypeScript completo che useresti in Azure
2:40
Speaker 2: Functions per API robuste quando servono davvero. Python dentro Power
2:43
Speaker 2: Platform è indiretto per progettazione. Puoi usarlo. Non dovresti farlo
2:47
Speaker 2: per il codice. Parliamo di costi, senza troppi giri di parole.
2:50
Speaker 2: Flussi semplici sono economici perché restano una piattaforma. Connettori, trigger
2:53
Speaker 2: e office script rientrano nelle licenze che hai già. Si
2:56
Speaker 2: introduce Python via functions, paghi in due valute, denaro e attenzione.
3:00
Speaker 2: Denaro per esecuzione, storage e rete. Attenzione per versionamento, sicurezza, segreti,
3:05
Speaker 2: nuovi tentativi, cold start e il solito perché è fallito
3:07
Speaker 2: alle 2.14 di notte. Piccola scala va bene. Su scala
3:11
Speaker 2: aziendale è una voce di budget che porta solo rimpianti.
3:14
Speaker 2: Le modalità di errore comuni si ripetono. Connettori fragili dove
3:17
Speaker 2: la specifica swagger è indietro di un campo rispetto alla realtà.
3:20
Speaker 2: Deriva delle versioni, librerie non bloccate perché qualcuno ama sempre
3:23
Speaker 2: l'ultima release. Proliferazione di permessi, service principal con diritti temporanei
3:27
Speaker 2: che diventano permanenti. Debug cross- service, rileggendo i log di Power Automate,
3:32
Speaker 2: Azure Functions e Dataflow come un podcast di cronaca nera.
3:35
Speaker 2: La verità. La libertà della tipizzazione dinamica è divertente finché
3:38
Speaker 2: non arrivano le 15 di fine trimestre e il tuo
3:40
Speaker 2: flusso termina con i dati errati. I confini fortemente tipizzati
3:43
Speaker 2: bloccano gli errori prima che finiscano in brutto. In Power Platform,
3:45
Speaker 2: script simili a TypeScript e connettori con schema offrono quelle protezioni.
3:49
Speaker 2: Anche Python può avere i tipi, certo. Ma la maggior
3:51
Speaker 2: parte di voi non impone nei flussi. Non discutere, i
3:53
Speaker 2: tuoi log hanno già parlato. Ed ecco la transizione che
3:55
Speaker 2: stai aspettando. Se ogni volta che scrivi codice colla creatrito,
3:58
Speaker 2: cosa sostituisce la colla? L'IA che scrive ed esegue la
4:01
Speaker 2: colla per te entra in limiti ottimizzati dalla piattaforma. Copilot
4:06
Speaker 2: può tradurre il linguaggio naturale in Office Script per le
4:08
Speaker 2: attività di Microsoft 365. In Power BI Copilot usa i
4:12
Speaker 2: metadati del modello semantico per generare M o Python in
4:15
Speaker 2: modo preciso e creare report in pochi secondi. Agenti come
4:18
Speaker 2: TypeAgent coordinano strumenti con memoria e protezioni riducendo il ping
4:21
Speaker 2: pong tra specifica, codice, deploy e debug. Limiti la superficie,
4:25
Speaker 2: ottieni i confini tipizzati dove conta e mantieni Python dove
4:28
Speaker 2: celle è analisi controllata, non nastro adesivo. Si può aggrapparti
4:32
Speaker 2: al fatto che Python può fare tutto, anche il nastro
4:34
Speaker 2: adesivo può fare tutto. Ciò non lo rende il dispositivo
4:36
Speaker 2: di fissaggio adatto per il romano. Mantieni l'occasione nativa. Lascia
4:39
Speaker 2: che sia ricollante. Usa Python in notebook con servizi progettati
4:42
Speaker 2: per esso. Penderai meno, romperai meno ed è questa la
4:46
Speaker 2: parte che brucia, rilascerai di più. Perché gli approcci attuali falliscono.
4:50
Speaker 2: Codice manuale e playbook statici. Il ciclo di codifica manuale
4:53
Speaker 2: sembra eroico su una lavagna. Requisito, codice, deployment, test, correzione, redeployment.
4:57
Speaker 2: Nella realtà è un gioco lento di acchiappo alla talpa.
4:59
Speaker 2: Le regole di business cambiano a metà sprint. Il tuo
5:01
Speaker 2: schema definitivo cambia entro l'ora di pranzo. E l'unica costante
5:04
Speaker 2: è un altro redeployment. Nella Power Platform quel ciclo è
5:08
Speaker 2: ancora più doloroso perché ogni passaggio da Power Automate ad
5:10
Speaker 2: Azure Functions a Power BI amplifica l'attrito e moltiplica le
5:13
Speaker 2: modalità di errore. I playbook statici sono l'altra trappola. Hai
5:17
Speaker 2: scritto un runbook ideale per la logica di fine trimestre?
5:20
Speaker 2: Poi le vendite inventano un nuovo sconto, la finanza modifica
5:23
Speaker 2: il riconoscimento dei ricavi e l'ufficio legale aggiunge un'approvazione in
5:26
Speaker 2: quattro passaggi ieri. Il tuo collante Python in Functions non
5:29
Speaker 2: si flette, si spezza? Aggiorni il codice, modifichi le dipendenze,
5:32
Speaker 2: ricostruisci i container e riscopri che i cold start amano
5:35
Speaker 2: apparire durante le demo ai dirigenti. Fascinante, vero? La verità
5:38
Speaker 2: è che molti evitano. La libertà dell'attivizzazione dinamica sembra veloce
5:41
Speaker 2: quando sei da solo. Su larga scala nei flussi è
5:43
Speaker 2: una roulette russa di bug. Un campo opzionale passa da
5:45
Speaker 2: stringa a numero e la tua funzione prosegue felice finché
5:48
Speaker 2: un ramo si aspetta del testo e genera un'eccezione a runtime.
5:52
Speaker 2: Non è un hit test che fallisce rumorosamente, è la
5:54
Speaker 2: produzione che classifica erroneamente le transazioni in silenzio. E sì,
5:57
Speaker 2: la tua traccia di audit è praticamente un romanzo. L'osservabilità
6:00
Speaker 2: è una caccia al tesoro. Gli errori hanno origine in
6:02
Speaker 2: Power Automate, vengono trasformati in un connettore personalizzato, attivano una
6:05
Speaker 2: funzione Python, rimbalzano nel Dataflow Gen2 e infine emergono come
6:08
Speaker 2: un riquadro rotto in Power BI. Ora stai leggendo 5
6:12
Speaker 2: log che non concordano sullo stesso formato di timestamp. Tu
6:14
Speaker 2: la chiami indagine. Gli utenti la chiamano ancora e non
6:17
Speaker 2: abbiamo i numeri. Microstoria. Un team ha risparmiato ore sulla
6:20
Speaker 2: reportistica mensile consolidando le trasformazioni in unica funzione Python. Funzionato
6:25
Speaker 2: finché non sono riemersi i conflitti di dipendenza. Un aggiornamento
6:27
Speaker 2: minore della versione di Pandas ha cambiato il default. La
6:30
Speaker 2: loro funzione ha forzato silenziosamente nulla. E due settimane dopo
6:32
Speaker 2: i loro report di varianza erano sballati quanto basta per
6:34
Speaker 2: essere pericolosi. L'hanno sistemato. Poi si è ripresentato perché il
6:37
Speaker 2: pinning era nel backlog. Il ripetersi dei bug non è
6:39
Speaker 2: un mistero, è un flusso di processi. È la governance.
6:41
Speaker 2: I connettori personalizzati invecchiano male. Le specifiche OpenAPI restano indietro
6:46
Speaker 2: rispetto alla realtà, i token scadono, le service principal accumulano
6:48
Speaker 2: diritti eccessivi temporaneamente e la top pipeline un tempo legante
6:51
Speaker 2: ora a una macchina di Rube Goldberg con rilievi SOC.
6:54
Speaker 2: Il ciclo manuale non costa solo tempo, accumula debito operativo.
6:58
Speaker 2: Ogni soluzione rapida ha un futuro di servizio con un
7:00
Speaker 2: invito sul calendario. Il centro non può reggere perché il
7:02
Speaker 2: centro è un collante fragile. Il codice manuale funziona quando
7:05
Speaker 2: il dominio è stabile. La logica di business di Power
7:07
Speaker 2: Platform non è stabile. Pertanto prestate attenzione. La vostra orchestrazione
7:11
Speaker 2: deve essere adattiva, tipizzata ai margini e generata vicino alle
7:14
Speaker 2: primitive della piattaforma, non cucitamano lontano da essa. Smette di
7:17
Speaker 2: trattare i codici di Coneveo. Lasciate che sia un agente
7:19
Speaker 2: a orchestrare vincolare. Il metodo migliore, agente tipizzato più co- pilot
7:23
Speaker 2: come orchestratore. Adottate il modello che non contrasta la piattaforma.
7:27
Speaker 2: Gli agenti generano, richiamano strumenti, osservano i risultati e revisionano.
7:30
Speaker 2: Non un caos di codice, ma chiamate gli strumenti con restrizioni.
7:34
Speaker 2: Fornite all'agente una cassetta delimitata. Office Scripts per le azioni
7:37
Speaker 2: Microsoft 365, Power BI, Dataflow, Gen2 per le trasformazioni, connettori
7:42
Speaker 2: per lo spostamento dati, interfacce rigorosamente tipizzate tra loro. La
7:46
Speaker 2: gente mantiene il contesto, ragiona tra i passaggi e scrive
7:48
Speaker 2: codice solo dove il codice deve stare. Iniziate con Office
7:51
Speaker 2: Scripts e Copilot. Detti e scrivete il risultato. Quando una
7:54
Speaker 2: nuova riga arriva in questa tabella, normalizza le date, riempi
7:57
Speaker 2: i vuoti e invia un riepilogo ai responsabili tramite email.
7:59
Speaker 2: Copilot traduce tutto ciò in Office Scripts, simili a TypeScript
8:01
Speaker 2: e passaggi di flusso. Non c'è un runtime esterno, nessun
8:04
Speaker 2: container da proteggere, nessun archivio segreto da gestire. Il codice
8:07
Speaker 2: risiede dove vivono i dati. Excel online, SharePoint, OneDrive, il
8:10
Speaker 2: flusso unisce i connettori nativi. Meno componenti mobili, meno possibilità
8:14
Speaker 2: di errore. Ciò che sfugge di più è che i
8:16
Speaker 2: margini tipizzati esistono anche qui. Modelli e oggetti, firme dei
8:20
Speaker 2: metodi e schemi dei connettori impongono la struttura prima che
8:22
Speaker 2: il runtime avvii il processo. Passate a Data Flow Gen
8:25
Speaker 2: 2 con Copilot, i prompt diventano Power Query M o Python,
8:28
Speaker 2: ma con contesto. Copilot è consapevole del modello semantico. Conosce
8:32
Speaker 2: le vostre tabelle, colonne, misure e sinonimi, quindi la generazione
8:35
Speaker 2: è ancorata alla vostra realtà, non uno schema allucinato. Vi
8:38
Speaker 2: serve una struttura rapida per un repo. Copilot può creare
8:40
Speaker 2: una pagina con grafici in pochi secondi. Non per magia,
8:43
Speaker 2: ma perché sfrutta i metadati che avete già curato. Voi
8:46
Speaker 2: convalidate le differenze e bloccate il pattern, e cosa importante,
8:49
Speaker 2: tenete l'orchestrazione fuori da Python. Usate Python all'interno del data
8:52
Speaker 2: flow per i kernel di analisi, non per rinominare colonne
8:54
Speaker 2: o gestire approvazioni. Ora introducete typeagent. py o un framework di
8:58
Speaker 2: agenti simile per il ragionamento in più passaggi. La gente
9:01
Speaker 2: non sostituisce la vostra governance, la fa rispettare. Ricorda i
9:04
Speaker 2: fallimenti precedenti, scegli lo strumento giusto e recupera in modo intelligente.
9:07
Speaker 2: La precisione richiamata agli strumenti e la conservazione del contesto
9:10
Speaker 2: sono fondamentali. Quando la gente può scegliere costantemente tra aggiornare
9:13
Speaker 2: il foglio di lavoro o inviare un'email, smetterete di produrre
9:15
Speaker 2: errori umani di configurazione. Il tempo di risoluzione si riduce
9:18
Speaker 2: perché la gente gestisce la fase preparatoria, generando lo script,
9:21
Speaker 2: testando sul campione, convalidando gli output e solo allora promuovendo
9:24
Speaker 2: le modifiche. Il motivo per cui funziona è un'architettura semplice.
9:27
Speaker 2: Limitate la superficie dei code. Stabilisci confini con tipi statici
9:30
Speaker 2: nell'interfaccia e schemi API aperti sui connettori, modelli e oggetti
9:33
Speaker 2: Office Script, modelli semantici in Power BI. All'interno di tali
9:37
Speaker 2: confini lascia che reaggene i codici specifici. Il motivo per
9:40
Speaker 2: cui questo riduce difetti non è sopranaturale, è la prevalidazione.
9:43
Speaker 2: Individui errori di forma prima che diventino interruzioni del servizio.
9:46
Speaker 2: E poiché la gente mantiene la memoria, elimini la ricorrenza,
9:49
Speaker 2: quel bug che torna perché la tua correzione non ha
9:51
Speaker 2: aggiornato il pattern, solo il file. Spostamento pratico, Python rimane
9:55
Speaker 2: dove domina. All'interno di Notebook Fabric, flussi di dati per
9:58
Speaker 2: analisi avanzate e ML. Lasci che Copilot aiuti con l'analisi
10:02
Speaker 2: esplorativa dei dati, pattern di vettorizzazione e il codice di visualizzazione.
10:06
Speaker 2: Intorno a ciò, l'agente gestisce il perimetro, la pianificazione, la validazione,
10:10
Speaker 2: l'eolisi e l'epolisi. Gli agenti avviano Notebook con valido output
10:14
Speaker 2: e instradano i risultati senza inventare un'orchestrazione su misura in Python.
10:18
Speaker 2: Non saldi la logica di business a un kernel se
10:19
Speaker 2: pari responsabilità come un professionista. OfficeScript e Copilot offrono vittorie rapide.
10:24
Speaker 2: La gente garantisce la ripetibilità. Ecco la scocciatoia che nessuno insegna.
10:28
Speaker 2: Codifica i prompt come asset. Trattali come modelli, con variabili
10:31
Speaker 2: e criteri di accettazione. Se non ricordi altro, cattura il
10:35
Speaker 2: prompt di successo e la forma attesa degli output. La
10:39
Speaker 2: gente può riutilizzarlo, adattarlo e verificare il risultato rispetto ai
10:42
Speaker 2: tuoi contratti. È così che comprimi creazione, debug e deployment
10:45
Speaker 2: in un ciclo conversazionale che rimane governato. La vera svolta
10:48
Speaker 2: di cui nessuno parla ha contratti tipizzati per gli strumenti
10:50
Speaker 2: degli agenti. Definisci gli schemi di input e output. L'agente
10:54
Speaker 2: può convalidare prima di eseguire un singolo passaggio in produzione.
10:56
Speaker 2: Confrontalo con l'eseguire semplicemente Python sperando che il tuo JSON
10:59
Speaker 2: non abbia generato una propria text. E sì, Python può
11:01
Speaker 2: essere tipizzato. Il punto è la disciplina ai bordi, non
11:03
Speaker 2: la fedeltà a un linguaggio. Nella Power Platform i bordi
11:06
Speaker 2: sono i domini Microsoft Office, Power BI, Dataverse. Quindi usa
11:10
Speaker 2: le primitive che loro ottimizzano. Una volta centrato questo punto
11:12
Speaker 2: tutto resta un senso. Il versionamento ha una superficie più ridotta.
11:15
Speaker 2: Prompt e script non monoliti. L'osservabilità è centralizzata. Cronologia e
11:19
Speaker 2: esecuzioni di Power Automate, lignaggio dei flussi di dati e
11:22
Speaker 2: tracce degli agenti, non 5 dashboard di logs collegati. I
11:24
Speaker 2: costi diminuiscono perché elimini le Azure Functions che svolgevano solo
11:27
Speaker 2: compiti ripetitivi. E i tassi di difetto scendono perché il
11:30
Speaker 2: tuo orchestratore è basato su principi certi, non artigianale. Ora
11:33
Speaker 2: potresti pensare sembra che lo stia rinunciando al controllo. Sbagliato.
11:37
Speaker 2: Stai spostando il controllo a un livello superiore. Sei tu
11:39
Speaker 2: a decidere i contratti, gli strumenti, le linee guida e
11:41
Speaker 2: i checkpoint di revisione. L'agente esegue il collegamento più velocemente
11:44
Speaker 2: e con meno errori rispetto al tuo ciclo umano. Preservi
11:47
Speaker 2: Python all'analisi ad alto valore dove le librerie ripagano lo sforzo.
11:50
Speaker 2: Questa non è resa e strategia. Lasciatemi mostrare esattamente come
11:53
Speaker 2: funziona la pratica. Arriva una richiesta? Serve un report settimanale
11:57
Speaker 2: che pulisca file CSV e li arricchisca con Dataverse, l'invia,
12:00
Speaker 2: modello semantico, envi email ai responsabili. Vecchi metodi. Configurare una
12:03
Speaker 2: funzione a Python, collegare un connettore personalizzato, litigare con OAuth,
12:06
Speaker 2: correggere i tipi tre volte. Nuovi metodi. La gente chiama
12:10
Speaker 2: Dataflow Gen2, tramite Copilot per generare le trasformazioni, valida le
12:14
Speaker 2: colonne sul modello, usa Office Scripts per preparare l'Excel, attiva
12:17
Speaker 2: un flusso di notifiche e registra la discendenza. Niente soluzioni raffazzonate,
12:21
Speaker 2: niente ripubblicazioni a mezzanotte. Il motivo per cui funziona è
12:23
Speaker 2: che non si usa più Python come nastro adesivo in
12:25
Speaker 2: una piattaforma dotata dei suoi fissaggi. Si lascia che li
12:27
Speaker 2: ascriva il codice vicino alle giunture, non per colmare il divario.
12:31
Speaker 2: E quando il business cambia, spoiler, accadrà, a giorni, un prompt,
12:34
Speaker 2: non un'immagine container. È così che continui a produrre mentre
12:37
Speaker 2: gli altri sono nell'inferno delle dipendenze a spiegare alla finanza
12:39
Speaker 2: perché l'ultima versione era una pessima idea. Applicazione 1. Flussi
12:43
Speaker 2: dati di Power BI generati in Python non scritti a mano.
12:46
Speaker 2: Ecco dove si accende la lampadina. In Power BI non
12:48
Speaker 2: sei pagato per scrivere codice M artigianale o Python su misura.
12:51
Speaker 2: Sei pagato per fornire dati puliti e report funzionanti. Copilot
12:54
Speaker 2: all'interno di Data Flow Gen 2 ti permette di descrivere
12:56
Speaker 2: la trasformazione in linguaggio naturale, poi genera Power Query M o, sì,
13:00
Speaker 2: Python ancorato al tuo modello semantico reale. non tabelle immaginarie,
13:04
Speaker 2: ma le tue tabelle, colonne e misure. Quella consapevolezza semantica
13:08
Speaker 2: elimina alla radice l'intero caos delle colonne non trovate. Perché
13:12
Speaker 2: è importante, generazione più contesto significa meno errori banali, ciò
13:15
Speaker 2: che sfugge la maggior parte delle persone nel ciclo di revisione.
13:18
Speaker 2: Non ti fidi della scatolonea. La usi per bozzare velocemente,
13:20
Speaker 2: poi rivedi le differenze e blocchi il modello quando è corretto.
13:23
Speaker 2: Da lì usa Copilot per iterare tramite prompt, non con
13:26
Speaker 2: infinite modifiche manuali. Tratti il codice come un modello con variabili,
13:29
Speaker 2: non come un diario delle emozioni della tua tastiera. Com'è
13:33
Speaker 2: il flusso di lavoro? Chiedi di partire dalle transazioni di vendita,
13:35
Speaker 2: filtrare gli ultimi 12 mesi, normalizzare i formati data, fare
13:38
Speaker 2: un left join con la grafica clienti e calcolare margine lordo.
13:41
Speaker 2: Copilot propone M o Python. Visualizzi in anteprima il risultato
13:44
Speaker 2: sul campione, validi i nomi delle colonne sul modello semantico
13:47
Speaker 2: e fissi il passaggio. Ti serve Python per un kernel analitico,
13:50
Speaker 2: diciamo per il rilevamento di outlier o la decomposizione stagionale?
13:53
Speaker 2: Va bene. Lascia che Copilot generi quel codice dentro il
13:56
Speaker 2: data flow ma tieni fuori l'orchestrazione. Python calcola la piattaforma orchestra.
14:00
Speaker 2: Vittoria rapida in palcatura del rep. Copilot può creare una
14:04
Speaker 2: prima pagina con grafici in pochi secondi. Non è magia,
14:07
Speaker 2: è metadati. Hai già dato un nome alle tue misure,
14:10
Speaker 2: aggiunto sinonimi e curato le relazioni. Copilot ne fa buon
14:13
Speaker 2: uso per posizionare i grafici in modo intelligente. Risparmi il
14:15
Speaker 2: lavoro pesante e dedichi tempo a rifinire ciò che conta.
14:18
Speaker 2: Logica di business e presentazione. Terrori comuni che aumentano gli effetti. Primo,
14:23
Speaker 2: lasciare che il codice Python generato da Copilot si espanda
14:26
Speaker 2: di smisura. Se inizi a rinominare colonne, chiamare endpoint esterni
14:29
Speaker 2: o incorporare logica di workflow, sei ricaduto in un sistema fragile. Secondo,
14:33
Speaker 2: saltare le revisioni del codice perché è scritto dagli A. No,
14:36
Speaker 2: aggiungi prompt revisione standardizzati, mantieni una checklist valida alle forme
14:39
Speaker 2: delle colonne, rendi esplicita la gestione dei null e determini
14:41
Speaker 2: i join. Terzo, mischiare orchestrazione e analisi. Se mescoli la
14:46
Speaker 2: logica di approvazione in una trasformazione Python, hai la certezza
14:48
Speaker 2: che il prossimo cambio di schema romperà il tuo workflow.
14:51
Speaker 2: La regola ibrida qui è semplice. Python per i kernel
14:53
Speaker 2: di analisi M, o passaggi nativi della piattaforma per infrastruttura.
14:57
Speaker 2: Usa data verso One Lake per input e output che
14:59
Speaker 2: il resto della piattaforma comprende. Quando devi regolare la trasformazione,
15:04
Speaker 2: cambia il prompt e convalida il diff, invece di avventurarti
15:06
Speaker 2: in una funzione da 400 righe. Cambiamenti di business diventano
15:09
Speaker 2: modifiche all'intento e non interventi chirurgici su codice pre. E sì,
15:12
Speaker 2: l'osservabilità migliora. Il lignaggio del flusso dati mostra cosa ha
15:15
Speaker 2: alimentato cosa. I passaggi proposti da Copilot formano una catena
15:18
Speaker 2: leggibile invece di un mucchio di script fatti a mano.
15:20
Speaker 2: Quando qualcosa fallisce, risolvi il problema in un unico punto.
15:23
Speaker 2: Confrontalo con il tuo vecchio schema. Power Automate attiva un
15:25
Speaker 2: connettore personalizzato, colpisce un API Python che muta le colonne
15:28
Speaker 2: e poi scrivi in un lake che hai dimenticato di taggare. Deliziosa.
15:31
Speaker 2: Il vantaggio è la velocità con meno sorprese. Generi, revisioni, registri.
15:35
Speaker 2: Riservi Python per i calcoli complessi dove è realmente necessario.
15:38
Speaker 2: Quando il CFO inventa una nuova metrica, un martedì pomeriggio
15:40
Speaker 2: aggiorni un prompt e riconvalidi invece di ridistribuire un'immagine container.
15:44
Speaker 2: Prova a fingere che non sia meglio. Flusso dati stabilizzato.
15:47
Speaker 2: Ora elimina il codice fragile che occupa spazio inutile in PowerOn.
15:50
Speaker 2: Applicazione 2. Power Automate. Sostituisci il codice Python con Office
15:54
Speaker 2: Scripts e Agent. In Power Automate la mossa corretta è
15:57
Speaker 2: volutamente noiosa. Connettori nativi e Office Scripts. descrivi i tuoi passaggi, co- pilot,
16:02
Speaker 2: bozza il flusso in script e mantieni tutto all'interno di
16:04
Speaker 2: Microsoft 365. Niente Azure Functions, niente impalcature di connettori personalizzati,
16:09
Speaker 2: niente patching notturno di cifrare SSL su un container di
16:11
Speaker 2: cui avevi dimenticato l'esistenza. Rivelazione scioccante, riducendo le parti in
16:15
Speaker 2: movimento riduci i guasti. Perché offri scripts? Perché sono basati
16:19
Speaker 2: su TypeScript con un modello oggetti definito che ti offre
16:21
Speaker 2: il board di tipizzati, firme dei metodi e forme prevedibili
16:23
Speaker 2: prima che il runtime abbia la possibilità di metterti in imbarazzo. Co- pilot, passala.
16:28
Speaker 2: Per ogni nuova riga in questa tabella, Normalizza le stringhe
16:31
Speaker 2: di data, calcola uno stato e invia via email un
16:33
Speaker 2: riepilogo al proprietario. Esattamente questo è un flusso più uno script.
16:38
Speaker 2: I tuoi dati rimangono vicini a Accessure Point 1D. La
16:40
Speaker 2: governance rimane più semplice e il tasso di difetti cala
16:43
Speaker 2: perché hai eliminato quella deviazione Python ad hoc che amava
16:45
Speaker 2: rompersi di martedì. Come strutturarlo affinché sia scalabile? Adotta un
16:49
Speaker 2: pattern basato su agenti. L'agente di tipo agent o comparabile
16:52
Speaker 2: seleziona strumenti da un toolkit limitato. Richiama Office Script, chiama
16:56
Speaker 2: un connettore graph, scrivi su Dataverse e invia un'approvazione Gli
16:59
Speaker 2: input e gli output sono schematizzati. L'agente è convalida alle precondizioni,
17:02
Speaker 2: esegue un test sul campione e solo allora promuove la modifica.
17:06
Speaker 2: L'accuratezza nel richiamare gli strumenti è importante, quindi assegna nomi
17:08
Speaker 2: inequivocabili agli strumenti. Aggiorna tabella, foglio di lavoro e meglio
17:10
Speaker 2: di fai cose. Quando l'agente sceglie costantemente lo strumento giusto,
17:14
Speaker 2: smetti di collegare l'azione sbagliata al trigger corretto. Vittorie rapide
17:17
Speaker 2: che mandano in pensione con l'antepaid. Operazioni su Excel, pulizia colonne,
17:21
Speaker 2: rimozione duplicati, suddivisione campi. Gli office scripts gestiscono queste operazioni nativamente.
17:25
Speaker 2: Approvazione e notificazioni native in pochi minuti, zero autenticazione personalizzata.
17:29
Speaker 2: Aggiornamenti su Dataverse e SharePoint. Connettori con consapevolezza dei metadati
17:32
Speaker 2: non chiamate HTTP grezze. I costi diminuiscono perché non paghi
17:35
Speaker 2: per il calcolo sempre attivo solo per rinominare colonne. Il
17:38
Speaker 2: tempo di risoluzione si riduce perché il tuo agente può generare,
17:41
Speaker 2: testare e iterare senza che un umano configuri un container
17:43
Speaker 2: di sviluppo. Il tuo team di sicurezza smette di guardarti
17:45
Speaker 2: male perché ha rimosso quell'endpoint API sconosciuto che qualcuno aveva
17:48
Speaker 2: etichettato come temporaneo. Errori da evitare perché ovviamente provare a farlo. Primo,
17:52
Speaker 2: forzare Python tramite un connettore personalizzato per compiti banali. Se
17:55
Speaker 2: il lavoro consiste nel rimodellare una tabella, usa gli Office Script. Secondo,
17:58
Speaker 2: ignorare la governance. Gli script necessitano di versionamento, controlli di
18:02
Speaker 2: revisione standard e denominati. Trattali come codice perché lo sono. Terzo,
18:06
Speaker 2: seppellire la logica di business in cinque flussi diversi senza
18:08
Speaker 2: contratti di tipo. Definisci i tuoi schemi di input e
18:11
Speaker 2: output in anticipo. La gente può imporli, la piattaforma li convaliderà,
18:15
Speaker 2: la produzione ti ringrazierà. Vuoi ancora usare Python? Mettilo dove
18:18
Speaker 2: deve stare, nell'analisi. Se un flusso necessita di previsione e
18:21
Speaker 2: trasformazione avanzate, chiama un servizio adeguato. Un job di notebook fabric,
18:25
Speaker 2: un endpoint ML, dietro un'app pulita, non un'app flasca improvvisata
18:29
Speaker 2: lasciata da qualcuno su un piano gratuito. Il flusso orchestra,
18:32
Speaker 2: Python calcola, interagiscono tramite un contratto, non per intuizione. Il
18:36
Speaker 2: sottile vantaggio di Office Scripts e agenti è la manutenibilità.
18:39
Speaker 2: I prompt diventano asset, gli script diventano strumenti riutilizzabili. I
18:43
Speaker 2: flussi diventano sottili livelli di orchestrazione, non musei della logica.
18:46
Speaker 2: Quando i requisiti cambiano, aggiorni un prompt e se necessario
18:48
Speaker 2: uno script con una revisione, anziché rivedere un intero stack
18:51
Speaker 2: di connettori personalizzati. La gente ricorda la correzione precedente, riutilizza
18:55
Speaker 2: il pattern e ne impedisce il ripetersi. Ecco come trasformare
18:58
Speaker 2: abbiamo passato il pomeriggio a correggere i tipi in abbiamo
19:00
Speaker 2: consegnato prima di pranzo. La verità su Python in Power
19:03
Speaker 2: Automate come collante che si tratta di una difficoltà performativa.
19:06
Speaker 2: E dimostrando di potercela fare, mentre la piattaforma ti offre
19:08
Speaker 2: silenziosamente un percorso più semplice. Usalo. Terza applicazione, i notebook
19:12
Speaker 2: di Fabric contengono Python automatizza il perimetro. In Fabric, Python
19:16
Speaker 2: finalmente risiede dove è più forte nel core di calcio.
19:18
Speaker 2: Non al campanello, non nelle condutture, mantieni la logica di
19:21
Speaker 2: business ai margini, lascia che il notebook si occupi di analisi,
19:23
Speaker 2: modellazione e trasformazioni pesanti. Il perimetro, la pianificazione, la validazione
19:27
Speaker 2: e la policy di io appartengono agli agenti e agli
19:29
Speaker 2: strumenti basati su TypeScript. Perché questo è importante? Quando saldi
19:33
Speaker 2: l'orchestrazione o il notebook, ogni modifica all'ambiente diventa un incidente
19:36
Speaker 2: di produzione. Separa responsabilità. L'agente chiama il notebook tramite un
19:40
Speaker 2: API di lavoro pulita, passa input tipizzati e si aspetta
19:42
Speaker 2: output tipizzati. Se la forma devia, fallisce rapidamente al margine,
19:46
Speaker 2: non a metà di un'esecuzione di 20 minuti. come appare
19:48
Speaker 2: nella pratica. copilot aiuta all'interno del notebook per eda vettorizzazione
19:52
Speaker 2: e strutture di visualizzazione devi comunque rivedere e fissare le
19:55
Speaker 2: versioni del librerio adulti ricordate la gente gestisce le pipeline
19:59
Speaker 2: si attiva all'arrivo dei dati esegue un controllo dello schema
20:01
Speaker 2: via il job del notebook e vale degli output rispetto
20:03
Speaker 2: al contratto prima della pubblicazione su one lake o su
20:05
Speaker 2: un modello semantico gestisci il controllo di versione notebook come
20:08
Speaker 2: se fosse Archivi e prompt che hanno generato le funzioni support.
20:11
Speaker 2: Esegui un it test su output, metriche, distribuzioni e conteggio
20:14
Speaker 2: righe invece di testare il plumbing riga per riga. Vittorierà.
20:17
Speaker 2: Chiedi a Copilot di generare un passaggio di scomposizione stagionale,
20:20
Speaker 2: tienilo nel notebook e lascia che l'agente orchestra i tentativi
20:23
Speaker 2: e avvisi. La logica di business vive in contratti dichiarativi.
20:26
Speaker 2: Python rimane computazionale. Errori da evitare? Nascondere approvazioni o ridenominazioni
20:31
Speaker 2: all'interno del notebook, collegare flussi endpoint ad hoc o archiviare
20:34
Speaker 2: l'unica definizione di un KPI all'interno di un commento di cella.
20:37
Speaker 2: Non fare archeologie. Fa' architettura. Però quantificalo così il dipartimento
20:41
Speaker 2: finanziario smette di sospirare. Risultati, tempo risparmiato, costi ridotti, difetti,
20:44
Speaker 2: downtime ridotti al mil. La generazione assistita dall'IA comprime il
20:48
Speaker 2: ciclo di build, debug e deploy. Copilot bozza trasformazioni, script,
20:52
Speaker 2: la gente testa i campioni prima della promozione. Riduci il
20:54
Speaker 2: lavoro di rifacimento e il cambio di contesto perché l'orchestrazione
20:57
Speaker 2: rimane nativa e il codice risiede dove viene eseguito. Costi
21:00
Speaker 2: a seguire, ritira le funzioni Azure che rinominavano colonne, mantieni
21:03
Speaker 2: i flussi nella piattaforma, i notebook in fabbrica e il
21:05
Speaker 2: collante in office, scripts. Paghi meno in calcolo e molto
21:08
Speaker 2: meno in attenzione. Niente patching di container, meno segreti, meno
21:11
Speaker 2: interruzioni nel fine settimana. Infine, i difetti. I confini tipizzati
21:14
Speaker 2: sui connettori, modelli e oggetti di office script e metadati
21:17
Speaker 2: semantici rilevano precocemente gli errori di forma. I guardali leggenti,
21:20
Speaker 2: la precisione nelle chiamate agli strumenti e la conservazione del
21:22
Speaker 2: contesto rompono il ciclo, aggiusta il venerdì, rompe il lunedì.
21:25
Speaker 2: La ricorrenza cala perché aggiorni i pattern, non solo i file.
21:28
Speaker 2: Benchmark pratici da tracciare. Tempo di risoluzione per incidente, tasso
21:31
Speaker 2: di successo delle chiamate agli strumenti e tempo di implementazione
21:32
Speaker 2: delle modifiche. Checklist di implementazione. Scegli l'orchestratore, definisci i contratti,
21:38
Speaker 2: crea template di prompt, aggiungi controlli di revisione e monitori
21:40
Speaker 2: i risultati centralmente. Python non è morto, è stato relegato
21:43
Speaker 2: alla sua specialità. Bene, è così che si distribuisce. Contro
21:46
Speaker 2: argomentazione replica, ma Python domina la scienza dei dati. Sì,
21:50
Speaker 2: Python domina la scienza dei dati. Librerie, community notebook, il
21:52
Speaker 2: pacchetto completo. In Fabric è esattamente per questo che lo
21:55
Speaker 2: mantieni dentro un notebook che ha nel di analisi. È
21:57
Speaker 2: un motore, la verità. Il motore non controlla il semaphore.
22:00
Speaker 2: L'orchestrazione è fatta di strade, segnali e regole. È il
22:03
Speaker 2: dominio di Power Platform. Connettori, Office Scripts, Dataflow Gen 2
22:08
Speaker 2: e Copilot. Ecco cosa confondono. Predominio nell'analisi non equivale all'idoneità
22:13
Speaker 2: come collante nello stack Microsoft. In Power Automate, Python è
22:17
Speaker 2: un calcolo esterno indiretto tramite funzioni Azure o connettori personalizzati.
22:21
Speaker 2: Questo aggiunge costi, gestione dei segreti, cold start e discrepanze diverse.
22:24
Speaker 2: Nel frattempo, gli Office Scripts girano dove vivono i tuoi
22:27
Speaker 2: dati Microsoft 365 e Copilot livelli in inglese semplice. Scegli
22:31
Speaker 2: tra attrito e velocità inattiva, ma abbiamo bisogno di logica personalizzata.
22:35
Speaker 2: Mettila dietro con finiti pizzati. Usa un job di notebook
22:37
Speaker 2: fabric o un endpoint ML per previsioni e trasformazioni pesanti.
22:40
Speaker 2: Esponi una API pulita. Lascia che il flusso orchestrato segua
22:42
Speaker 2: contratti e non intuizioni. Ottieni la potenza di Python senza
22:46
Speaker 2: cablare manualmente ogni approvazione, rinomine e passaggio di file attraverso
22:48
Speaker 2: una flasca che dimentica di aggiornare. La traiettoria di Microsoft
22:51
Speaker 2: rafforza questa separazione. Gli Office Scripts sono il linguaggio di
22:55
Speaker 2: scripting ufficiale per M365. Copilot è consapevole del modello semantico
22:59
Speaker 2: in Power BI e Dataflow Gen2 generando M o Python
23:02
Speaker 2: ancorato ai tuoi metadati. Gli agenti migliorano la precisione delle
23:05
Speaker 2: richiamate agli strumenti e la conservazione del contesto, rendendo il
23:07
Speaker 2: collante affidabile e verificabile. Niente di tutto ciò richiede di
23:10
Speaker 2: incorporare l'orchestrazione in Python. L'ibrido non è un compromesso, è
23:13
Speaker 2: il design. In stile TypeScript gli agenti gestiscono il perimetro.
23:16
Speaker 2: Python gestisce il calcolo. Si incontrano su API tipizzate o code.
23:20
Speaker 2: Riduce il tempo di risoluzione, abbatti i costi di esecuzione
23:22
Speaker 2: e limiti la ricorrenza dei difetti perché le giunzioni esplicite.
23:25
Speaker 2: Usa Python dove c'è. Smetti di forzarlo a fare da
23:28
Speaker 2: nastro adesivo. Manuali di implementazione i tuoi prossimi 30 giorni.
23:31
Speaker 2: Settimana 1. Audit. Etichetta ogni workflow e flusso di dati
23:34
Speaker 2: come collante o analisi. Evidenzia Python nelle funzioni che gestiscono approvazioni,
23:38
Speaker 2: rinomini o antipattern di ISO su file. Documenta input, output
23:41
Speaker 2: e punti critici d'errore. Estrae metriche reali, tempo di risoluzione
23:44
Speaker 2: degli incidenti, tempo di implementazione delle modifiche e tasso di
23:47
Speaker 2: successo delle chiamate e dei soggetti. Se non lo fai
23:48
Speaker 2: va bene. Stabilisci subito la base di partenza. Settimana 2.
23:52
Speaker 2: Migra le funzioni di collegamento banali. Sostituisci gli endpoint Python
23:55
Speaker 2: usati per compiti in Excel o SharePoint con office scripts
23:57
Speaker 2: e connettori nativi. Usa Copilot per scrivere script partendo da
24:00
Speaker 2: un linguaggio semplice. Poi aggiungi una lista di controllo leggera.
24:04
Speaker 2: Formati colonna, gestione null, idempotenza. Standardizza i template dei prompt
24:08
Speaker 2: e dei nomi sensati agli script, verbo sostantivo con ambito
24:10
Speaker 2: non script, andresco finale, andresco 2. Versiona tutto nel tuo repository. Sì,
24:13
Speaker 2: gli script sono codice. Settimana 3 rifattorizza i flussi di dati.
24:17
Speaker 2: Passa dalle trasformazioni scritte a mano a quelle generate da
24:19
Speaker 2: Copilot in Data Flow Gen 2. Tieni l'orchestrazione fuori da Python,
24:23
Speaker 2: riservalo solo ai kernel di analisi. Convalida rispetto al tuo modello, semantico,
24:27
Speaker 2: nomi di colonna, tipi di dati, misure. Cattura le differenze
24:29
Speaker 2: accettate e aggiungi la tua libreria di prompt, così la
24:31
Speaker 2: prossima modifica sarà un editing, non un'esplorazione. Settimana 4. Introduci
24:36
Speaker 2: un agente per l'orchestrazione complessa. Limita gli strumenti. Worksheet, Update Table, Dataverse. doc. upset, Dataflow. run, Email. send.
24:46
Speaker 2: Definisci i contratti di tipo per ogni strumento, inclusi payload
24:48
Speaker 2: di esempio e criteri di accettazione. Attiva la validazione per
24:51
Speaker 2: esecuzione sugli esempi. Monitora l'accuratezza delle chiamate a risoluzione. Quando
24:55
Speaker 2: l'agente fallisce, correggi il pattern, aggiorna prompt, schemi o nomi
24:58
Speaker 2: degli strumenti affinché il problema non si ripeta. Governance costante.
25:02
Speaker 2: Imponi interfacce tipizzati in ogni punto di giunzione. Archivi e
25:04
Speaker 2: prompt insieme al codice. Aggiungi gate di revisione per le
25:07
Speaker 2: modifiche script e flusside. Centralizza telemetria, cronologia e esecuzioni di
25:11
Speaker 2: power automate, lineage dei flussi e tracce degli agenti in
25:13
Speaker 2: un unico dashboard. I piani di rollback non sono negoziabili.
25:16
Speaker 2: Versioni precedenti degli script, ultimo flusso dati funzionanti e snapshot
25:19
Speaker 2: dei notebook. Criteri di uscita al trentesimo giorno. Meno connettori
25:23
Speaker 2: personalizzati per compiti banali, calo misurabile dei costi, modifiche più rapide,
25:28
Speaker 2: coraggio d'azione ridotto e interfacce documentate che permettono al nuovo
25:31
Speaker 2: collega di operare in un giorno, non in una settimana.
25:33
Speaker 2: Python resta confinato in notebook e kernel di analisi. Collando.
25:38
Speaker 2: È generato, tipizzato e noioso. Proprio questo è il punto.
25:41
Speaker 2: Concetto chiave. Nell'ecosistema Microsoft, agenti e script in TypeScript orchestrano
25:45
Speaker 2: in modo pulito, mentre Python resta nell'analisi dove le librerie
25:48
Speaker 2: sono davvero utili. Se ti ho fatto risparmiare tempo, ripagami. Iscriviti.
25:54
Speaker 2: Guarda il seguito su come costruire il tuo primo playbook
25:56
Speaker 2: per agenti app con contratti di strumenti tipizzati gate revision.
25:59
Speaker 2: Pubblicherai più velocemente e con meno interruzioni e il dipartimento
26:01
Speaker 2: finanziario smetterà finalmente delle tue fatture. Procedi.