Osoby týmu úloh pro úlohy AI
V kontextu vytváření úloh AI na rozdíl od tradičního nasazení kódu vyžadují nedeterministické modely iterativní experimentování a spolupráci napříč několika rolemi a týmy. Počáteční integrace operací, vývoje aplikací a datových týmů je nezbytná k podpoře vzájemného porozumění. Tato spolupráce vyžaduje různorodé dovednosti a průběžné učení, aby udržela krok s technologickým pokrokem.
Efektivní spolupráce závisí na integraci nástrojů, procesů a lidí a řídí se potřebami úloh a specifickými cíli. Mezi doporučené strategie patří:
- Stanovení jasných rolí a závazků účtů.
- Využijte dovednosti svého týmu pro příslušné úkoly.
- Standardizace procesů a dílčích procesů, jako je sledování práce v rámci sdíleného backlogu.
- Spoléhat se na automatizaci, abyste dosáhli konzistence a reprodukovatelnosti.
Personas může být účinným nástrojem pro materializaci těchto strategií a standardizaci odpovědností. Tento článek popisuje osoby pro úlohy AI a jejich výhody při návrhu úloh. Poskytuje také příklady a nástroje pro efektivní definování a používání těchto osob na úrovni týmu.
Co jsou personas?
Personas představuje podmnožinu lidí a procesů, které jsou zapojeny do vytváření a provozu úlohy. Personas zachycuje role i skutečné chování a závazky těchto jednotlivců a procesů. Jednotlivec může v závislosti na kontextu ztělesnit jednu nebo více osob. Osoba nemusí být člověkem. Může to být také bezobslužný proces, například proces agenta v architektuře.
Vaše pracovní zátěž může obsahovat uživatelské persony, které řídí vývoj funkcí. Tyto osoby nejsou v rozsahu pro tento článek.
Na rozdíl od rolí, které jsou relativně statické funkce nebo pozice v rámci organizace, jsou osoby dynamické a cílově orientované. Dají se použít k mapování požadavků dovedností na procesy a nástroje, jako jsou komponenty architektury. Personas primárně pomáhá definovat rozsah odpovědnosti a nastavit kontext v rámci projektu. Poskytují několik dalších výhod, například:
- Identifikace mezer mezi zdroji Identifikace mezer vám pomůže rozhodnout se, jestli chcete nabírat nebo trénovat prostředky nebo přepracovávat řešení. Pokud váš tým úloh nemá jednotlivce, kteří odpovídají nezbytné osobě, budete možná muset upravit architekturu, upravit proces nebo připojit nové pracovníky. Pokud například chybí vedoucí osoba pro datové vědy, můžete architekturu přepracovat tak, aby se spoléhala na řešení umělé inteligence (SaaS) pro obecné účely nebo zahrnovala řešení AI od jiných společností než Microsoft.
- Vylepšené dovednosti. Mapování uživatelských person na specifické architektonické komponenty také usnadňuje vzdělávací příležitosti, jako jsou sezení a online kurzy ke zdokonalení dovedností.
- Zajištění odpovídajících úrovní přístupu. Osoby byste měli použít k definování potřeb zabezpečení a přístupu mapováním osob na procesy, architektury a služby. Toto mapování pomáhá zajistit odpovídající úrovně přístupu.
- Usnadnění plánování a komunikace projektů. Při plánování projektu pomáhají osoby identifikovat klíčové interakce, které usnadňují nastavení synchronizačních schůzek a celkového plánování. Osoby jsou obvykle integrovány do hierarchie sledování uživatelských scénářů, funkcí a požadavků pro zjednodušení řízení projektů.
Jak definovat osoby
Identifikujte specializace členů týmu a vyrovnejte je s odpovídajícími rolemi v operacích nebo návrhu umělé inteligence. Vytvořte šablonu pro dokumentování očekávání dovedností osob, informací o týmu a procesů, do kterých budou zapojeni.
Tady je příklad šablony směrného plánu:
| Šablona profilu |
|---|
|
🔹jméno osoby: [Jméno] 🔹Tým: [Tým zodpovědný za osobu] 🔹Primární interakce: [Ostatní týmy, se kterými osoba komunikuje] přístup ke komponentám 🔹: [Požadavky na zabezpečení a přístup pro procesy a systémové komponenty] 🔹Procesy: [Procesy, za které osoba zodpovídá nebo přispívá] 🔹Dovednosti: [Dovednosti potřebné k dokončení úkolů, včetně specifik domén a technologií, jako je trénování modelu nebo optimalizace indexu vyhledávání] |
Nástroje
Tabulku můžete použít k uspořádání a vizualizaci informací pro každou osobu. Jednou z výhod této metody je, že můžete vytvořit a propojit s jinými tabulkami, které poskytují konkrétnější informace. Komponenty architektury můžete například propojit s jinou tabulkou, ve které je pro každou službu a prostředí (Dev, Stage, Production) zadané řízení přístupu na základě identit.
Kompromis. Příliš málo osob může ztížit implementaci řízení přístupu na základě role s nejnižším privilegovaným přístupem a efektivní distribuci pracovních povinností. Naopak příliš mnoho osob zvyšuje režii správy. Začít s mezi 5 a 10 personami je dobrá rovnováha a měli byste přidat pouze persony, které jsou nezbytné pro vaše činnosti.
Karty můžete také použít k definování osob. Tyto karty obsahují stejné informace jako tabulka nebo rychlý souhrn. K vytvoření těchto karet můžete použít PowerPoint nebo vytvořit sadu souborů Markdownu.
V některých případech můžete použít kombinaci nástrojů. Každá komponenta architektury na kartě osoby může například otevřít soubor Markdownu, který obsahuje tabulku, která mapuje řízení přístupu na základě zabezpečení a role pro každou službu a prostředí. Příklad najdete v akcelerátoru MLOps:RBAC identity .
Příklad osob
Karty můžete použít k definování služeb, ke které osoba potřebuje mít přístup v rámci procesu, a nastínit dovednosti potřebné pro každou osobu (bez ohledu na to, jestli se jedná o osobu nebo agenta).
Důležité
I když zde definované osoby slouží jako základní příklady, doporučujeme vytvořit vlastní osoby pomocí nástrojů, jako jsou tabulky, karty šablon persony a grafy.
Je důležité, aby tyto osoby byly v souladu s vašimi procesy, organizací a uživateli.
| AI Datoví technici (P001) |
|---|
| Tým: Tým pro příjem dat 🔹 Hlavní komunikace: Tým pro vývoj AI přístup ke komponentám 🔹: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage 🔹 Procesy: DataOps, ETL, ELT 🔹 Dovednosti: SQL, Python, PySpark |
| Analytik BI (P003) |
|---|
| Tým: Analytický tým 🔹 primární interakce: Tým pro příjem dat přístup ke komponentě 🔹: Power BI, Azure Data Explorer, Azure Storage 🔹 Procesy: Analýza dat, datové sklady 🔹 Dovednosti: SQL, Python, PySpark |
| Diskriminativní Datoví vědci AI (P004) |
|---|
| Tým: Tým AI 🔹 primární interakce: Tým pro příjem dat, tým DevOps přístup ke komponentám 🔹: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault 🔹 Procesy: MLOps, MLflow 🔹 Dovednosti: Azure Machine Learning, Python, trénování modelů |
| Datoví vědci GenAI (P006) |
|---|
| Tým: Tým AI 🔹 primární interakce: Tým pro příjem dat, tým DevOps přístup ke komponentě 🔹: Portál Azure AI Foundry, Služba Azure OpenAI, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Procesy: GenAIOps 🔹 dovednosti: Azure Machine Learning, Python, znalosti modelu (LLM, SLM), jemné ladění, RAG, koncept agentů |
| Vývojář chatu Genai (P007) |
|---|
| Tým: Technický tým 🔹 Primární interakce: AI tým přístup ke komponentě 🔹: Azure Web Apps, Azure API Management, Azure Cosmos DB, Azure Container Apps, Azure Functions procesy 🔹: DevOps, zpracování řízené událostmi, mikroslužby 🔹 Dovednosti: Architektura webové aplikace (front-end/back-end), React, Node.js, HTML, CSS |
| Build Agent MLOps (P009) |
|---|
| Tým: Technický tým 🔹 Primární interakce: AI tým přístup ke komponentě 🔹: Azure Machine Learning, Azure DevOps, GitHub Procesy 🔹: Zpracování a obsluha Lambda, vnější smyčka MLOps 🔹 Dovednosti: Python, Pyspark |
Případ použití: Personas pro procesy AI
Tyto hlavní procesy se používají v úlohách AI:
- DataOps je příjem a příprava dat.
- MLOps je zprovoznění modelů strojového učení.
- GenAIOps je zjišťování a vyhodnocení existujících modelů a upřesnění těchto modelů do kontextu úloh.
- Vnitřní smyčka je upřesnění řešení ve vývojovém prostředí, buď během výzkumu, nebo pokud je spuštěna monitorováním vnější smyčky.
- Vnější smyčka je pohyb řešení od vývoje do produkčního prostředí. Tato smyčka používá průběžné monitorování a hodnocení k identifikaci nezbytných vylepšení.
Mapování osob na tyto procesy poskytuje kontext pro každou osobu. Tento krok může pomoct identifikovat procesy, ve kterých může osoba potřebovat dovednosti.
Obrázek znázorňuje pracovní postup pro DataOps, MLOps a GenAIOps v produkčním prostředí. Tok dat od příjmu do nasazení a vyhodnocení modelu. Pracovní postup používá postupy kontinuální integrace a průběžného doručování (CI/CD). Mezi klíčové úlohy patří upřesnění datových modelů, vyhodnocení dávek, nasazování koncových bodů, vyhodnocování modelů v reálném čase a vyladění modelů. Ukázkové osoby se účastní celého pracovního postupu.
Případ použití: Personas for architecture design
Propojení procesů s podpůrnou architekturou pomáhá identifikovat služby, se kterými osoba potřebuje pracovat, a zvýrazňuje oblasti pro potenciální zvyšování dovedností.
Pokud chcete toto připojení vizualizovat, vytvořte grafický obrázek, který ukazuje, jak jsou propojené komponenty architektury. Tato vizuální pomůcka může znázornit tok dat a interakce mezi službami a způsob automatizace toků v nasazení. Pomáhá zúčastněným stranám porozumět architektuře a rolím různých osob v ní.
Následující obrázek znázorňuje architekturu Lambda pro moderní analýzy v Azure.
Další krok
Dále přejděte k nástroji pro posouzení a vyhodnoťte návrh.