Prediktív művelet használata a Power Automate szolgáltatásban

Az egyes AI Builder modellekhez dedikált műveleteket használhat Power Automate. Az előrejelzési művelet azonban számos AI Builder modelltípus használatát teszi lehetővé.

Egyéni vagy előre elkészített modell használata

1. Jelentkezzen be Power Automate.

2. Válassza a Saját folyamatok lehetőséget a bal oldali ablaktáblában, majd válassza az Új folyamat azonnali felhőfolyamat lehetőséget >.

3. Nevezze el a folyamatot, válassza a Folyamat manuális aktiválása lehetőséget a Válassza ki, hogyan indítsa el ezt a folyamatot alatt, majd válassza aLétrehozás lehetőséget.

4. Válassza a + Új lépés lehetőséget, majd írja be a predictkifejezést a keresősávba.

5. Válassza az Előrejelzés innen vagy az Előrejelzés modellek használatával AI Builder lehetőséget . AI Builder Microsoft Dataverse Mindkét művelet ugyanazokat a funkciókat kínálja.

   

6. A Modell bemeneten válasszon ki egy létrehozott egyéni modellt, vagy válasszon ki egy előre összeállított modellt. Itt található a rendelkezésre álló, előre felépített modellek listája:

   • Névjegykártya-olvasó: BusinessCard modell
   • Kategóriabesorolás (előre felépített): Kategória/Osztályozási modell
   • Entitáskinyerés (előre felépített): EntityExtraction modell
   • Kulcsszókeresés: KeyPhraseExtraction modell
   • Nyelvfelismerés: LanguageDetection modell
   • Hangulatelemzés: SentimentAnalysis modell
   • Szövegfelismerés: TextRecognition modell
   • Szöveggenerálás (előre összeállított): GptPromptEngineering modell

Feljegyzés

Ha többet szeretne megtudni az egyes modellek bemeneti és kimeneti paramétereiről, olvassa el a következő dokumentációs szakaszban szereplő, a kiválasztott modell használatára vonatkozó dokumentációt:

• Egyéni AI Builder-modell használata a Power Automate szolgáltatásban
• Előre felépített AI Builder-modell használata a Power Automate szolgáltatásban

Dinamikus modellazonosító használata (haladó)

Néhány összetett használati eset esetében előfordulhat, hogy a modellazonosítót dinamikusan kell átadni az előrejelzés művelethez. Ha például különböző típusú számlákat szeretne feldolgozni különböző modellekkel, akkor előfordulhat, hogy a számla típusától függően automatikusan szeretne kiválasztani egy modellt.

Ebben a szakaszban elmagyarázzuk, hogyan konfigurálhatja az előrejelzési műveletet erre az AI Builder adott célra a modell típusától függően.

1. Jelentkezzen be Power Automate.

2. Válassza a Saját folyamatok lehetőséget a bal oldali ablaktáblában, majd válassza az Új folyamat azonnali felhőfolyamat lehetőséget >.

3. Nevezze el a folyamatot, válassza a Folyamat manuális aktiválása lehetőséget a Válassza ki, hogyan indítsa el ezt a folyamatot alatt, majd válassza aLétrehozás lehetőséget.

4. Válassza a + Új lépés lehetőséget.

5. Írja be a Változó inicializálása kifejezést a keresősávba, majd válassza ki a Műveletek lapon.

6. Adja meg a modellazonosítót a Name input,String (Típus ) bemenetben, a String értéket pedig az Érték bemenetben.

   A modellazonosító a modell részletes oldalának Power Apps URL-címében található: make.powerapps.com/environment/[környezet azonosítója]/aibuilder/models/[modellazonosító]

7. Válassza az + Új lépés lehetőséget, keressen rá az előrejelzés kifejezésre, majd válassza az előrejelzés innen lehetőséget AI Builder.

8. Válassza az Egyéni érték megadása bemenetet >, majd adja mega modellazonosítót a 6. lépésben.

   A Kikövetkeztetési kérelem oszlop értéke a modell típusától függ.

Dokumentumfeldolgozási modell

1. A folyamat manuális aktiválása lépésben adjon hozzá egy fájlbemenetet, és állítsa a nevét Fájl tartalma névre .

2. A Folyamat manuális aktiválása lépésben adjon hozzá egyszövegbevitelt , és állítsa a nevét Mime-típusra.

3. A Változó inicializálása lépésbenadjon meg egy dokumentumfeldolgozási modell azonosítóját.

4. Az Előrejelzés lépésbenadja meg a következő értéket a Kikövetkeztetési kérelem oszlopban:

   {
       "version": "2.0",
       "requestv2": {
       "@@odata.type": "Microsoft.Dynamics.CRM.expando",
       "mimeType": "@{triggerBody()['text']}",
       "base64Encoded": "@{string(triggerBody()?['file']?['contentBytes'])}",
       "pageRange": "1"
       }
   }
   

   

5. Válassza a Mentés lehetőséget a jobb felső sarokban, majd válassza a Teszt lehetőséget a folyamat kipróbálásához:

   

6. A folyamat futtatásának részletei között szerezze be a modell JSON-kimenetét az előrejelzési művelet KIMENETEK szakaszában. Ez a kimenet hasznos a későbbi műveletek kiépítésében a modell értékeinek felhasználásával.

   

7. Térjen vissza a folyamatához a szerkesztőmódban.

8. Válassza az + Új lépést , és válassza az Összeállítás műveletet (vagy bármely más műveletet a modell kimenetének feldolgozásához). Tegyük fel, hogy a modell kimenete tartalmazza az Összesen oszlopot. A következő képlettel kérheti le:

   @{outputs('Predict')?['body/responsev2/predictionOutput/labels/Total/value']}
   

   

Objektumészlelési modell

Ez a folyamat hasonló a Dokumentumfeldolgozási modell szakasz 4. lépésében található következtetési kérelemhez :

{
    "version": "2.0",
    "requestv2": {
        "@@odata.type": "Microsoft.Dynamics.CRM.expando",
        "base64Encoded": "@{string(triggerBody()?['file']?['contentBytes'])}"
    }
}

Kategória-besorolási modell

Ez a folyamat hasonló a Dokumentumfeldolgozási modell szakasz 4. lépésében található következtetési kérelemhez :

{
    "version": "2.0",
    "requestv2": {
        "@@odata.type": "Microsoft.Dynamics.CRM.expando",
        "language": "Detect automatically",
        "text": "The text to categorize"
    }
}