Brug forudsigelseshandling i Power Automate

Du kan bruge dedikerede handlinger for hver AI Builder model i Power Automate. Handlingen predict gør det dog muligt at bruge mange AI Builder modeltyper.

Bruge en brugerdefineret eller færdigbygget model

  1. Log på Power Automate.

  2. Vælg Mine flows i venstre rude, og vælg derefter Nyt flow>Øjeblikkeligt cloudflow i navigationsruden til venstre.

  3. Navngiv dit cloudflow.

  4. Vælg Udløs et flow manuelt under Vælg, hvordan du vil udløse dette flow, og vælg derefter Opret.

  5. Vælg + Nyt trin, og angiv derefter Forudsig i søgelinjen.

  6. Vælg Prøve fra AI Builder eller Forudsig ved hjælp af AI Builder modeller fra Microsoft Dataverse. Begge handlinger giver de samme funktioner.

    Skærmbillede af handlingen Forudsigelse.

  7. Vælg en Model, du har oprettet, i inputtet Model, eller vælg en forudbygget model.

Bemærkning

Få mere at vide om input- og outputparametrene for hver model i følgende afsnit i AI Builder i Power Automate oversigt:

Bruge et dynamisk model-id (avanceret)

I nogle komplekse use cases skal du muligvis sende et model-id dynamisk til forudsigelseshandlingen. Hvis du f.eks. vil behandle forskellige typer fakturaer ved hjælp af forskellige modeller, kan det være en god ide automatisk at vælge en model, afhængigt af fakturatypen.

I dette afsnit får du mere at vide om, hvordan du konfigurerer AI Builder forudsige handlingen til dette specifikke formål, afhængigt af modeltypen.

  1. Log på Power Automate.

  2. Vælg Mine flows i venstre rude, og vælg derefter Nyt flow>Øjeblikkeligt cloudflow.

  3. Navngiv dit cloudflow, vælg Udløs et flow manuelt under Vælg, hvordan du vil udløse dette flow, og vælg derefter Opret.

  4. Vælg + Nyt trin.

  5. Angiv Initialiser variabel i søgelinjen, og vælg den derefter under fanen Handlinger.

  6. Angiv model-id i inputtet Navn, Streng i inputtet Type og det faktiske model-id i inputtet Værdi.

    Du kan finde model-id'et i URL-adressen til modellens detaljeside i Power Apps: make.powerapps.com/environment/[miljø-id]/aibuilder/models/[model-id]

  7. Vælg + Nyt trin, søg efter predict, og vælg derefter Predict fra AI Builder.

  8. Vælg inputtet >Angiv brugerdefineret værdi, og angiv derefter model-id fra trin 6.

    Værdien af kolonnen Udled anmodning afhænger af modeltypen.

Bemærkning

Det dynamiske model-id understøttes kun til dokumentbehandling. det understøttes ikke for prompts.

Dokumentbehandlingsmodel

  1. I trinnet Udløs et flow manuelt skal du tilføje et Fil-input og angive navnet til Filindhold.

  2. I trinnet Udløs et flow manuelt skal du tilføje et Tekst-input og angive navnet til MIME-type.

  3. Angiv et model-id for dokumentbehandling i trinnet Initialiser variabel.

  4. Angiv følgende værdi i kolonnen Udled anmodning i trinnet Forudsig:

    {
    "version": "2.0",
    "requestv2": {
    "@@odata.type": "Microsoft.Dynamics.CRM.expando",
    "mimeType": "@{triggerBody()['text']}",
    "base64Encoded": "@{string(triggerBody()?['file']?['contentBytes'])}",
    "pages": "@{base64('1-2')}"
    }
}

    pages-parameteren er valgfri og kan være i formatet "2" eller et interval som "1-10".

    Skærmbillede af Forudsigelseshandling med dynamisk model-id.

  5. Vælg Gem, og vælg derefter Test i øverste højre hjørne for at afprøve dit cloudflow:

    Skærmbillede fra test af forudsigelseshandlingen.

  6. I detaljerne for kørsel af cloudflow skal du hente JSON-modeloutputtet i sektionen OUTPUT for forudsigelseshandlingen. Dette output er nyttig til at opbygge downstreamhandlinger ved hjælp af modelværdierne.

    Skærmbillede af, hvordan du får output fra kørselsresultater.

  7. Gå tilbage til dit cloudflow i redigeringstilstand.

  8. Vælg + Nyt trin, og vælg handlingen Opret (eller en hvilken som helst anden handling for at behandle dit modeloutput). Lad os sige, at modeloutputtet indeholder kolonnen Total. Du kan hente den ved hjælp af følgende formel:

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

    Skærmbillede ved brug af det forudsagte output.

Objektregistreringsmodel

Denne proces svarer til den forespørgsel, der blev anmodet om i trin 4 i afsnittet dokumentbehandlingsmodel:

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

Model til kategoriklassificering

Denne proces svarer til den forespørgsel, der blev anmodet om i trin 4 i afsnittet dokumentbehandlingsmodel:

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