AI Builder è la capacità low-code di Power Platform che permette di aggiungere funzionalità di intelligenza artificiale a Power Apps e Power Automate senza scrivere codice né possedere competenze di data science. L’idea di fondo è democratizzare l’AI: chi crea un’app o un flusso trascina un componente AI, lo configura da interfaccia grafica e ottiene predizioni, estrazioni o classificazioni direttamente dentro il processo di business.
Come si usa AI Builder
AI Builder si integra nelle due modalità principali della piattaforma:
- In Power Apps aggiungi un AI Builder component (ad esempio il Text recognizer o il Business card reader) a una canvas app, così l’utente scatta una foto o carica un documento e l’app estrae i dati.
- In Power Automate inserisci un’azione AI Builder in un cloud flow per elaborare automaticamente ciò che arriva, ad esempio analizzare il testo di un’email o leggere una fattura ricevuta.
AI Builder richiede una licenza dedicata (a crediti o per app/utente) ed è governato tramite l’ambiente di Power Platform, quindi rientra nelle policy di data loss prevention e nel Microsoft Power Platform admin center.
Prebuilt models vs custom models
La distinzione chiave — molto amata dall’esame — è tra modelli prebuilt e custom.
Prebuilt models
I prebuilt models sono già addestrati da Microsoft e pronti all’uso: non servono dati di training, li usi immediatamente. Coprono scenari comuni:
- Text recognition (OCR) — estrae testo stampato o scritto da immagini e documenti.
- Sentiment analysis — classifica un testo come positivo, negativo o neutro.
- Key phrase extraction e language detection — individuano concetti chiave e riconoscono la lingua.
- Business card reader — estrae nome, azienda, telefono ed email da un biglietto da visita.
- Invoice processing e receipt processing — leggono fatture e ricevute estraendo campi come totale, data, fornitore, imponibile.
- ID reader e category classification su testo.
Sono la scelta giusta quando lo scenario è generico e standard: non devi insegnare nulla al modello.
Custom models
I custom models si addestrano con i tuoi dati, perché il caso d’uso è specifico dell’organizzazione. Esempi tipici:
- Custom document processing (form processing) — insegni al modello a leggere un modulo aziendale specifico (un ordine con layout proprietario).
- Custom prediction — prevedi un esito (ad esempio se un lead si convertirà) partendo da dati storici in Dataverse.
- Custom category classification ed entity extraction su testo di dominio.
- Custom object detection — riconosci prodotti o oggetti particolari nelle immagini.
I custom model richiedono di fornire esempi, etichettare i dati, addestrare e pubblicare il modello prima dell’uso.
Scenari pratici
- Estrazione dati da documenti: un flusso legge le fatture in arrivo via email con il modello invoice processing, ne estrae gli importi e crea automaticamente una riga in Dataverse o SharePoint. Nessun inserimento manuale.
- Automazione intelligente dei processi: le richieste di supporto vengono analizzate con sentiment analysis; quelle negative vengono instradate con priorità alta a un team dedicato.
- App da campo: un venditore fotografa un biglietto da visita e il business card reader popola i contatti nel CRM.
Da ricordare: AI Builder è nato in Power Platform, ma va inquadrato nell’ecosistema più ampio di Microsoft Copilot Studio e Azure AI Foundry per soluzioni AI più avanzate; per il livello fundamentals resta centrale il concetto low-code.
Trappole tipiche d’esame
- Scenario: devi estrarre importi e date da fatture standard senza addestrare nulla → risposta giusta: prebuilt invoice processing model, non un custom model.
- Scenario: i tuoi documenti hanno un layout aziendale unico e i prebuilt non li leggono bene → risposta giusta: custom document/form processing model, addestrato con i tuoi esempi.
- Scenario: vuoi capire se i commenti dei clienti sono positivi o negativi → risposta giusta: prebuilt sentiment analysis, non key phrase extraction.
- Scenario: vuoi aggiungere AI a un processo automatizzato che parte quando arriva un’email → risposta giusta: azione AI Builder in Power Automate, non un componente in Power Apps.
- Scenario: serve prevedere un esito (es. rischio abbandono) dai dati storici in Dataverse → risposta giusta: custom prediction model, perché richiede training sui tuoi dati.