Osoby týmu úloh zapojené do úloh umělé inteligence
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 to vše na základě potřeb úloh a konkrétních cílů. Mezi doporučené strategie patří:
- Stanovení jasných rolí a závazků účtů.
- Využití dovedností vašeho 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 zkoumá koncept osob nalezených v úlohách AI, jejich výhody při návrhu úloh a poskytuje příklady a nástroje pro efektivní definování a využití těchto osob na úrovni týmu.
Co jsou personas?
Personas představují podmnožinu lidí a procesů zapojených do vytváření a provozování úlohy, přičemž zachycují nejen jejich role, ale také jejich skutečné chování a závazky účtů. Jednotlivec může v závislosti na kontextu ztělesnit jednu nebo více osob. Zajímavé je, že osoba nemusí být osobou; může to být také bezobslužný proces, například proces agenta v rámci architektury.
Vaše úloha může mít osoby koncového uživatele, které řídí vývoj funkcí, tyto osoby nejsou v oboru pro tento článek.
Na rozdíl od rolí, které jsou obvykle staticičtějšími funkcemi nebo pozicemi v rámci organizace, jsou osoby dynamické a orientované na cíl. 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. Nabízejí několik dalších výhod, například:
Identifikace mezer v prostředcích, které pomáhají při rozhodování, jestli se mají řešení nabírat, trénovat nebo přepracováovat. Pokud váš tým úloh nemá osoby, které fitují potřebnou osobu, budete možná muset upravit architekturu, upravit proces nebo připojit nové pracovníky. Pokud například chybí vedoucí osoba pro datové vědy, je možné architekturu přepracovat zvážením vyšší spolehlivosti řešení SaaS AI pro obecné účely nebo začleněním řešení umělé inteligence třetích stran.
Vylepšené dovednosti. Mapování osob na konkrétní architektonické komponenty také usnadňuje vzdělávací příležitosti, poskytování relací a online kurzů pro zlepšení dovedností.
Zajistěte odpovídající úrovně přístupu. Osoby by se měly použít k definování potřeb zabezpečení a přístupu tím, že je namapují na procesy, architektury a služby a zajistí odpovídající úrovně přístupu.
Plánování a komunikace projektu V plánování projektů pomáhají osoby identifikovat klíčové interakce, což usnadňuje nastavení synchronizačních schůzek a celkové plánování. Osoby jsou obvykle integrovány do hierarchie sledování uživatelských scénářů, funkcí a požadavků, což zjednodušuje řízení projektů.
Jak definovat osoby
Identifikujte specializace členů týmu a vyrovnejte je s odpovídajícími rolemi v operacích nebo návrhu umělé inteligence. Vytvořte šablonu pro zdokumentování očekávání dovedností osob, informací o týmu a procesů, do kterých budou zapojeni.
Tady je příklad šablony směrného plánu:
| Šablona Persona |
|---|
| 🔹 Jméno osoby: [Vložit jméno osoby] 🔹Tým: [Tým zodpovědný za tuto osobu] 🔹Primární interakce: [Ostatní týmy, se kterými tato 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
Použití tabulky může pomoct uspořádat a vizualizovat informace pro každou osobu. Výhodou je vytvoření a propojení dalších tabulek pro podrobnější 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. Počínaje 5 až 10 osobami je dobrý zůstatek a měli byste přidat jenom osoby, které jsou nezbytné pro vaše operace.
Karty lze také použít k definování osob. Tyto karty obsahují stejné informace jako tabulka nebo rychlý souhrn. Tyto karty můžete vytvářet pomocí Microsoft PowerPointu nebo jako sady souborů Markdownu.
V některých případech můžete použít kombinovanou sadu nástrojů. Každá komponenta architektury na kartě osoby může například otevřít soubor Markdownu se zabezpečením mapování tabulek a řízením přístupu na základě role pro každou službu a prostředí. Příklad odkazu najdete v akcelerátoru MLOps: Identita RBAC.
Příklad osob
Pomocí karet můžete definovat služby, ke které osoba potřebuje přístup v rámci procesu, a nastínit požadované dovednosti pro každou osobu (ať už osobu nebo agenta).
Důležité
I když zde definované osoby slouží jako základní příklady, doporučujeme vytvořit vlastní osoby pomocí nástrojů, jako jsou tabulky, karty šablon osob a grafy.
Je důležité, aby tyto osoby byly v souladu s vašimi konkrétními procesy, organizací a uživateli.
| AI Datoví technici (P001) |
|---|
| Tým: Tým pro příjem dat 🔹 Primární interakce: Vývojový tým umělé inteligence 🔹 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 komponentám: Power BI, Azure Data Explorer, Azure Storage 🔹 Procesy: Analýza dat, proces datového skladu 🔹 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 komponentám: Azure AI Studio, Azure OpenAI, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Procesy: GenAIOps 🔹 Dovednosti: Azure Machine Learning, Python, Model(LLM, SLM) znalost, jemné ladění, RAG, koncept agentů |
| Vývojář chatu Genai (P007) |
|---|
| Tým: Technický tým 🔹 Primární interakce: Tým AI 🔹 Přístup ke komponentám: Azure WebApps, Azure API Management, Cosmos DB, Azure Container Apps, Azure Functions 🔹 Procesy: DevOps, zpracování řízené událostmi, mikroslužby 🔹 Dovednosti: Architektura webových aplikací (front-end/back-end), React, Node.js, HTML, CSS |
| BuildAgent MLOps (P009) |
|---|
| Tým: Technický tým 🔹 Primární interakce: Tým AI 🔹 Přístup ke komponentám: Azure Machine Learning, Azure Devops, GitHub 🔹 Procesy: Zpracování/obsluha LAMBDA, OUTER Loop MLOps 🔹 Dovednosti: Python, Pyspark |
Případ použití: Personas pro procesy AI
Hlavními procesy souvisejícími s úlohami AI jsou:
- DataOps se zaměřuje na příjem a přípravu dat.
- MLOps zahrnuje zprovoznění modelů strojového učení.
- GenAIOps se týká zjišťování a vyhodnocování existujících modelů a jejich upřesnění do kontextu úloh.
- Vnitřní smyčka vylepšuje řešení ve vývojovém prostředí, a to buď během výzkumu, nebo aktivované monitorováním vnější smyčky.
- Vnější smyčka přesouvá řešení z vývoje do produkčního prostředí s využitím průběžného monitorování a hodnocení k identifikaci nezbytných vylepšení.
Mapování osob na tyto procesy poskytuje kontext pro každou osobu. To pomáhá identifikovat procesy, ve kterých může osoba potřebovat dovednosti.
Obrázek znázorňuje pracovní postup pro DataOps, MLOps a GenAIOps v produkčním prostředí. Data proudí z příjmu dat do nasazení a vyhodnocení modelu pomocí postupů kontinuální integrace a průběžného nasazování (CI/CD). Mezi klíčové úlohy patří upřesnění datových modelů, dávkové vyhodnocení, nasazení koncových bodů, vyhodnocení modelu v reálném čase a vyladění modelů. Ukázkové osoby se účastní celého pracovního postupu.
Případ použití: Personas for architecture design
Propojení procesů s podpůrnou architekturou vám pomůže identifikovat služby, se kterými musí osoba pracovat, a zvýrazňovat oblasti pro potenciální dovednosti.
Pokud chcete toto připojení vizualizovat, vytvořte grafický obrázek znázorňující, jak jsou propojené komponenty architektury. To může ilustrovat tok dat a interakce mezi službami a způsob automatizace toků v nasazení. Tato vizuální pomůcka pomáhá zúčastněným stranám porozumět architektuře a rolím různých osob v ní.
Následující obrázek znázorňuje architekturu LAMBDA pro moderní analýzy v Azure:
Další krok
Teď přejděte k nástroji pro posouzení a vyhodnoťte návrh.