WEBVTT 00:00:00.000 --> 00:00:03.940 Je hebt geklikt omdat de podcast zei dat Azure AI Foundry een valstrik is, toch? 00:00:04.120 --> 00:00:05.960 Goed, je bent hier op de juiste plek. 00:00:06.140 --> 00:00:07.480 Hier is de belofte vooraf. 00:00:07.640 --> 00:00:12.580 Co-pilots storten in zonder grounding, maar tools zoals Retrieval Augmented Generation, of RAG, 00:00:12.760 --> 00:00:18.300 met Azure ISR hybride en semantisch, plus evaluators voor gefundeerdheid, relevantie en coherentie, 00:00:18.520 --> 00:00:22.200 zijn de echte oplossingen die voorkomen dat je hallucinaties als antwoorden verstuurt. 00:00:22.360 --> 00:00:27.160 We laten de marketingpraatjes achterwegen en laten je het overlevingshandboek zien met voorbeelden uit de praktijk. 00:00:27.160 --> 00:00:32.180 Abonneer je op de M365 Show Nieuwsbrief en volg de livestreams met MVP's. 00:00:32.400 --> 00:00:34.340 Daar vind je de littekens en de oplossingen. 00:00:34.540 --> 00:00:38.620 En aangezien de eerste barsten meestal in multimodale apps verschijnen, laten we daar beginnen. 00:00:38.860 --> 00:00:41.120 Waarom multimodale apps falen in de echte wereld? 00:00:41.360 --> 00:00:44.540 Wanneer je een multimodale demo op het podium ziet, ziet het er foutloos uit. 00:00:44.720 --> 00:00:48.500 De presentator voert een tekstprompt in, een schone afbeelding, misschien zelfs een snelle spraakinvoer, 00:00:48.500 --> 00:00:51.440 en het model levert een perfecte grafiek of een scherpe samenvatting van een contract. 00:00:51.600 --> 00:00:56.360 Het voelt allemaal als magie, maar zodra je hetzelfde probeert binnen een echt bedrijf, is de glans er snel vanaf. 00:00:56.360 --> 00:00:59.720 Demo's draaien op perfecte invoer, werkplekken draaien op rommel. 00:00:59.960 --> 00:01:01.300 Dat is de werkelijke kloof. 00:01:01.460 --> 00:01:07.280 In productie geeft niemand je model zorgvuldig geënsceneerde screenshots of CSV's die door een normencommissie zijn opgemaakt. 00:01:07.460 --> 00:01:10.240 Ouer voert het wazige identiteitsbewijzen van de overheid. 00:01:10.440 --> 00:01:13.420 Inkoop sleept er PDF's bij die al vijf keer zijn doorgevaxt. 00:01:13.620 --> 00:01:17.240 Iemand bij Finance maakt een foto van een factuur met een gebarsten Android-camera. 00:01:17.240 --> 00:01:20.780 Multimodale modellen kunnen tekst, afbeeldingen, spraak en video verwerken, 00:01:20.920 --> 00:01:24.640 maar ze hebben goed geïndexeerde data en retrieval nodig om te presteren onder rommelige omstandigheden. 00:01:24.780 --> 00:01:27.700 Anders vraag je het model simpelweg om te improviseren op basis van afval. 00:01:27.860 --> 00:01:31.620 En hoeveel GPU-budget je ook uitgeeft, garbage in, garbage out, los je daarmee niet op. 00:01:31.800 --> 00:01:35.180 Dit is waar retrieval augmented generation, of RAG, je moet redden. 00:01:35.340 --> 00:01:39.100 In begrijpelijke taal, het model kent je bedrijf niet, dus koppel je het aan een kennisbron. 00:01:39.260 --> 00:01:41.880 Het haalt een stukje data op en vormt het antwoord daaromheen. 00:01:41.960 --> 00:01:44.940 Wanneer de match scherp is, krijg je bruikbare, gefundeerde antwoorden. 00:01:45.100 --> 00:01:48.680 Wanneer het slordig is, gaat het model freestylen en spuugt het zelfverzekerde onzin uit. 00:01:48.840 --> 00:01:54.260 En zo eindig je met een chatbot die zweert dat je bedrijf een nieuw Q3-kortingsbeleid heeft dat helemaal niet bestaat. 00:01:54.400 --> 00:01:57.600 Het is niet bewust geworden, het heeft gewoon de verkeerde data opgehaald. 00:01:57.780 --> 00:02:02.660 Azure AI Studio en Azure AI Foundry leunen beide op dit patroon en ze ondersteunen alle soorten modaliteiten, 00:02:02.860 --> 00:02:05.040 taal, visie, spraak en zelfs video-retrieval. 00:02:05.200 --> 00:02:08.020 Maar de adder onder het gras is dat RAG slecht zo goed is als de data die het gebruikt. 00:02:08.020 --> 00:02:10.240 Dit is het addertje onder het gras dat de meeste teams missen. 00:02:10.240 --> 00:02:13.220 Je kunt niet zomaar één retrieval methode implementeren en denken dat het klaar is. 00:02:13.380 --> 00:02:17.120 Als je wilt dat resultaten consistent blijven, heb je hybride zoekopdrachten met trefwoorden en factoren nodig, 00:02:17.280 --> 00:02:19.740 aangevuld met een semantische herrangschikker die in Azure AI's ARG is ingebouwd. 00:02:19.900 --> 00:02:23.100 Hiermee balanceert het systeem letterlijke trefwoordresultaten met semantische betekenis 00:02:23.100 --> 00:02:26.060 en worden de resultaten opnieuw gerangschikt zodat de juiste context bovenaan staat. 00:02:26.320 --> 00:02:30.520 Integreer dat in je multimodale opzet en plotseling kan het model omgaan met scheve scans 00:02:30.520 --> 00:02:33.860 en wazige afbeeldingen in plaats van je nalevingsbeleid uit het niets te verzinnen. 00:02:33.860 --> 00:02:37.020 Laten we het nu hebben over waarom zoveel implementaties mislukken. 00:02:37.020 --> 00:02:42.240 Ondernemingen verwachten vanaf de eerste dag perfecte resultaten, maar begroten niets voor evaluatierondes. 00:02:42.460 --> 00:02:46.020 Zonder controles op betrouwbaarheid, relevantie en samenhang op de achtergrond 00:02:46.020 --> 00:02:48.460 merk je afwijkingen pas op als gebruiker zal zijn afgehaakt. 00:02:48.660 --> 00:02:51.400 Veel vroege implementaties falen snel om precies deze reden. 00:02:51.620 --> 00:02:54.760 De output klinkt correct, maar niemand heeft het getoetst aan de bronwaarheid. 00:02:54.980 --> 00:02:58.200 Denk er eens over na, je zou nooit een nieuwe database implementeren zonder monitoring. 00:02:58.200 --> 00:03:03.140 Toch gooi je leidinggevende multimodale AI in productie alsof het een plug-and-play toverdoos is. 00:03:03.140 --> 00:03:05.040 Het hoeft niet in een mislukking te eindigen. 00:03:05.240 --> 00:03:08.340 Carvana is een van de Foundry klantverhalen die dit punt bewijst. 00:03:08.540 --> 00:03:15.140 Zij maakt de self-service AI echt nuttig door retrieval te verfijnen, hun agents goed te funderen en te investeren in observabiliteit. 00:03:15.400 --> 00:03:19.920 Dat veranderde wat een nutteloze chatbot had kunnen zijn in iets waar klanten op konden vertrouwen. 00:03:20.100 --> 00:03:25.480 Kijk nu naar de bedrijven die een generieke chatbot op hun supportpagina plakten zonder fundering of evaluatie. 00:03:25.480 --> 00:03:26.980 Je hebt het resultaat gezien. 00:03:27.320 --> 00:03:31.300 Garantieclaims die als verkoopniets werden verwerkt, overvolle supportwachtrijen en een beschadigde geloofwaardigheid. 00:03:31.460 --> 00:03:33.960 Dezelfde Azure Stack, het tegenovergestelde resultaat. 00:03:34.120 --> 00:03:35.440 Dus, hier is de botte waarheid. 00:03:35.840 --> 00:03:38.320 Multimodaal faalt niet omdat de AI niet slim genoeg is. 00:03:38.520 --> 00:03:41.480 Het faalt omdat de data niet is voorbereid, geïndexeerd of gemonitord. 00:03:42.260 --> 00:03:46.220 Voer rommel in het retrieval systeem, sla evaluaties over en zie het vertrouwen verdampen. 00:03:46.380 --> 00:03:55.080 Maar met hybride zoeken, semantische herrangschikking en constante evaluaties kun je facturen, contracten, foto's en zelfs ruwe audionotices verwerken met antwoorden die in de realiteit blijven. 00:03:55.080 --> 00:03:56.120 In plaats van in fantasie. 00:03:56.300 --> 00:03:59.660 En zodra de fundering op orde is, komt er een ander risico in beeld. 00:03:59.860 --> 00:04:04.240 Want zelfs als de datapijplijnen schoon zijn, kan het systeem dat ze aanstuurt nog steeds ontsporen. 00:04:04.520 --> 00:04:05.960 Dat is waar de vraag verschuift. 00:04:06.200 --> 00:04:11.840 Helpt de agent die dit allemaal coördineert je bedrijf echt, of is hij stilletjes je IT-budget aan het verbranden? 00:04:12.360 --> 00:04:17.820 Behulpzame agent of dure pressen papier, een agent coördineert modellen, data, triggers en acties. 00:04:18.060 --> 00:04:20.820 Zie het als een verkeersregelaar voor je geautomatiseerde workflows. 00:04:20.820 --> 00:04:26.400 Soms regelt hij alles soepel, soms wuift hij drie keepwagens en een clownauto naar binnen en gaat dan lunchen. 00:04:26.620 --> 00:04:30.720 Dat gat tussen de nette definitie en de rommelige realiteit is waar de meeste teams de mist in gaan. 00:04:30.940 --> 00:04:32.880 Op papier ziet een agent er fantastisch uit. 00:04:33.160 --> 00:04:39.280 Voer er instructies in, wijs het naar je data en apps en het hoort processen uit te voeren, antwoorden te vinden en zelfs workflows te starten. 00:04:39.400 --> 00:04:40.960 Maar dit is geen perfecte collega. 00:04:40.960 --> 00:04:47.880 Het lost net zo makkelijk om twee uur s'nachts een terugkerend probleem op, als dat het je wachtrij overspoelt met honderd spooktickets omdat het een foutlogboek verkeerd las. 00:04:48.120 --> 00:04:49.580 Stel het je voor binnen ServiceNow. 00:04:49.880 --> 00:04:55.020 Wanneer strikt afgebakend, maakt de AI alleen echte tickets aan voor werkelijke problemen en bespaart het mensen uren tijd. 00:04:55.260 --> 00:05:00.520 Wordt het losgelaten, dan kan het de helpdesk begraven onder een muur van valse meldingen over kritieke printerstoringen op hardware die prima werkt. 00:05:00.660 --> 00:05:03.220 Probeer die productiviteitswinst maar eens uit te leggen aan je CEO. 00:05:03.460 --> 00:05:04.960 Hier is het onderscheid dat vele missen. 00:05:05.140 --> 00:05:06.840 Copilots en agents zijn niet hetzelfde. 00:05:07.000 --> 00:05:09.220 Een copilot is in feite een assistent voor je prompts. 00:05:09.220 --> 00:05:11.720 Jij vraagt het antwoord en jij houdt de controle. 00:05:11.960 --> 00:05:14.600 Agents daarentegen beslissen dingen zonder op jou te wachten. 00:05:14.860 --> 00:05:18.800 Ze volgen je vage instructies tot op de letter, zelfs als de resultaten nergens op slaan. 00:05:18.980 --> 00:05:24.280 Dat is het moment waarop automatisering ofwel echte tijd bespaart, ofwel leidt tot chaos die je twee keer zoveel tijd kost om op te ruimen. 00:05:24.460 --> 00:05:28.640 De waarheid is dat veel teams hun agent een functieomschrijving geven die klinkt als een verkiezingsbelofte. 00:05:29.060 --> 00:05:31.520 Optimaliseer processen, bied inzichten, help mensen. 00:05:32.060 --> 00:05:34.480 Gefeliciteerd, je hebt de bot in feite verteld dat hij zijn gang mag gaan. 00:05:34.660 --> 00:05:36.920 Agents zonder afbakening blijven niet beleefd binnen hun grenzen. 00:05:36.920 --> 00:05:38.060 Ze gaan volledig los. 00:05:38.060 --> 00:05:39.680 Ze verzinnen problemen om op te lossen. 00:05:39.840 --> 00:05:40.880 Ze dupliceren records. 00:05:41.100 --> 00:05:42.340 Ze raken in eindeloze lussen. 00:05:42.540 --> 00:05:45.060 En dan vraagt het management zich af waarom een gelikte demo uitmondde in productieproblemen. 00:05:45.780 --> 00:05:47.220 Laten we nu de feiten op een rij zetten. 00:05:47.400 --> 00:05:50.300 Het is niet zo dat de meeste organisaties in de eerste twee maanden falen. 00:05:50.500 --> 00:05:51.820 Dat staat niet in het onderzoek. 00:05:51.960 --> 00:05:57.480 Wat wel gebeurt, en snel ook, is dat veel organisaties vroeg tegen barrières aanlopen omdat ze hun agents nooit strak hebben afgebakend, 00:05:57.640 --> 00:06:00.540 geen validatiestappen hebben toegevoegd en nooit telemetrie hebben geïmplementeerd. 00:06:00.760 --> 00:06:04.060 Zonder die vangrails is je glimmende nieuwe tool gewoon een hoekenloze stagiair met beheerdersrechten. 00:06:04.060 --> 00:06:08.040 En hier geeft de Microsoft stack je daadwerkelijk de benodigde onderdelen. 00:06:08.200 --> 00:06:11.940 Copilot Studio is de low-code plek waar makers het gedrag van agents ontwerpen. 00:06:12.140 --> 00:06:14.040 Denk aan flows, prompts en event triggers. 00:06:14.340 --> 00:06:20.180 En Azure Eye Foundries Agent Service is de bedrijfsmatige basis die die agents in productie brengt met observability. 00:06:20.440 --> 00:06:23.740 Agent Service is waar je monitoring, logs en statistieken toevoegt. 00:06:23.740 --> 00:06:27.860 Het is doelbewust afgebakend voor automatisering met ingebouwd menselijk toezicht, 00:06:28.000 --> 00:06:31.940 omdat Microsoft weet wat er gebeurt als je een ongevere testenagent in het wild vertrouwt. 00:06:32.060 --> 00:06:34.400 Dus, hoe weet je of je agent daadwerkelijk nuttig is? 00:06:34.600 --> 00:06:36.200 Haal hem door een simpele checklist. 00:06:36.440 --> 00:06:40.820 1. Vermindert het het aantal werkuren van mensen of sleept het je personeel mee in het oplossen van baks? 00:06:41.020 --> 00:06:47.240 2. Meet je statistieken zoals onderbouwing, vloeiendheid en samenhang of staar je alleen naar die mooie marketing dashboards? 00:06:47.520 --> 00:06:52.100 3. Heb je telemetrie ingesteld zodat je afwijkingen kunt opvangen voordat gebruikers gaan klagen? 00:06:52.100 --> 00:06:55.560 Als je een van die vragen verkeerd hebt beantwoord, heb je geen intelligente agent. 00:06:55.720 --> 00:06:57.140 Je hebt een dure screensaver. 00:06:57.400 --> 00:07:02.140 De oplossing is het gebruik van de observability functies en ingebouwde evaluators van Azure AI Foundry. 00:07:02.360 --> 00:07:03.980 Dit zijn geen optionele extra's. 00:07:04.180 --> 00:07:08.480 Dit is de gedocumenteerde manier om onderbouwing, relevantie, samenhang en waarheidsgetrouwheid te meten. 00:07:08.700 --> 00:07:12.720 Zonder deze tools gok je maar of je agent slim is of gewoon beleefd uit zijn nek kletst. 00:07:12.920 --> 00:07:16.860 Met deze tools kun je vol vertrouwen ingrijpen en bijsturen wanneer de output afwijkt. 00:07:17.040 --> 00:07:19.120 Dus ja, agents kunnen echt het verschil maken. 00:07:19.120 --> 00:07:22.940 Verkeerd ingezet worden ze chaosversterkers die meer tijd kosten dan ze besparen. 00:07:23.120 --> 00:07:29.860 Goed ingezet, met duidelijke taken, echte telemetrie en onderbouwde antwoorden kunnen ze taken afhandelen terwijl mensen zich op waardevoller werk richten. 00:07:29.980 --> 00:07:33.220 En net wanneer je denkt dat je die balans gevonden hebt, verandert het verhaal weer. 00:07:33.480 --> 00:07:37.920 Microsoft pust nu al autonome agentspots die niet op jou wachten voordat ze actie ondernemen. 00:07:38.500 --> 00:07:45.700 Dat verplaatst de inzet van behulpzaam of nutteloos naar een heel ander niveau, want we hebben het nu over systemen die draaien terwijl niemand meekijkt. 00:07:45.700 --> 00:07:51.040 De valkuil van de autonome agent. Autonome agents zijn waar de hype gevaarlijk wordt. 00:07:51.360 --> 00:07:58.800 Op papier zijn ze de droom. Laat de AI voor je werken, automatiseer het saaie werk en stop met jezelf om twee uur s'nachts uit bed te slepen voor ticketwachtrijen. 00:07:58.940 --> 00:08:00.520 Klinkt geweldig in de bestuurskamer. 00:08:00.740 --> 00:08:03.020 De valkuil is simpel. Ze wachten niet op toestemming. 00:08:03.240 --> 00:08:05.960 Copilots pauseren voor jou. Autonome agents doen dat niet. 00:08:06.100 --> 00:08:09.460 En wanneer ze een verkeerde beslissing nemen, is de schade direct zichtbaar en schaal deze door je hele tenant heen. 00:08:09.460 --> 00:08:13.540 Het concept is simpel genoeg. Copilots zijn reactief. Agents zijn proactief. 00:08:13.700 --> 00:08:20.560 In plaats van stil te zitten tot iemand een prompt typt, zet je agents in om de status van services te bewaken, beveiligingssignalen te verwerken of workflows automatisch uit te voeren. 00:08:20.760 --> 00:08:25.800 Microsoft presenteert dit als efficiëntie, minder menselijke verspilling, snellere detectie, soepelere operaties. 00:08:26.000 --> 00:08:28.680 De belofte is reëel, maar hier is de belangrijke context. 00:08:29.040 --> 00:08:32.160 Autonome agents in Copilot Studio zijn momenteel nog in preview. 00:08:32.420 --> 00:08:36.400 Preview betekent niet dat het kapot is, maar wel dat het nog niet getest is in de complexe echte wereld. 00:08:36.400 --> 00:08:42.260 En zelfs Microsoft zegt dat je governance-richtlijnen voor de levenscyclus en het Copilot console beheer op orde moet hebben voordat je ze breed uitholt. 00:08:42.440 --> 00:08:44.040 Denk eens aan een realistisch risico. 00:08:44.320 --> 00:08:48.860 Stel dat je een autonome helpdesk-agent bouwt en deze toestemming geeft om op inlogafwijkingen te reageren. 00:08:49.000 --> 00:08:51.060 In een demo met vijf gebruikers werkt het perfect. 00:08:51.300 --> 00:08:53.140 Meldingen worden verwerkt, accounts beheerd. 00:08:53.360 --> 00:08:55.780 Dan komen de onvoorspelbare inputstromen binnen in productie. 00:08:55.940 --> 00:09:00.280 In plaats van te wachten, begint het honderden accounts massaal te resetten op basis van valse positieven. 00:09:00.440 --> 00:09:02.520 Het resultaat is geen hypothetische storing. 00:09:02.740 --> 00:09:05.440 Het kan in werkelijkheid de operaties aan het eind van de maand platleggen. 00:09:05.440 --> 00:09:06.720 Dat is geen science fiction. 00:09:06.940 --> 00:09:09.620 Het is het storingsscenario waar je voor tekent als je scoping overslaat. 00:09:09.780 --> 00:09:11.500 De oplossing is niet de technologie dumpen. 00:09:11.660 --> 00:09:12.920 Het is eerst het van het bouwen. 00:09:13.140 --> 00:09:14.880 Dus, wat staat er op de checklist voor overleving? 00:09:15.060 --> 00:09:17.560 Drie zaken zijn essentieel voor elke flitsende automatisering. 00:09:17.760 --> 00:09:19.740 1. Scoping van identiteit en toegang. 00:09:19.940 --> 00:09:22.840 Geef je agent minimale rechten, geen algemene beheerdersrollen. 00:09:22.960 --> 00:09:24.240 2. Logging en rollback. 00:09:24.420 --> 00:09:26.440 Elke actie moet een spoor achterlaten dat je kunt controleren. 00:09:27.120 --> 00:09:30.720 En voor elke serieuze actie is een terugdrijdmogelijkheid nodig als de agent fouten maakt. 00:09:30.900 --> 00:09:32.500 3. Inhouds en gedragsfilters. 00:09:32.500 --> 00:09:36.540 Microsoft benoemt dit bij Azure AI content safety en configuratie van kennis. 00:09:36.760 --> 00:09:41.300 De filters die voorkomen dat een enthousiaste bot ongepaste antwoorden geeft of buiten de lijntjes kleurt. 00:09:41.540 --> 00:09:45.340 Doe dit eerst, anders zal de slimheid van je agent je operatie begraven in plaats van helpen. 00:09:45.480 --> 00:09:47.140 De ethische laag maakt dit nog scherper. 00:09:47.420 --> 00:09:50.260 Denk aan een ouder agent die medewerkers automatisch als riskant markeert, 00:09:50.500 --> 00:09:54.700 of een financiële agent die betalingen aan leveranciers inhoudt omdat hij ze onterecht als fraude klassificeert. 00:09:54.700 --> 00:09:59.540 Dit zijn geen onschuldige eigenaardigheden, dit zijn fouten met menselijke gevolgen en juridische consequenties. 00:09:59.760 --> 00:10:04.380 Bias in trainingsdata of retrieval verdwijnt niet zomaar omdat je nu in Enterprise Preview draait. 00:10:04.580 --> 00:10:10.940 Zonder filters, controles en menselijke backups besteed je oordeelsvorming uit waarvan je advocaten zeker niet willen dat die door een onbeheerd algoritme wordt gemaakt. 00:10:11.380 --> 00:10:14.000 Microsoft's eigen boodschap tijdens Ignite was hier overbod. 00:10:14.240 --> 00:10:19.700 Guardrails, levenscyclusbeheer, monitoring en het copilot controlesysteem zijn geen extraatjes, ze zijn vereist. 00:10:19.700 --> 00:10:24.500 Preview draait vandaag minder om glimmende demo's en meer om testers die aantonen waar de gaten zitten. 00:10:24.700 --> 00:10:31.260 Als je live gaat zonder stage-tests, goedkeuringsworkflows en audits, draai je geen agent, maar stress test je jouw tenant in productie. 00:10:31.520 --> 00:10:33.620 Daarom is observabiliteit niet optioneel. 00:10:33.800 --> 00:10:40.000 Je hebt dashboards nodig die elke stap van een agent tonen en controleren of de output gefundeerd, relevant en in lijn met je beleid is. 00:10:40.140 --> 00:10:42.180 En je hebt Human in T-loop opties nodig. 00:10:42.420 --> 00:10:44.220 Microsoft steekt dit niet onder stoelen of banken. 00:10:44.380 --> 00:10:47.380 Ze verwijzen naar patronen waarbij de mens de uiteindelijke veiligheidsmaatregel blijft. 00:10:47.380 --> 00:10:49.620 Zie het als een automatische piloot in een vliegtuig. 00:10:50.020 --> 00:10:52.940 Ongelooflijk nuttig, maar altijd ontworpen met een handmatige override. 00:10:53.080 --> 00:10:57.400 Als de bot denkt dat de optimale landing in een meer is, wil je de besturing overnemen voor de plons. 00:10:57.580 --> 00:11:00.260 De juiste vergelijking hier is een tiener leren autorijden. 00:11:00.440 --> 00:11:05.600 Het potentieel is echt, de snelheid is indrukwekkend, maar je geeft niet zomaar de sleutels, verlaat de oprit en hoopt op het beste. 00:11:05.840 --> 00:11:09.660 Je zit aan de passagierskant, stelt grenzen en installeert remmen waar je zelf bij kunt. 00:11:09.880 --> 00:11:11.960 Dat is levenscyclus governance in de praktijk. 00:11:12.300 --> 00:11:15.100 Zijwieltjes totdat je zeker weet dat het systeem niet van de weg afraakt. 00:11:15.100 --> 00:11:20.460 En dit brengt ons naar de grotere fabrieksvloer waar agents, copilots en elke workflow die je hebt getest samenkomen. 00:11:20.700 --> 00:11:25.520 Microsoft noemt dat Azure AI Foundry, een alles-in-één AI bouwruimte met alle nodige tools. 00:11:25.780 --> 00:11:31.520 Of het een productiekrachtpatser wordt of de plek waar je project zelf ontbrandt, hangt volledig af van hoe je ermee omgaat. 00:11:32.020 --> 00:11:35.000 Azure AI Foundry, jouw fabriek of jouw mijneveld. 00:11:35.000 --> 00:11:41.240 Azure AI Foundry is Microsoft's nieuwe vlaggenschip, een zogenaamde fabriek voor alles wat met AI te maken heeft. 00:11:41.440 --> 00:11:44.760 Het probleem? Te veel teams lopen naar binnen en behandelen het als een Ikea. 00:11:45.080 --> 00:11:49.000 Ze dwalen verblind door de catalogie rond, grijpen een paar glimmende grote taalmodellen, 00:11:49.320 --> 00:11:52.100 gooien er wat connectors bij en schroeven zonder instructies iets in elkaar. 00:11:52.340 --> 00:11:59.000 Waar ze mee eindigen is geen Enterprise AI systeem, maar een speelgoeddemo die omvalt zodra een echte gebruiker een rommelige PDF upload. 00:11:59.000 --> 00:12:02.700 Dit is wat Foundry werkelijk biedt, rechtstreeks uit het officiële handboek. 00:12:02.800 --> 00:12:07.520 Een model katalogus die Microsoft, OpenAI, Meta, Mistral, DeepSeq en anderen omvat. 00:12:08.000 --> 00:12:12.200 Aanpassingsopties zoals Retrieval Augmented Generation, Fine Tuning en Distillatie. 00:12:12.360 --> 00:12:16.580 Een agentservice voor orkestratie, tools zoals Prompt Flow voor evaluatie en debugging, 00:12:16.800 --> 00:12:22.120 beveiligingsbaselines, identiteits- en toegangsbeheer, contentfilters en observabiliteitsdashboards. 00:12:22.320 --> 00:12:27.580 Kortom, alle onderdelen die je nodig hebt om copilots, agents en autonome stromen te bouwen en ze compliant te houden. 00:12:27.580 --> 00:12:28.920 Dat is de inventaris. 00:12:29.120 --> 00:12:35.900 Het probleem is niet dat de gereedschapskist leeg is, maar dat te veel beheerders denken dat ze simpelweg de GPT-4 turboschakelaar omzetten en het klaar voor productie noemen. 00:12:36.080 --> 00:12:39.540 De waarheid is dat Foundry een fabrieksvloer is, geen speelgoeddoos voor je hackathon. 00:12:39.780 --> 00:12:44.040 Dat betekent identiteitsgrenzen instellen, zodat alleen de juiste mensen bij de juiste modellen kunnen. 00:12:44.220 --> 00:12:47.060 Het betekent contentbeveiliging toevoegen aan elke pipeline. 00:12:47.380 --> 00:12:53.920 Het betekent observabiliteit gebruiken, zodat je weet wanneer een antwoord is onderbouwd versus wanneer het model bedrijfsbeleid uit de duim zuigt. 00:12:53.920 --> 00:12:58.980 En het betekent de taak koppelen aan het juiste model in plaats van de grootste te kiezen omdat die slim klinkt. 00:12:59.160 --> 00:13:02.080 Sla die stappen over en de chaos komt via de achterdeur naar binnen. 00:13:02.280 --> 00:13:07.660 Ik heb een team een Foundry co-pilot op SharePoint zien bouwen die vrolijk vertrouwelijke oude data deelde met 20 stagiairs. 00:13:07.860 --> 00:13:12.160 Het was niet slim, het was een compliance ramp die voorkomen had kunnen worden met ingebouwde toegangsregels. 00:13:12.360 --> 00:13:14.040 Laten we praten over echte faalmodi. 00:13:14.200 --> 00:13:17.960 Een organisatie gebruikte ooit GPT-4 Turbo voor het taggen van productfoto's. 00:13:18.120 --> 00:13:19.700 In het lab verpletterde het de demo. 00:13:19.980 --> 00:13:23.300 Strakke studiofoto's, perfecte tags, iedereen applaudisseerde. 00:13:23.300 --> 00:13:28.440 In productie waren de inputbestanden geen glanzende JPEG's, maar wazige telefoonfoto's uit het magazijn. 00:13:28.580 --> 00:13:34.160 Plotseling bestempelde de AI kinderwagens als bureaustoelen en veranderde UPC labels in valse serienummers. 00:13:34.400 --> 00:13:36.940 Bovenop de vertrouwensbreuk begonnen de kosten op te lopen. 00:13:37.140 --> 00:13:39.780 En dit is geen sprookje van 0,01 dollar per bericht. 00:13:39.940 --> 00:13:43.580 De prijsstelling van Foundry is gebaseerd op verbruik en gekoppeld aan de specifieke services die je gebruikt. 00:13:43.580 --> 00:13:47.500 Elke connector, elke ophaalaanhoep, elke berichtmeter wordt gefactureerd aan je tenant. 00:13:47.700 --> 00:13:49.960 Elk onderdeel heeft zijn eigen facturatie model. 00:13:50.220 --> 00:13:57.560 Die flexibiliteit is mooi, maar als je niets gaat met de Asherprijs calculator en het verbruik niet bijhoudt, zal je financiële team verrast zijn door de rekening. 00:13:57.780 --> 00:13:59.080 Dat is de factuurvalstrik. 00:13:59.660 --> 00:14:02.480 Verbruiksprijzen werken als je plant, monitort en optimaliseert. 00:14:02.720 --> 00:14:07.180 Zo niet, dan lijkt het op een sportwagen gebruiken als pizza scooter, duur, lawaaierig en zinloos. 00:14:07.340 --> 00:14:11.220 We kennen dit allemaal van zaken als Powerbee, geweldige demo, torenhoge rekening. 00:14:11.220 --> 00:14:13.420 Laat Foundry je niet in dezelfde positie brengen. 00:14:13.680 --> 00:14:16.760 Ontwikkelaars prototypen graag in Foundry omdat de sandbox zo soepel aanvoelt. 00:14:16.920 --> 00:14:18.540 En in een sandbox is het inderdaad soepel. 00:14:18.740 --> 00:14:21.100 Schone demogegevens, geen rommel, direct resultaat. 00:14:21.260 --> 00:14:22.280 Maar dit is de doodsteek. 00:14:22.420 --> 00:14:25.400 Teams duwen dat prototype naar productie zonder evaluatiepijplijnen. 00:14:25.580 --> 00:14:30.320 Als je evaluatoren voor gefundeerdheid, vloeiendheid, relevantie en samenhang overslaat, werk je in het duister. 00:14:30.520 --> 00:14:31.420 En wat gebeurt er dan? 00:14:31.580 --> 00:14:35.000 Gebruikers zien de afwijking in de output, het vertrouwen daalt, het management snijdt in de financiering. 00:14:35.200 --> 00:14:38.080 Dit is geen falen van Foundry, dit is het falen van teams op het gebied van governance. 00:14:38.080 --> 00:14:41.240 Veel Foundry prototypes stranden om deze reden voor de productie. 00:14:41.380 --> 00:14:44.260 Geen observeerbaarheid, geen kwaliteitscontroles, geen telemetrie. 00:14:44.420 --> 00:14:45.980 Het antwoord zit gewoon in het platform. 00:14:46.240 --> 00:14:48.900 Gebruik Azure AI Foundry observeerbaarheid vanaf de eerste dag. 00:14:49.080 --> 00:14:50.140 Integreer prompt flows. 00:14:50.380 --> 00:14:52.520 Draai ingebouwde evaluatoren bij elke test. 00:14:52.760 --> 00:14:57.540 Fundeer je systeem met Azure Isearch via hybride zoekopdrachten en semantischere ranking voordat je überhaupt live gaat. 00:14:57.740 --> 00:15:01.080 Microsoft heeft deze tools niet weggestopt, ze zijn gedocumenteerd voor productieveiligheid. 00:15:01.780 --> 00:15:04.760 Maar al te vaak bladeren bouwers erlangs alsof het voetnoten zijn. 00:15:04.760 --> 00:15:07.880 Die checkpointmentaliteit is hoe je uit het mijneveld blijft. 00:15:08.040 --> 00:15:15.940 Behandel Foundry als een fabriek, met governance als eerste stap, compliancebeleid ingebakken zoals voorwaardelijke toegang en observeerbaarheidspijplijnen die vanaf het begin draaien. 00:15:16.080 --> 00:15:21.020 En ja, identiteitskoping en contentveiligheid moeten niet achteraf worden toegevoegd, ze horen in de materiaallijst. 00:15:21.200 --> 00:15:23.940 Sla governance over en je riskeert meer dan alleen slechte antwoorden. 00:15:24.220 --> 00:15:30.200 Zonder dat kan je multimodale bot, vrolijk hour, salarissen blootstellen aan externe gebruikers of facturen labelen met fictieve polisnummers. 00:15:30.200 --> 00:15:34.800 Dat is niet alleen kapotte AI, dat is voor voor de krantenkoppen dat je compliance afdeling hiervoor niet uitlegt. 00:15:34.980 --> 00:15:38.820 En daar verschuift de aandacht, want het volgende struikelblok is helemaal niet technisch. 00:15:39.000 --> 00:15:41.160 Het is de vraag of je AI verantwoordelijk is. 00:15:41.380 --> 00:15:48.380 Iedereen strooit graag met die woorden in een keynote slide, maar in de praktijk gaat het om audits, filters, compliance en de bergkeuzes die je voor de lancering maakt. 00:15:48.540 --> 00:15:50.400 En dat is waar de hoofdpijn pas echt begint. 00:15:50.400 --> 00:15:55.840 Abonneer je op de M365, show nieuwsbrief voor de directe oplossingen en volg ons op M365. 00:15:56.060 --> 00:16:01.400 Volg onze LinkedIn pagina voor livestreams met MVPs die Foundry in productie hebben getest en hebben gezien wat er misgaat. 00:16:01.640 --> 00:16:03.640 Verantwoorden AI of verantwoorden hoofdpijn. 00:16:03.860 --> 00:16:06.660 Iedereen laat verantwoorden AI graag vallen in een keynote. 00:16:06.900 --> 00:16:09.780 Het staat mooi naast modeworden als eerlijkheid en transparantie. 00:16:09.960 --> 00:16:12.380 Maar in de praktijk is het geen inspirerende filosofie. 00:16:12.380 --> 00:16:17.760 Het is configuratie, audits, filters en governance stappen die meer aanvoelen als serveronderhoud dan als innovatie. 00:16:17.760 --> 00:16:20.680 Voor antwoorden AI is de autogordel, niet de sportwagen. 00:16:20.900 --> 00:16:23.020 Sla het één keer over en de crash volgt snel. 00:16:23.340 --> 00:16:29.180 Microsoft praat vooraf over ethiek en beveiliging, maar voor beheerders die dit uitrollen, vertaalt het zich naar praktische vangrails. 00:16:29.380 --> 00:16:37.700 Je hebt toegangsbeleid nodig dat niet bezwijkt onder druk, filters die schadelijke prompts echt blokkeren en logboeken die gedetailleerd genoeg zijn voor een toezichthouder met cafeïne en een dagvaarding. 00:16:37.880 --> 00:16:39.280 Het is geen glamoureus werk. 00:16:39.280 --> 00:16:49.120 Het is het isoleren van ouder copilots van financiële gegevens, het instellen van scopingregels zodat 10 bots niet bij SharePoint geheimen komen en het labelen van LAX zodat je precies kunt bewijzen hoe een antwoord tot stand kwam. 00:16:49.320 --> 00:16:52.920 Doe dat goed en verantwoord is geen bedrijfslogan, het is overleving. 00:16:53.160 --> 00:16:58.300 De lelijke kant van dit overslaan, een bot direct aansluiten op je ouder repository zonder tenantscoping. 00:16:58.760 --> 00:17:01.400 Een gebruiker vraagt naar secundaire arbeidsvoorwaarden. 00:17:01.620 --> 00:17:05.220 De bot publiceert behulpzaam de salarisschalen van werknemers in de chat. 00:17:05.220 --> 00:17:10.100 Nu heb je een privacy schending, een morele nachtmerrie en mogelijk toezichthouders in je nek hijgen. 00:17:10.220 --> 00:17:14.100 De snelste manier om adoptie te doden is niet een slecht ux, maar één lek van gevoelige gegevens. 00:17:14.340 --> 00:17:15.620 Dus wat houdt die puinhoop buiten? 00:17:15.820 --> 00:17:17.520 Begin met Azure AI Content Safety. 00:17:17.760 --> 00:17:23.160 Het is gebouwd om gewelddadige, opzene en aanstootgevende prompts en antwoorden te filteren voordat ze bij gebruikers terechtkomen. 00:17:23.340 --> 00:17:24.200 Maar dat is de basis. 00:17:24.600 --> 00:17:29.140 Foundry en Copilot Studio voegen daar evaluatiepijplijnen aan toe die de volgende laag afhandelen. 00:17:29.360 --> 00:17:34.400 Controles op basis van feiten, relevantiescores, transparantie, dashboards en uitlegbaarheid. 00:17:34.400 --> 00:17:40.340 Eenvoudig gezegd, je kunt drempelwaarden aanpassen, zowel input als output filteren en bots dwingen hun bronnen te tonen. 00:17:40.520 --> 00:17:43.320 Zonder dat gooi je met dobbelstenen over wat de AI uitspugt. 00:17:43.420 --> 00:17:45.080 En dit is de realiteit van de middelen. 00:17:45.380 --> 00:17:46.940 Microsoft zet hier zwaar op in. 00:17:47.180 --> 00:17:53.180 34.000 full-time ingenieurs toegewezen aan beveiliging, plus 15.000 partners met diepgaande expertise. 00:17:53.620 --> 00:17:55.980 Dat is een fort, maar wordt niet te comfortabel. 00:17:55.980 --> 00:17:59.300 Geen van die ingenieurs zit in jouw tenant om je toegangsregels te bepalen. 00:17:59.540 --> 00:18:06.560 Microsoft geeft je de vangrails, maar het is nog steeds jouw taak om identiteiten te beveiligen, data isolatie in te stellen, versleuteling toe te passen en beleid te configureren. 00:18:06.740 --> 00:18:09.640 Als je scoping slordig is, ben jij nog steeds verantwoordelijk voor het lek. 00:18:09.800 --> 00:18:11.840 De echte oplossing is lifecycle governance. 00:18:12.160 --> 00:18:14.900 Zie het als het recept dat Microsoft zelf aanbeveelt. 00:18:15.080 --> 00:18:18.480 Testen, goedkeuren, releasen, all the ten, itereren. 00:18:18.720 --> 00:18:22.980 Met checkpoints in elke cyclus zie je afwijkingen voordat ze voorpaginanieuws worden. 00:18:23.160 --> 00:18:26.300 Teams die één keer releasen en daarna niet meer omkijken, gaan altijd de mist in. 00:18:26.300 --> 00:18:29.480 Modellen evolueren, prompts verschuiven en outputs dwalen af. 00:18:29.680 --> 00:18:31.540 Governance is geen bureaucratische rompslong. 00:18:31.720 --> 00:18:35.340 Het voorkomt dat een interne bot beleidsregels verzint intiemsterwijl iedereen slaapt. 00:18:35.540 --> 00:18:38.560 Sommige beheerders mopperen dat verantwoordelijk werken alleen maar trager is. 00:18:38.800 --> 00:18:39.940 Dat is de verkeerde kijk. 00:18:40.460 --> 00:18:41.840 Verantwoordelijkheid remt, snelheid niet. 00:18:42.020 --> 00:18:43.540 Het voorkomt dat snelheid jou remt. 00:18:43.700 --> 00:18:47.120 Goede governance betekent dat je audits overleeft en projecten draaiende houdt. 00:18:47.260 --> 00:18:49.000 Sla je dit over, dan spring je in het diepe. 00:18:49.240 --> 00:18:51.860 Snelheid zonder controle levert je slechts één soort record op. 00:18:51.940 --> 00:18:53.500 De kortste tijd tot een postmortem. 00:18:53.500 --> 00:18:55.780 Denk aan het rijden over haarspeldbochten in de bergen. 00:18:55.780 --> 00:18:59.080 Je vervloekt de vangrails niet, je bedankt ze als de weg 60 meter naar beneden stort. 00:18:59.420 --> 00:19:01.200 Verantwoorden AI is precies hetzelfde. 00:19:01.420 --> 00:19:05.500 Scopes, policies, filters en logs stoppen je snelheid niet, ze houden je uit het nieuws. 00:19:05.680 --> 00:19:08.780 Kortom, Microsoft heeft je serieuze krachtige tools gegeven. 00:19:08.980 --> 00:19:13.620 Content safety, evaluatie pipelines, beveiligingskaders, SDK guardrails. 00:19:13.860 --> 00:19:19.140 Maar het blijft jouw taak om tenants de scope open, toegang te configureren en die lussen in je productiecyclus op te nemen. 00:19:19.400 --> 00:19:22.980 Doe dat en je hebt AI die compliance overleeft in plaats van eraan bezwijkt. 00:19:22.980 --> 00:19:27.020 Negeer het en het is niet alleen een risico op uitval, maar je carrière staat op het spel. 00:19:27.480 --> 00:19:29.020 Verantwoorden AI is niet traag. 00:19:29.360 --> 00:19:30.580 Verantwoorden AI is houdbaar. 00:19:30.760 --> 00:19:38.280 En houdbaarheid is de echte test, want wat volgt gaat niet om functies, maar of je dit platform als plug-and-play behandelt of respecteert als infrastructuur waar governance voorop staat. 00:19:38.540 --> 00:19:41.300 Dat onderscheid bepaalt wie het volhoudt en wie opbrandt. 00:19:41.440 --> 00:19:42.360 Dit is de essentie. 00:19:42.360 --> 00:19:46.340 De Valkuil is niet Foundry of Copilot Studio, maar denken dat ze plug-and-play zijn. 00:19:46.520 --> 00:19:50.500 Het geheugensteuntje is simpel, governance eerst, experimenten daarna, productie als laatste. 00:19:50.760 --> 00:19:53.440 Identiteit en observabiliteit negeren is op eigen risico. 00:19:53.640 --> 00:19:57.040 De tools zijn er, maar alleen governance maakt van prototypes echte productie. 00:19:57.260 --> 00:20:03.160 Dus als je de harde oplossingen wilt die je tenant echt in de lucht houden, abonneer je dan op de podcast en laat een review achter. 00:20:03.400 --> 00:20:06.000 Ik steek hier dagelijks uren in en je steun helpt echt. 00:20:06.200 --> 00:20:08.660 Tools veranderen, overlevingstactieken blijven bestaan.