AI Builder: modelli prebuilt e custom

AI Builder nel contesto Power Platform

AI Builder è la capability low-code che porta l’intelligenza artificiale dentro Power Apps e Power Automate senza scrivere codice. Come functional consultant il tuo compito non è addestrare reti neurali, ma scegliere il modello giusto per lo scenario e capire dove consumarlo, con quali licenze e con quali prerequisiti. La prima distinzione fondamentale, ricorrente all’esame, è quella tra prebuilt model e custom model.

Prebuilt model: pronti all’uso

I prebuilt model sono già addestrati da Microsoft, non richiedono dataset né training e si usano immediatamente. Sono ideali quando lo scenario ricade in un caso d’uso generico. I principali:

• Text recognition (OCR): estrae testo stampato o scritto da immagini e PDF.
• Category classification: classifica testo in categorie predefinite (es. instradare ticket).
• Sentiment analysis: rileva sentiment positivo/negativo/neutro a livello di documento o frase.
• Key phrase extraction: individua i concetti salienti di un testo.
• Language detection, entity extraction, business card reader.
• Document / invoice / receipt / identity document processing: modelli specializzati che leggono strutture note (fatture, ricevute, documenti d’identità) restituendo campi tipizzati come totale, data, fornitore, numero fattura.

Nota architetturale importante: invoice e receipt processing sono prebuilt perché Microsoft ha già addestrato il modello sul formato tipico. Ma se devi estrarre campi da un documento aziendale con layout proprietario (un tuo modulo, un contratto specifico), il prebuilt non basta: serve un custom document processing model.

Custom model: addestrati da te

I custom model si costruiscono quando lo scenario è specifico dell’organizzazione. AI Builder ne offre diversi tipi:

• Category classification (custom) e entity extraction (custom) su categorie/entità tue.
• Object detection: riconosce oggetti/prodotti in immagini a partire da esempi caricati.
• Prediction: modello binario che stima esiti (es. probabilità che un lead converta) partendo da dati storici in Dataverse.
• Document processing (custom): estrae campi e tabelle da form con layout tuo.

Il ciclo di vita è sempre: connetti/carica i dati → tagghi o mappi → train → valuti le performance → publish. Solo dopo la pubblicazione il modello è invocabile in produzione.

Come consumare un modello

In una canvas app aggiungi il componente AI Builder o richiami la funzione del modello. Esempio concettuale con un prebuilt di sentiment:

Set(varSentiment, 'Sentiment analysis'.Predict(TextInput1.Text))

In un cloud flow di Power Automate usi le azioni del connettore AI Builder (es. “Predict”, “Extract information from invoices”, “Recognize text in an image”), tipicamente innescate da un trigger come l’arrivo di un’email con allegato o di un file in SharePoint. È lo scenario più comune: automatizzare l’elaborazione documentale end-to-end.

Licensing e AI Builder credits

AI Builder è a consumo tramite AI Builder credits. Punti chiave d’esame:

• I credit si acquistano in pacchetti (capacity add-on) e si allocano a un environment dall’admin center.
• Alcuni piani Power Apps / Power Automate premium includono una quota di credit mensili, ma spesso vanno sommati o comprati a parte per volumi reali.
• I prebuilt consumano credit a ogni chiamata; i custom ne consumano sia in training sia in inference.
• AI Builder richiede un environment con database Dataverse: senza Dataverse i modelli non si creano né si pubblicano.

Trappole tipiche d’esame

• Scenario: devi estrarre campi da un modulo interno con layout proprietario → risposta giusta: custom document processing model, non il prebuilt invoice/receipt (quelli valgono solo per formati standard).
• Scenario: un custom model è stato addestrato ma il flow non lo trova / non produce risultati → causa quasi sempre che non è stato pubblicato (train ≠ publish); vanno anche verificati dataset adeguato e performance accettabili prima di andare in produzione.
• Scenario: serve solo capire se le recensioni sono positive o negative → prebuilt sentiment analysis, nessun training richiesto; scegliere un custom sarebbe over-engineering.
• Scenario: gli utenti creano modelli AI Builder ma ricevono errori di capacità/creazione → mancano gli AI Builder credits allocati all’environment oppure l’environment è senza Dataverse.
• Scenario: elaborazione documentale automatica all’arrivo di un’email → si consuma il modello in un cloud flow con connettore AI Builder; la canvas app serve per l’interazione utente in tempo reale, non per l’automazione batch.