Přehled zátěží inteligentních aplikací
Tato dokumentace poskytuje užitečné pokyny pro plánování, vývoj a údržbu inteligentních aplikací Microsoft Power Platform. Pokyny mají technický základ v Power Platform dobře zpracovaných osvědčených postupech a jsou také založeny na zkušenostech získaných ze zákaznických nasazení.
Tyto pokyny jsou určeny především vlastníkům pracovní zátěže, technickým zainteresovaným stranám a obchodním partnerům – všem, kdo hrají nedílnou roli při navrhování, budování a údržbě inteligentních aplikací.
Tip
Chcete-li zhodnotit svou pracovní zátěž optikou spolehlivosti, zabezpečení, provozní dokonalosti, efektivity výkonu a optimalizace zkušeností, proveďte Power Platform dobře zpracované hodnocení.
Co je to inteligentní aplikační zátěž?
V kontextu Power Platform Dobře architektoněný termín pracovní zátěž popisuje sadu aplikačních zdrojů, dat a podpůrné infrastruktury a procesů, které spolupracují na přinést požadované obchodní výsledky. Pracovní zátěž zahrnuje aplikační a technologické komponenty a také behaviorální, vývojové a provozní procesy.
Inteligentní aplikační zátěž postavená na Power Platform využívá schopnosti Power Platform pro integraci a využití generativních modelů umělé inteligence pro automatizaci a vylepšení obchodních procesů.
Generativní umělá inteligence je technologie umělé inteligence, která využívá velké jazykové modely (LLM) ke generování originálního obsahu a poskytuje porozumění přirozenému jazyku a odpovědi. Další informace o Generativní umělé inteligenci najdete v příručce umělé inteligence (AI).
Jaké jsou běžné výzvy?
Vyvinout inteligentní aplikační zátěž postavenou na Power Platform může být složité. Mezi výzvy patří:
- Kvalita a dostupnost dat: Generativní modely umělé inteligence vyžadují velké objemy vysoce kvalitních dat. Zajištění, že data jsou čistá, dobře strukturovaná a přístupná, zvyšuje složitost.
- Integrace se stávajícími systémy: Bezproblémová integrace generativní umělé inteligence se stávající IT infrastrukturou a obchodními procesy může být náročná na zdroje a technicky náročná.
- Otázky etiky a dodržování předpisů: Řešení etických problémů a zajištění souladu s právními a regulačními standardy jsou zásadní. Správa ochrany osobních údajů, vyhýbání se předsudkům v modelech umělé inteligence a udržování transparentnosti jsou jen některé z problémů, se kterými je třeba se orientovat.
- dovednosti a odbornost: Vývoj a správa generativních řešení AI vyžaduje specializované dovednosti. Organizace často potřebují investovat do školení své pracovní síly nebo najímat nové talenty s nezbytnou odborností.
- Alokace nákladů a zdrojů: Implementace generativní umělé inteligence může být nákladná. Organizace musí pečlivě spravovat své zdroje a začít s malými pilotními projekty s vysokým dopadem, aby prokázaly hodnotu, než se rozšíří.
- Bezpečnostní obavy: Zajištění bezpečnosti systémů umělé inteligence je zásadní a zahrnuje ochranu citlivých dat před narušením a také ochranu před potenciálními zranitelnostmi v modelech a infrastruktuře umělé inteligence.
- Návrh uživatelského rozhraní: Navrhování intuitivních, uživatelsky přívětivých rozhraní využívajících schopnosti umělé inteligence, zejména bez zahlcení uživatelů, může být obtížné.
Řešení těchto výzev vyžaduje důkladné plánování, spolupráci mezi různými týmy a strategický přístup k integraci umělé inteligence do obchodních procesů.
Dobře architektonický přístup
Doporučujeme, abyste strukturovali svou dobře navrženou pracovní zátěž tak, aby splňovala specifické cíle spolehlivosti, zabezpečení, provozní dokonalosti, efektivity výkonu a optimalizace zkušeností. Chcete-li zlepšit uživatelské prostředí a zajistit konzistenci a spolehlivost, dodržujte architektonické principy a pokyny, které jsou přizpůsobeny inteligentním aplikačním úlohám.
Power Platform Dobře architektonické pilíře vám pomohou implementovat modularitu, samostatné role a zlepšit provozní produktivitu. Použijte dobře navržený přístup k vytváření pracovních úloh bez zbytečné složitosti a nákladů.
Chcete-li porozumět tomu, jak mohou jednotlivé pilíře zlepšit vaši pracovní zátěž inteligentních aplikací, prostudujte si Principy návrhu zátěže inteligentních aplikací.
Posoudit technickou a provozní proveditelnost
Než začnete vyvíjet svou inteligentní aplikační zátěž s Power Platform, zhodnoťte technickou a provozní proveditelnost a identifikujte rizika a strategie zmírňování.
Můžete také zvážit aktualizaci aktuálních úloh, abyste mohli využívat funkce generativní umělé inteligence – pokud tyto funkce splňují obchodní potřeby a snižují náklady. Zvažte modernizaci na základě účelu aplikace, očekávané životnosti, podpory, nákladů a dohod o úrovni služeb (SLA).
Technická proveditelnost
Technická proveditelnost zahrnuje posouzení dostupnosti a kvality dat, požadavků na integraci a problémů souvisejících s technickou složitostí.
Dostupnost dat a kvalita
Vysoce kvalitní data zajišťují konzistenci a přesnost pro inteligentní aplikační zátěž. V rámci posouzení proveditelnosti zvažte následující:
- Zdroje dat: Identifikujte a katalogizujte všechny potenciální zdroje dat, včetně interních databází, externích rozhraní API a datových sad třetích stran. Ujistěte se, že tyto zdroje jsou spolehlivé a dostupné.
- Datová sila : Zjistěte, zda aktuální proces používá různé zdroje dat, jako jsou tabulky. Integrace těchto různorodých dat do systému umělé inteligence může představovat problém, ale může být zásadní pro poskytování přesných odpovědí.
- Objem a rozmanitost dat : Posuďte objem a rozmanitost dostupných dat. Generativní modely umělé inteligence obvykle vyžadují velké a různorodé datové sady, aby fungovaly efektivně. Zajistěte, aby zdroje dat poskytovaly dostatečné množství a rozmanitost pro trénování a ověřování modelů.
- Čištění dat : Proveďte čištění dat, abyste odstranili duplicitu, opravili chyby a zpracovali chybějící hodnoty. Toto krok je zásadní pro zajištění toho, aby data, která jsou vkládána do modelů AI, byla přesná a spolehlivá.
- Transformace dat: Transformujte nezpracovaná data do vhodného formátu pro trénování modelu AI. Tento proces může zahrnovat normalizaci, škálování a kódování kategorických proměnných.
- Validace a testování dat: Data pravidelně ověřujte a testujte, abyste se ujistili, že splňují požadované standardy kvality.
Požadavky na integraci
Přímá integrace usnadňuje přístup k datům v reálném čase a aktualizace pro inteligentní aplikační zátěž. V rámci posouzení proveditelnosti zvažte následující:
- Stávající infrastruktura: Posuďte kompatibilitu generativních modelů umělé inteligence s vaší současnou infrastrukturou. Zjistěte například, zda jsou k dispozici robustní rozhraní API pro snadnou integraci.
- Integrační body: Zjistěte, jak se bude vaše pracovní zátěž inteligentní aplikace integrovat s požadovanými zdroji dat. Zjistěte například, zda jsou k dispozici konektory nebo rozhraní API.
Výzvy technické složitosti
Přesné reakce se spoléhají na dobře navrženou inteligentní aplikační zátěž. V rámci posouzení proveditelnosti vyhodnoťte spolehlivost a přesnost reakcí poskytovaných inteligentním pracovním zatížením. Zvažte, jak generované odpovědi optimalizovat, monitorovat a zlepšovat. Výzvy v oblasti technické složitosti vyžadují kombinaci technické odbornosti, robustní infrastruktury a průběžné správy, aby bylo možné úspěšně implementovat a udržovat inteligentní pracovní zátěže aplikací. Další informace naleznete v Principy návrhu spolehlivosti inteligentních aplikací.
Provozní proveditelnost
Provozní proveditelnost zahrnuje posouzení dostupnosti zdrojů, přijetí uživateli a rizik spolu se strategiemi zmírňování.
Dostupnost zdroje
Úspěch vaší inteligentní aplikace závisí na dostupnosti vyhrazeného rozpočtu a týmových zdrojů podporovaných centrem excelence (CoE) zaměřeným na umělou inteligenci. Vezměte v úvahu následující skutečnosti:
- dovednost assessment: Zhodnoťte dovednosti členů svého týmu a identifikujte případné mezery, které lze vyřešit školením nebo náborem.
- Přidělení rolí: Jasně definujte role a odpovědnosti, abyste zajistili, že každý člen týmu rozumí svým úkolům a tomu, jak přispívá k úspěchu projektu.
- Školení a rozvoj: Investujte do průběžného školení a rozvoje, abyste udrželi tým v obraze s nejnovějšími technologiemi a metodikami umělé inteligence.
- Odhad nákladů: Začněte s podrobným odhadem nákladů, který zahrnuje náklady na licence, software a cloudové služby a osobní náklady. Takové odhady jsou založeny na realistickém rozpočtu.
Adopce uživatele
Úspěch vaší inteligentní aplikační zátěže závisí na tom, zda uživatelé budou se systémem spokojeni. Vezměte v úvahu následující skutečnosti:
- Design zaměřený na uživatele: Navrhněte systém tak, aby byl intuitivní a uživatelsky přívětivý. Složitá rozhraní mohou uživatele odradit – jednoduchost a srozumitelnost jsou zásadní. Zajistěte, aby byl systém přístupný všem uživatelům.
- Školení: Usnadněte komplexní školení a poskytujte trvalou podporu.
- Zpětnovazební smyčky : Vytvořte mechanismy zpětné vazby, kde mohou uživatelé hlásit nepřesnosti, které pak lze použít k upřesnění a vylepšení modelů.
- Transparentnost a důvěra: Zajistěte, aby uživatelé věděli, že používají pracovní zátěž, která zahrnuje generativní funkce AI. Jasně sdělte, proč bylo vybráno řešení AI, jak bylo navrženo a jak je monitorováno a aktualizováno.
- Řízení změn: Slaďte změnu s kulturou a hodnotami organizace, abyste zajistili široké přijetí a podporu.
Rizika a zmírnění
Potenciálními riziky jsou obavy o ochranu osobních údajů, potenciální zkreslení reakcí AI a technická selhání. Zajištění soukromí dat je zásadní, zejména proto, že pracovní zátěž inteligentní aplikace může zpracovávat citlivá data.
Při plánování pracovní zátěže inteligentní aplikace se zaměřte na následující rizika a implementujte účinné strategie zmírňování:
Soukromí dat: Chraňte citlivá data používaná a generovaná modely umělé inteligence. Implementujte šifrování, řízení přístupu a pravidelné bezpečnostní audity. Zajistěte, aby pracovní zátěž byla v souladu s příslušnými regulačními standardy, jako je GDPR nebo HIPAA, pro zamknout soukromí a data uživatelů.
Předpojatost v odezvách AI: K trénování modelů AI používejte různorodé a reprezentativní datové sady. Pravidelně auditujte a testujte modely na zkreslení.
Technická selhání: Navrhněte robustní a škálovatelnou infrastrukturu s redundancí a mechanismy převzetí služeb při selhání. Implementujte pravidelné zálohování a plány obnovy po havárii.
Bezpečnostní hrozby: Používejte pokročilá bezpečnostní opatření, jako je vícefaktorové ověřování, systémy detekce narušení a pravidelné bezpečnostní audity. Udržujte software a systémy aktualizované na zamknout proti zranitelnostem.
Etické obavy: Stanovte jasné etické pokyny a rámce řízení pro používání umělé inteligence. Zajistěte transparentnost operací umělé inteligence a udržujte přístup člověka ve smyčce pro kritická rozhodnutí.
Problémy s dodržováním předpisů a předpisy: Zůstaňte informováni o příslušných předpisech a zajistěte, aby systémy umělé inteligence splňovaly všechny zákonné požadavky. Provádějte pravidelné audity shody a podle potřeby aktualizujte zásady.
Další kroky
Začněte přezkoumáním principů návrhu.