- 1

Creación de agentes conversacionales con Copilot Studio
01:40 - 2

Fundamentos de inteligencia artificial para crear agentes con Copilot
13:44 - 3

Arquitectura y personalización de agentes Copilot en Microsoft 365
09:54 - 4

Copilot Studio como herramienta de automatización empresarial
12:32 - 5

Estructura efectiva de prompts para Microsoft Copilot Studio
09:22 - 6

Agentes declarativos con SharePoint y Microsoft Teams
09:07 - 7

Agent Builder en Microsoft 365 Copilot para empresas
08:55 quiz de Fundamentos de la Inteligencia Artificial y Copilot Studio
Arquitectura y personalización de agentes Copilot en Microsoft 365
Clase 3 de 17 • Curso Gratis para Crear Agentes de AI con Copilot Studio
Contenido del curso
- 8

Arquitectura y configuración de agentes en Copilot Studio
10:42 - 9

Seguridad de datos y protección Zero Trust para agentes de IA
13:32 - 10

Configuración de temas y flujos conversacionales en Copilot Studio
11:20 - 11

Prueba y depuración de flujos en agentes conversacionales
08:46 - 12

Creación de tarjetas adaptativas en Copilot Studio
10:22 - 13

Orquestación de herramientas con IA en Copilot Studio
11:39 quiz de Conectividad e Inteligencia
Comprende, paso a paso, cómo opera Copilot dentro de Microsoft 365: del tenant y Microsoft Graph al uso de Bing, conectores empresariales y controles de seguridad. Descubre cómo se personaliza con índice semántico, RAG, prompt del sistema, ingeniería de prompting y fine tuning para reducir alucinaciones y crear soluciones a medida.
¿Cómo opera Copilot en un tenant de Microsoft 365?
Copilot funciona como orquestador: recibe el prompt, reúne contexto empresarial y web, lo envía al modelo de IA, aplica IA responsable, y devuelve una respuesta segura a tus aplicaciones. Todo ocurre dentro del tenant de Microsoft 365, con controles de acceso y protección de datos.
¿Qué es el tenant y por qué importa?
- Entorno empresarial con Teams, OneDrive, SharePoint y correo. Almacena y asegura datos.
- Permite acceder y proteger información con políticas de privacidad, cumplimiento, prevención de pérdida de datos y encripción.
¿Qué papel tienen Microsoft Graph y Security Graph?
- Microsoft Graph complementa el prompt con correos, archivos y reuniones relevantes.
- El modelo de IA procesa la solicitud con controles de IA responsable para bloquear contenidos no éticos.
- La respuesta vuelve a Microsoft Graph. Microsoft Security Graph verifica protección: permisos, cifrado y resguardo.
- El resultado llega al usuario en un agente o aplicación, ya protegido.
¿Cómo intervienen Bing y conectores empresariales?
- Bing aporta contexto externo: búsqueda e indexación de la web.
- Conectores a sistemas internos: bases de datos, sistemas de la organización, database o Fabric para administración y almacenamiento de datos.
- Todo ese contexto viaja al tenant y se integra antes de consultar el modelo.
¿Cómo se personaliza el agente con datos y controles?
La personalización usa los datos del Microsoft Graph y conectores para dar contexto, sin entrenar el modelo con datos del cliente. Copilot toma contexto, la IA genera la respuesta y el contenido se resguarda de forma segura en el tenant.
- Ventajas: mayor fiabilidad, menos alucinaciones, más eficiencia y soluciones a la medida.
¿Qué es el índice semántico y en qué supera a la búsqueda léxica?
- La búsqueda léxica encuentra coincidencias de palabras y puede equivocarse si hay errores.
- El índice semántico vectoriza el contenido y entiende conceptos como “Project Melbourne Shiproom”.
- Corrige ortografía, identifica documentos relevantes, muestra expertos relacionados y sugiere preguntas con respuestas útiles.
¿Qué es RAG y qué contexto agrega?
- RAG (Retrieval Augmented Generation) combina el prompt del usuario con contexto adicional.
- Integra datos del Microsoft Graph, resultados de Bing, otros sistemas y Dataverse.
- Suma el historial del chat y el prompt del sistema para coherencia y tono adecuados.
¿Qué aporta el prompt del sistema y el historial del chat?
- El prompt del sistema es el “inconsciente del agente”: define formalidad, vocabulario y restricciones (por ejemplo, no hablar de la competencia).
- El historial del chat mantiene el contexto de lo conversado para respuestas consistentes.
¿Qué técnicas de ajuste existen para casos específicos?
Existen varios niveles de personalización según el objetivo: desde ingeniería de prompting y RAG, hasta fine tuning y, como última opción, reentrenamiento para tareas muy particulares.
¿Cuándo usar prompt engineering?
- Para orientar la respuesta con instrucciones claras.
- Para mejorar precisión y formato deseado.
- Para controlar tono, pasos y criterios de evaluación.
¿Cuándo aplicar fine tuning o reentrenamiento?
- Fine tuning: entrenar una pequeña parte del modelo para ampliar su contexto con patrones propios.
- Reentrenamiento: cuando se requiere un modelo muy específico para una tarea particular.
¿Cómo conectar esto con un proyecto de hotel?
- Identifica casos de uso y problemas de un hotel con lo aprendido.
- Redacta un primer documento con necesidades: atención al cliente, operación, documentación y comunicaciones.
- Prototipa agentes con Copilot Studio apoyados en RAG, índice semántico y prompts bien diseñados.
¿Qué casos de uso ves para un hotel con estos enfoques? Comparte tus ideas y preguntas para profundizar juntos en las soluciones con Copilot Studio.