LLM Prompts

Genel Bakış

LLM Prompts hesaplayıcısı, Büyük Dil Modelleri (LLM) tarafından kullanılabilecek kapsamlı ve yapay zeka hazır süreç madenciliği verilerinizin özetlerini oluşturur. Bu hesaplayıcı, mindzieStudio ile yapay zeka chatbot sistemleri arasında veri köprüsü görevi görür ve mindzie Copilot gibi özellikleri besler.

ÖNEMLİ: Bu, yalnızca yöneticilere yönelik olan ve yapay zeka entegrasyonu ile chatbot işlevselliği için tasarlanmış bir hesaplayıcıdır. Yapay zeka asistanları tarafından kullanılmak üzere süreç istatistikleri, aktivite kalıpları ve performans ölçümlerini içeren yapılandırılmış istemler oluşturur. Normal kullanıcılar, yapay zeka özelliklerini doğrudan bu hesaplayıcıyı kullanmak yerine mindzie Copilot arayüzü üzerinden kullanır.

Bu hesaplayıcı, beş gizlilik seviyesi aracılığıyla verilerin paylaşımını akıllıca kontrol eder; böylece dış LLM hizmetleri ile hangi bilgilerin paylaşıldığı üzerinde tam kontrol sağlarken süreç verilerinizin doğal dil analizini mümkün kılar.

Yaygın Kullanımlar

Sürecinizle ilgili doğal dil sorularını yanıtlayan yapay zeka chatbot asistanlarını desteklemek
Kullanıcıların "Hangi aktivite en çok gecikmeye neden oluyor?" gibi sorular sormalarına ve yapay zekadan üretilen analizleri almalarına imkan vermek
Büyük Dil Modellerine otomatik süreç analizi ve öneriler için bağlam sağlamak
Yapay zeka tüketimi ve yorumlama için optimize edilmiş kapsamlı veri seti özetleri oluşturmak
Hangi süreç verilerinin dış LLM servisleri ile paylaşıldığını sınırlandırarak gizliliği kontrol etmek
Yerinde (on-premise) ve bulut tabanlı AI servisleri için farklı güven düzeylerini desteklemek

Ayarlar

Data Level: LLM ile ne kadar süreç verisinin paylaşılacağını kontrol eder. Birincil gizlilik kontrolüdür.

Seviye 0 (Kapalı) - Yapay zeka özelliklerini tamamen devre dışı bırakır. LLM servisleriyle hiçbir veri paylaşılmaz.
Seviye 1 (Veri Yok) - Yapay zeka genel süreç madenciliği sorularını yanıtlayabilir ancak veri setinize erişimi yoktur.
Seviye 2 (Aktivite ve Öznitelik İsimleri) - Sadece sütun isimlerini ve veri türlerini paylaşır. Yapay zeka veri setinizin yapısını anlar ancak değerleri bilmez.
Seviye 3 (Aktiviteler, Öznitelikler ve Hesaplanmış Değerler) - Süreler ve sıklıklar gibi toplu istatistikleri paylaşır. Ham vaka verileri yoktur.
Seviye 4 (Tüm Veriler) - Tüm hesaplanmış ölçümleri içeren tam istatistiksel profil. Maksimum yapay zeka yeteneği. Not: Hiçbir seviyede ham vaka kayıtları paylaşılmaz.

Include Activities and Attributes: Etkinleştirildiğinde, vaka sayıları ve yüzdeleri ile aktivite isimleri ve ayrıca veri tipleri ile vaka ve olay özniteliklerinin tam listelerini paylaşır. Bu, veri seviyeleri 2, 3 ve 4’te aktiftir. Yapay zekanın süreçte hangi aktiviteler ve özniteliklerin olduğunu anlamasına yardımcı olur.

Include Attribute Breakdown: Etkinleştirildiğinde, kategorik öznitelikler için değer dağılımlarını detaylandırır; her değer için sayılar ve yüzdeler gösterir. Veri seviyeleri 3 ve 4’te aktiftir. 100’den fazla kategoriye sahip öznitelikler aşırı detay ile yapay zekayı bunaltmamak için otomatik atlanır.

Include Time Between Activities: Etkinleştirildiğinde, aktiviteler arası performans verilerini – aktiviteler arası süre, vaka sayıları, yüzdeler ve ortalama süreler dahil – paylaşır. En iyi 100 aktivite çifti ile sınırlıdır. Veri seviyeleri 3 ve 4’te aktiftir. Bu, yapay zekanın sürecinizdeki darboğazları ve gecikmeleri tanımasına yardımcı olur.

Include Duration Histogram: Etkinleştirildiğinde, vakaların süre dağılımını gruplandırılmış olarak sunar. Veri seviyeleri 3 ve 4’te aktiftir. Yapay zekanın tipik ve aykırı vaka sürelerini anlamasına katkıda bulunur.

Include Dataset Information: Etkinleştirildiğinde, başlangıç ve bitiş zamanları, vaka ve olay sayıları, süre istatistikleri ve öznitelik sayıları gibi genel veri seti istatistiklerini paylaşır. Veri seviyeleri 3 ve 4’te aktiftir. Yapay zekaya veri setinizin kapsamı ve karakteristikleri hakkında üst düzey bir görünüm verir.

Include Start and End Frequencies: Etkinleştirildiğinde, vakaların hangi aktivitelerle başladığını ve bittiğini, yüzde oranları ile birlikte gösterir. Veri seviyeleri 3 ve 4’te aktiftir. Yapay zekanın süreç giriş ve çıkış noktalarını anlamasına ve yaygın başlangıç ve bitiş kalıplarını tanımlamasına yardımcı olur.

Include Resource Frequency: Etkinleştirildiğinde, her kaynak için vaka yüzdelerini sağlar; en iyi 100 kaynakla sınırlıdır. Veri seviyeleri 3 ve 4’te aktiftir. Verinizde bir Resource sütunu varsa dahil edilir. Yapay zekanın iş yükü dağılımını ve olası kaynak darboğazlarını tanımasına yardımcı olur.

Include Variant Information: Etkinleştirildiğinde, varyant dizileri, vaka yüzdeleri ve her varyant için ortalama süreler gibi süreç varyant istatistiklerini sağlar. En iyi 100 varyantla sınırlıdır. Veri seviyeleri 3 ve 4’te aktiftir. Yapay zekanın en yaygın süreç yollarını ve bunların göreceli performansını anlamasını sağlar.

Prefix Text: Oluşturulan istemin başına eklenebilen isteğe bağlı metin. Ana veri bölümlerinden önce özel bağlam veya talimat eklemek için kullanılabilir. Şu anda kaydedilir ancak ana hesaplamada aktif olarak kullanılmaz.

Postfix Text: Oluşturulan istemin sonuna eklenebilen isteğe bağlı metin. Ana veri bölümlerinden sonra özel bağlam veya talimat eklemek için kullanılabilir. Şu anda kaydedilir ancak ana hesaplamada aktif olarak kullanılmaz.

Örnekler

Örnek 1: Yapay Zeka Destekli Süreç Analizini Etkinleştirme

Senaryo: mindzie Copilot yapay zeka asistanının siparişten nakde süreçle ilgili doğal dil sorularını yanıtlamasını istiyorsunuz. LLM hizmet sağlayıcısına güveniyorsunuz ve AI'nın analitik yeteneklerini maksimize etmek için kapsamlı süreç istatistiklerini paylaşmak istiyorsunuz.

Ayarlar:

Data Level: Seviye 4 (Tüm Veriler)
Include Activities and Attributes: Etkin
Include Attribute Breakdown: Etkin
Include Time Between Activities: Etkin
Include Duration Histogram: Etkin
Include Dataset Information: Etkin
Include Start and End Frequencies: Etkin
Include Resource Frequency: Etkin
Include Variant Information: Etkin

Çıktı:

Hesaplayıcı şu kapsamlı istemi oluşturur:

Veri Seti Bilgisi:

1 Ekim - 31 Aralık 2024 arasında 2,456 vaka
Ortalama vaka süresi: 8.5 gün
18 benzersiz aktivite
15 vaka özniteliği ve 12 olay özniteliği

Aktivite İstatistikleri:

Sipariş Oluşturma: vakaların %100’ü
Stok Kontrolü: vakaların %98’i
Sevkiyat: vakaların %95’i
Fatura: vakaların %94’ü
Ödeme: vakaların %89’u

Aktiviteler Arası Süreler (gecikmeler gösteriliyor):

Faturadan Ödemeye: Ortalama 4.2 gün
Stok Kontrolünden Sevkiyata: Ortalama 3.1 gün
Sipariş Oluşturmadan Stok Kontrolüne: Ortalama 1.8 gün

Varyant Analizi:

En yaygın varyant (%32): Sipariş Oluştur, Stok Kontrolü, Sevkiyat, Fatura, Ödeme - ortalama 3.2 gün
İkinci varyant (%28): Sipariş Oluştur, Stok Kontrolü, Backorder, Sevkiyat, Fatura, Ödeme - ortalama 8.5 gün

Kaynak Dağılımı:

Sipariş İşlem Ekibi: vakaların %45’i
Depo Ekibi: vakaların %38’i
Finans Ekibi: vakaların %35’i

Tahmini token sayısı: 6,200 token (%4.8 128K LLM kapasitesinin)

Analiz: Tüm veri bölümleri etkinleştirildiğinde yapay zeka asistanı siparişten nakde süreçle ilgili kapsamlı bağlama sahip olur. Kullanıcılar artık "Neden bazı siparişler diğerlerinden iki kat daha uzun sürüyor?" gibi sorular sorabilir ve yapay zeka ortalama 5.3 gün ekleyen ikinci varyanttaki backorder adımını tanımlayabilir. Yapay zeka, 4.2 günlük Fatura-Ödeme gecikmesinin ortalama vaka süresinin neredeyse yarısını oluşturduğunu görüp ödeme tahsilatının iyileştirme fırsatı olduğunu önerebilir. 6,200 token’lık sayı modern LLM kapasitesinin sadece %5’i olup, sohbet geçmişi ve karmaşık sorular için bol alan bırakır.

Örnek 2: Gizliliğe Duyarlı Meta Veri Paylaşımı

Senaryo: Şirket politikanız hassas süreç verilerinin dış bulut tabanlı LLM servisleriyle paylaşılmasını yasaklıyor. Ancak, kullanıcıları veri seti yapınızı görmeden mindzieStudio özelliklerini kullanma konusunda yönlendirebilen temel yapay zeka desteğini etkinleştirmek istiyorsunuz.

Ayarlar:

Data Level: Seviye 2 (Aktivite ve Öznitelik İsimleri)
Include Activities and Attributes: Etkin
Diğer tüm bölümler: Devre dışı (Seviye 2’de otomatik olarak hariç tutulur)

Çıktı:

Hesaplayıcı minimal bir istem oluşturur:

Aktivite İsimleri:

Fatura Oluştur (2,156 vaka - %100)
Sipariş Eşleştir (2,089 vaka - %96.9)
Teslimat Eşleştir (1,867 vaka - %86.6)
Fatura Onayla (2,145 vaka - %99.5)
Fatura Öde (2,001 vaka - %92.8)

Vaka Öznitelikleri:

Invoice_Number (String)
Vendor_Name (String)
Invoice_Amount (Decimal)
Currency (String)
Payment_Terms (String)
Department (String)

Olay Öznitelikleri:

Activity (String)
Timestamp (DateTime)
Resource (String)
Approval_Level (String)

Tahmini token sayısı: 450 token

Analiz: Seviye 2’de yapay zeka veri seti yapınızı anlar ve kullanıcıların mindzieStudio özelliklerinde gezinmesine yardımcı olur. Örneğin "Tedarikçi bazında fatura işlemini nasıl analiz ederim?" sorulduğunda, Vendor_Name özniteliğinin varlığını görür ve kategori olarak Vendor_Name kullanılarak Breakdown by Categories hesaplayıcısını önerir. Ancak yapay zeka gerçek tedarikçiler veya işlem istatistikleri hakkında yanıt veremez çünkü değerler veya hesaplanmış ölçüler paylaşılmaz. Bu gizlilik odaklı yaklaşım, veri gizliliğini koruyarak faydalı rehberlik sağlar ve katı veri yönetim politikalarına uyumlu kalır.

Örnek 3: Performans İçin Seçici Veri Paylaşımı

Senaryo: Süreç akışı ve darboğaz tespiti odaklı yapay zeka analizi istiyorsunuz ancak LLM API maliyetlerini azaltmak ve yanıt sürelerini iyileştirmek için token kullanımını minimuma indirgemek istiyorsunuz. Kaynak veya öznitelik analizi şu anki kullanımınız için gerekli değil.

Ayarlar:

Data Level: Seviye 3 (Aktiviteler, Öznitelikler ve Hesaplanmış Değerler)
Include Activities and Attributes: Etkin
Include Attribute Breakdown: Devre dışı
Include Time Between Activities: Etkin
Include Duration Histogram: Etkin
Include Dataset Information: Etkin
Include Start and End Frequencies: Etkin
Include Resource Frequency: Devre dışı
Include Variant Information: Etkin

Çıktı:

Hesaplayıcı süreç akışı verisini içeren odaklanmış bir istem oluşturur:

Veri Seti Genel Bakışı:

1,847 satın alma siparişi
1 Ekim - 31 Aralık 2024
Ortalama süre: 8.5 gün

Aktiviteler Arası Süreler:

Talep Gönderimi - İlk Onay: Ortalama 3.2 gün (darboğaz tespit edildi)
İlk Onay - İkinci Onay: Ortalama 1.1 gün
İkinci Onay - PO Oluşumu: Ortalama 0.8 gün
PO Oluşumu - Tedarikçi Onayı: Ortalama 2.4 gün

Süre Histogramı:

0-3 gün: 412 vaka (%22)
3-7 gün: 628 vaka (%34)
7-14 gün: 521 vaka (%28)
14+ gün: 286 vaka (%16)

Süreç Varyantları:

Standart onay yolu (%65): ortalama 7.2 gün
Hızlandırılmış yol (%20): ortalama 3.1 gün
Yükseltme yolu (%15): ortalama 15.8 gün

Tahmini token sayısı: 2,100 token (tam veri setine göre %67 azalma)

Analiz: Attribute Breakdown ve Resource Frequency bölümlerinin devre dışı bırakılması ile token tüketimini %67 azaltırsınız; ancak süreç akışı analizindeki tam yetenek korunur. Yapay zeka, Talep Gönderimi - İlk Onay gecikmesinin 3.2 günle başlıca darboğaz olduğunu tanımlayabilir ve yükseltme vakalarının standart vakaların iki katından fazla sürdüğünü görebilir. Bu seçici paylaşım yaklaşımı, LLM API maliyetlerini yaklaşık 0.062$’dan 0.021$’a (1,000 token başına 0.01$ varsayımıyla) düşürerek binlerce sorgu işleyen organizasyonlar için AI destekli analizleri maliyet açısından daha uygun hale getirir.

Örnek 4: Token Bütçe Yönetimi ve Maliyet Tahmini

Senaryo: Sistem yöneticisi olarak, yapay zeka özelliklerini tüm organizasyona açmadan önce farklı veri paylaşım yapılandırmaları için token tüketimini ve tahmini maliyetleri anlamanız gerekiyor.

Ayarlar:

Data Level: Seviye 4 (Tüm Veriler)
Tüm bölümler: Etkin

Çıktı:

Hesaplayıcı kapsamlı token metrikleri sağlar:

Bölüm Dağılımı:

Aktiviteler ve Öznitelikler: 1,240 token (3,100 karakter)
Öznitelik Dağılımı: 2,341 token (5,852 karakter)
Aktiviteler Arası Süre: 892 token (2,230 karakter)
Süre Histogramı: 324 token (810 karakter)
Veri Seti Bilgisi: 187 token (468 karakter)
Başlangıç ve Bitiş Sıklıkları: 156 token (390 karakter)
Kaynak Sıklığı: 412 token (1,030 karakter)
Varyant Bilgisi: 621 token (1,552 karakter)

Toplam İstatistikler:

Toplam karakter sayısı: 15,432
Toplam kelime sayısı: 3,124
Tahmini token sayısı: 6,173 token
Kullanılan kapasite: %4.8 (128K token pencere üzerinden)
Sorgu başı tahmini maliyet: 0.062$ (1K token başına 0.01$ fiyatla)

Analiz: Token kullanım analizinde Öznitelik Dağılımı bölümü en pahalı alan olup 2,341 token ile toplam bütçenin %38’ini tüketir. Maliyet indirimi gerekiyorsa bu tek bölümün devre dışı bırakılması token kullanımını %38 oranında azaltırken süreç akışı analiz yeteneklerini korur. 6,173 token’lık istem modern LLM bağlam pencerelerinin (GPT-4 veya Claude için 128K token) %5’inden azını kullanır, sohbet geçmişi ve karmaşık çok adımlı etkileşimler için geniş kapasite bırakır. Güncel OpenAI fiyatlandırmasıyla aylık 1,000 AI sorgusu bekleyen bir organizasyonun LLM API maliyeti yaklaşık 62$ olarak bütçelenmelidir (yanıt tokenları dahil değildir).

Örnek 5: Yapay Zeka Asistanı Yanıt Sorun Giderme

Senaryo: Kullanıcılar yapay zeka asistanının kaynak iş yükü dağılımıyla ilgili soruları yanıtlayamadığını bildiriyor. Yapay zekanın eriştiği verileri doğrulamanız ve problemi tespit etmeniz gerekiyor.

Ayarlar:

Data Level: Seviye 4 (Tüm Veriler)
Include Resource Frequency: Devre dışı (bu sorun)
Diğer tüm bölümler: Etkin

Çıktı:

Kaynak sıklığı verisi olmadan hesaplayıcı oluşturduğu istemde:

Kaynak Bilgisi:

"Bu veri seti için herhangi bir kaynak seçilmemiştir."

Analiz: Bu teşhis çıktısı, yapay zekanın kaynak ile ilgili soruları yanıtlayamamasının nedenini gösterir - Include Resource Frequency ayarı kapalıdır. Seviye 4 (Tüm Veriler) olsa bile, her bir bölüm yapay zekayla paylaşılmak üzere açık olmalıdır. Include Resource Frequency ayarı etkinleştirildiğinde hesaplayıcı, Jane Smith’in tüm vakaların %42’sini yönetirken diğer kaynakların ortalama %12’de kaldığını gösteren kapsamlı kaynak istatistikleri üretir; bu, kullanıcıların sorduğu iş yükü dengesizliği sorununu açıklar. Bu, Data Level ayarının gizlilik sınırını kontrol ettiği, bölüm seviyesindeki açık/kapalı ayarların ise o gizlilik seviyesi içinde AI’ya sunulan özgül analizleri belirlediği anlamına gelir.

Örnek 6: Düzenlemelere Tabi Sektörlerde Yapay Zeka Veri Paylaşımı İzleme

Senaryo: Sağlık kuruluşunuz, hasta tedavi süreçlerini analiz etmek için mindzieStudio kullanıyor. Uyumluluk, hasta kimliği içeren veya özel vaka verilerinin dış AI servisleriyle paylaşılmamasını zorunlu kılıyor ancak hasta bakım etkinliğini artırabilecek toplu süreç analizleri için yapay zeka desteği etkinleştirmek istiyorsunuz.

Ayarlar:

Data Level: Seviye 3 (Aktiviteler, Öznitelikler ve Hesaplanmış Değerler)
Include Activities and Attributes: Etkin
Include Attribute Breakdown: Devre dışı (özel öznitelik değerlerinin paylaşımını engeller)
Include Time Between Activities: Etkin
Include Duration Histogram: Etkin
Include Dataset Information: Etkin
Include Start and End Frequencies: Etkin
Include Resource Frequency: Devre dışı (klinik isimlerinin paylaşımını engeller)
Include Variant Information: Etkin

Çıktı:

Hesaplayıcı uyumluluğa uygun bir istem oluşturur:

Veri Seti Özeti:

845 tedavi bölümü
1 Ocak - 31 Mart 2025
Ortalama süre: 4.2 gün

Süreç Akışı:

Hasta Kayıt - İlk Değerlendirme: Ortalama 2.1 saat
İlk Değerlendirme - Tedavi Planı: Ortalama 8.4 saat
Tedavi Planı - Tedavi Başlangıcı: Ortalama 14.2 saat

Varyant Analizi:

Standart tedavi yolu (%72): ortalama 3.8 gün
Kompleks bakım yolu (%18): ortalama 7.2 gün
Acil hızlandırılmış yol (%10): ortalama 1.5 gün

İstem hasta isimleri, vaka tanımlayıcıları veya kaynak isimleri içermez.

Analiz: Bu yapılandırma, yapay zekanın Tedavi Planı - Tedavi Başlangıcı arasındaki 14.2 saatlik gecikmenin hasta bakımında önemli bir darboğaz olduğunu tanımlamasını sağlar, böylece tedaviye başlanmanın gecikmesini önlemeye odaklanılabilir. Yapay zeka hasta kimlik bilgisi almadan bu spesifik geçiş üzerindeki iyileştirme çabalarına odaklanmayı önerir. Seviye 3’te Attribute Breakdown ve Resource Frequency devre dışı bırakılarak, kuruluş sağlık veri gizliliği düzenlemelerine uygun kalırken yapay zekayla desteklenen süreç analizinden fayda sağlar. Yapay zeka "Tedavi planlama ile tedavi başlangıcı arasındaki 14 saatlik gecikmeyi azaltmaya odaklan" gibi önerilerde bulunabilir ama hangi hasta veya hangi klinisyenin dahil olduğunu bilmez, böylece hasta gizliliği korunur ve kanıta dayalı süreç iyileştirmesi mümkün olur.

Çıktı

LLM Prompts hesaplayıcısı, yapay zeka asistanları ve Büyük Dil Modelleri tarafından tüketilmek üzere yapılandırılmış bir çıktı üretir:

Mesaj Bölümleri: Hesaplayıcı, verileri her biri kendi istatistiklerini içeren çok sayıda isimlendirilmiş bölüme ayırır. Her bölüm kelime sayısı, karakter sayısı ve tahmini token tüketimi hakkında meta veri içerir. Bu modüler yapı, yapay zekanın hangi bilgi türünün hangi analizden geldiğini anlamasını sağlar.

Kapsamlı İstatistikler: Çıktının altında, hesaplayıcı toplam kelime sayısı, toplam karakter sayısı ve tahmini token sayısı gibi toplu metrikleri gösterir. Bu metrikler, yöneticilerin kapasite gereksinimlerini anlamasına ve ticari LLM servisleri ile entegrasyon sırasında API maliyetlerini tahmin etmesine yardımcı olur.

Token Tahmini: Hesaplayıcı, İngilizce metin ile JSON veri yapılarının karışımı için deneysellikle doğru olduğu kanıtlanmış karakter başına 2.5 token oranını kullanarak token tüketimini tahmin eder. Bu tahmin, organizasyonların LLM API maliyetlerini bütçelemesi ve istemlerin seçilen yapay zeka servislerinin bağlam penceresi sınırları içinde kalmasını sağlaması için faydalıdır (modern modeller için genellikle 128,000 token).

JSON Formatında Tablolar: Tüm veri bölümleri, LLM’lerin kolayca ayrıştırıp anlayabileceği JSON yapıları olarak biçimlendirilmiştir. Bu yapılandırılmış format, yapay zekanın aktivite frekansları, süre istatistikleri, varyant bilgileri ve diğer süreç ölçümlerini net biçimde yorumlamasını sağlar.

Kapasite Göstergeleri: Büyük veri hacmine sahip bölümler (kaynaklar, varyantlar, aktivite çiftleri) için hesaplayıcı otomatik olarak çıktı miktarını en iyi 100 öğeyle sınırlar ve bu sınırlamayı açıklayan bir not ekler. Bu, fazlasıyla detayla yapay zekayı bunaltmayı önler ve en önemli süreç unsurlarına odaklanmayı sağlar.

Gizlilik Durumu Mesajları: Data Level 0 veya 1 olarak ayarlandığında, hesaplayıcı "Ayarlar Copilot ile herhangi bir veri paylaşımına izin vermiyor" mesajını süreç istatistikleri yerine üretir. Bu, yöneticilere ve yapay zeka sistemlerine veri olmadığını açıkça belirtir.

Bölüme Özgü İçerik: Data Level ve etkin bölümlere bağlı olarak çıktı; aktivite ve öznitelik isimleri (Seviye 2+), öznitelik değer dağılımları (Seviye 3+), aktiviteler arası süreler (Seviye 3+), süre histogramları (Seviye 3+), veri seti özet istatistikleri (Seviye 3+), süreç başlangıç ve bitiş kalıpları (Seviye 3+), kaynak iş yükü dağılımı (Seviye 3+) ve varyant performans ölçümleri (Seviye 3+) içerebilir.

Etkileşimli Entegrasyon: Bu hesaplayıcının çıktısı yapay zeka tüketimine uygun olarak tasarlanmış olmakla birlikte, sonuçlar mindzieStudio’nun standart hesaplayıcı çıktı formatında gösterilir. Yöneticiler oluşturulan istemleri inceleyerek LLM servisleriyle paylaşılan bilgilerin tam olarak ne olduğunu görebilir ve veri yönetim politikalarına uyumu doğrulayabilir.

Bu dokümantasyon mindzie Studio süreç madenciliği platformunun bir parçasıdır.