Erken kalkan yol alir diye bosuna soylemiyorlar. Erken kalkmanin ozellikle yogun calisanlar icin bir cok avantaji var.
Bu 10 adim/ogut aslinda sadece erken kalkmak icin degil genele de uyarlanabilir, diyet programi ya da daha duzenli calismak icin de benzer adimlari uygulayabilirsiniz. Bu tarz 10 adimlik listeler halinde bir isi devam ettirmek sizin o isi daha verimli ilerletmenizi ve tutarli olmanizi saglayacaktir.
Iste size 10 adim:
1. Bir neden bulun 2. Gerceklestirebilir hedefler belirleyin 3. Ilerlemenizi takip edin 4. Kendinizi odullendirin 5. Zamanlamanin onemini farkedin 6. Uyuma gunlugu tutun 7. Haftasonlari da programa sadik kalin 8. Cok detayli bir sekilde sabahlarinizi programlayin 9. Yediklerinizi hazmetme zamani olusturun 10. Tutarli olun
Power Virtual Agent’a yeni başlayanlar için bilmek isteyeceklerileri bazı önemli bileşenleri paylaşmak için bu yazıyı yazmak istedim.
Bu blogda, Power Virtual Agent’ların nasıl tasarlandığına, temel özellik ve sınırlamalara ve yol haritasındaki bazı ayrıntılara ilişkin düşüncelerimi iletiyorum.
Power Platform Ailesi Power Platform ailesinin her bir üyesinin, temel Ortak Veri Hizmetinden (Common Data Servis) veriyi nasıl tasvir ettikleri açısından ayrı bir niteliği vardır. Bu farklı nitelik, iş çözümleri üretmeyi kullanışlı kılan şeydir.
Common Data Service, Power Platformu’nun temelini oluşturan sağlam teknik altyapıyı sağlar. Power Apps, herkesin çoğu işletmenin CDS’de aşina olduğu Web veya Uygulama kullanıcı arayüzü oluşturmasını sağlar. Power BI, bir rapor-kullanıcı arayüzü oluşturmasını sağlar Power automate, üç aile üyesi arasında yoğuşan bir akış üretme mekanizmasıdır.
Bot Framework
Çok güçlü ve gelişmiş bot geliştirmeyi mümkün kılan, kodsuz / düşük kod yaklaşımı ile kısıtlanmayan, ancak bot yapımının gücünü, esnekliğini ve sınırlarını zorlayan bir çerçeve oluşturmak isteyen bir ekip var. Ama büyük güçle, büyük sorumluluk gelir. Bu sorumluluk, bot framework ve ilgili tüm hizmetler, Azure ve dağıtım konusunda daha derin bilgi ile yetkin olması gereken geliştiricilerin görevlendirilmesi gerektiği anlamına gelir. Bu önemli kaynaklar gerekli çünkü pazara sunma süresi uzundur ve uygulama sonrası destek için bir takım geliştiriciler gerektirir.
Buna paralel olarak, Güç Platformu CDS tarafından desteklenen / düşük kod yaklaşımıyla kitle pazarında büyük bir hit haline geliyor.
Power Virtual Agent
Bu nedenle, düşük kod olgusuna öncelik veren Bot Framework’ün üzerine inşa edilmiş bir ürün tasarlanmıştır; tüm temel Bot Framework karmaşıklıklarını soyutlayan ancak hala gerçekten Bot Framework’ün özünü temsil eden bir yapı – Power Virtual Agent tanıtıldı. Aslında, bot çerçevesinin geçmişini yakından takip ettiyseniz, ilk çıktığındaki adı Müşteri Hizmetleri için Sanal Ajan özellik setini anlamak zor değildir.
Bot yapımını basitleştiren ve kapasiteyi gerçekten ana akıma getiren harika bir ürün. Ancak öyle bir utanç ki ilk lansmanında “Müşteri Hizmetleri” markasıyla segmentlere ayrıldı. “Müşteri Hizmetleri için VA“, yaygın olarak benimsenmesine yardımcı olmak için hak ettiği tanınmaya ihtiyaç duydu.
Öte yandan, Power Platform sofistike Common Data Service’e hemen hemen tüm Kullanıcı Arayüzlerini eklemek için olgunlaşmaya devam ediyor. “Müşteri hizmetleri” segmentasyonu kaldırılırsa ve Müşteri Hizmetleri için VA, CDS’nin tüm potansiyeliyle çalışmak üzere yükseltilirse ne olur? Bu şekilde Müşteri Hizmetleri için VA’ya aynı anda ihtiyaç duyduğu tanıma verilebilir, tıpkı ait olduğu yer gibi hissettirir. MS Ignite’de, “Müşteri Hizmetleri için Sanal Agent“, “Power Virtual Agent“ olarak yeniden adlandırıldı ve bu bot, Power Platform ailesindeki yerini aldı ve toplulukta ön plana çıktı.
Power Virtual Agent’ın kullanışlı arabirimi
Power Virtual Agent’ların Önemli Özellikleri
Power Virtual Agents, bir hizmet olarak yazılımdır (SaaS). Sadece birkaç tıklamayla kolayca kaydolmanıza, botunuzu oluşturmanıza ve web sitenize yerleştirmenize izin veren bir yapıdadır. Korunacak bir altyapı veya konuşlandırılacak karmaşık sistemler yoktur.
Şirketler yeni, sezgisel, kodsuz bir grafik arayüzü kullanarak hızlı ve kolay bir şekilde bot oluşturabilir ve AI uzmanlığı veya geliştirici ekiplerine olan ihtiyacı ortadan kaldırır.
Microsoft’un güçlü konuşma yapay zekası yetenekleri, son kullanıcılarınızın hızlı bir şekilde doğru çözüme yönlendirmelerini sağlayan zengin çok dönüşlü görüşmelere sahip olmalarını sağlamaktadır. Ve piyasadaki çoğu ürünün aksine, AI modellerini yeniden eğitmeye gerek yoktur. Sadece botun işlemesini istediğiniz konuya birkaç kısa örnek verdiğinizde, grafik düzenleyicimizi kullanarak konuşmayı oluşturur ve bundan sonra botunuz müşteri isteklerini ele almaya hazırdır. Test bölmesinde değişikliklerinizi gerçek zamanlı olarak bile deneyebilirsiniz!
Yapay Zeka uzmanı olmanıza gerek yok!
Kullanıcılarınızla sohbet edebilen botlar harikadır, ancak onların adına hareket edebilecek botlar daha da iyi değil mi? Power Virtual Agents ile, Power Automate kullanarak veya kolayca eklenebilir yüzlerce özel connector hizmetler ve arka uç sistemleriyle kolayca entegre edebilirsiniz. Bu, yalnızca kullanıcıya yanıt vermekle kalmayıp aynı zamanda onların adına işlem yapan bir bot oluşturmayı kolaylaştırır.
Bot performansını her zaman izleyin ve iyileştirin. Power Virtual Agents, güçlü metrikler ve yapay zeka odaklı gösterge tabloları kullanarak botlarınızın nasıl performans gösterdiğini takip etmenizi sağlar. Hangi konuların iyi performans gösterdiğini ve botun nerede gelişebileceğini kolayca görün ve performansı artırmak için hızlı bir şekilde ayarlamalar yapmanıza olanak tanır.
Bot Performansını analiz ekranı
Power Virtual Agents, müşteri hizmetleri işlemlerinizin bütünsel bir görünümünü sağlamak için Dynamics 365 Müşteri Hizmet Trendleri ile birlikte çalışır. Hangi konuların destek kaynaklarını tercih ettiğini veya destek kaynaklarını tükettiğini belirlemek için Müşteri Hizmet Trendleri ve Power Virtual Agent’ları birlikte kullanabilir ve bunları kolayca otomatikleştirebilirsiniz.
Machine Learning for Everyone makina ogrenmesinin temellerine inen ve konuyu basitçe anlatan güzel bir e-kitap.
Machine Learning for Everyone is a good ebook that goes to the basics of machine learning and simply tells the subject.
Classical machine learning is often divided into two categories – Supervised and Unsupervised Learning.
In the first case, the machine has a “supervisor” or a “teacher” who gives the machine all the answers, like whether it’s a cat in the picture or a dog. The teacher has already divided (labeled) the data into cats and dogs, and the machine is using these examples to learn. One by one. Dog by cat. Unsupervised learning means the machine is left on its own with a pile of animal photos and a task to find out who’s who. Data is not labeled, there’s no teacher, the machine is trying to find any patterns on its own. We’ll talk about these methods below. Clearly, the machine will learn faster with a teacher, so it’s more commonly used in real-life tasks. There are two types of such tasks: classification – an object’s category prediction, and regression – prediction of a specific point on a numeric axis.
Machine Learning use cases in Google, Facebook, Amazon, Microsoft, Kaggle, General Electric, and Cornerstone…
Big Data is a big thing and this case study collection will give you a good overview of how some companies really leverage big data to drive business performance.
They range from industry giants like Google, Amazon, Facebook, GE, and Microsoft, to smaller businesses which have put big data at the centre of their business model, like Kaggle and Cornerstone.
This case study collection is based on articles published by Bernard Marr on his LinkedIn Influencer blog.
Makine ogrenmesi konusunda teknik stratejileri anlatan 100 sayfalik bir kitap…
A 100-page book describing technical strategies for machine learning …
Machine learning is the foundation of countless important applications, including web search, email anti-spam, speech recognition, product recommendations, and more. I assume that you or your team is working on a machine learning application, and that you want to make rapid progress. This book will help you do so.
Example: Building a cat picture startup Say you’re building a startup that will provide an endless stream of cat pictures to cat lovers.
You use a neural network to build a computer vision system for detecting cats in pictures. But tragically, your learning algorithm’s accuracy is not yet good enough. You are under tremendous pressure to improve your cat detector. What do you do? Your team has a lot of ideas, such as: • Get more data: Collect more pictures of cats. • Collect a more diverse training set. For example, pictures of cats in unusual positions; cats with unusual coloration; pictures shot with a variety of camera settings; …. • Train the algorithm longer, by running more gradient descent iterations. • Try a bigger neural network, with more layers/hidden units/parameters. • Try a smaller neural network. • Try adding regularization (such as L2 regularization). • Change the neural network architecture (activation function, number of hidden units, etc.) • … If you choose well among these possible directions, you’ll build the leading cat picture platform, and lead your company to success. If you choose poorly, you might waste months. How do you proceed? This book will tell you how. Most machine learning problems leave clues that tell you what’s useful to try, and what’s not useful
