Oversigt over intelligente applikationsarbejdsbelastninger

Denne dokumentation indeholder handlingsrettet vejledning til planlægning, udvikling og vedligeholdelse af intelligente programarbejdsbelastninger med Microsoft Power Platform. Vejledningen har et teknisk fundament i Power Platform Well-Architected best practices og er også baseret på erfaringer fra kundeimplementeringer.

Denne vejledning er primært beregnet til ejere af arbejdsbelastninger, tekniske interessenter og forretningsinteressenter – alle, der spiller en integreret rolle i at designe, opbygge og vedligeholde en intelligent programarbejdsbelastning.

Tip

For at vurdere din arbejdsbyrde gennem linserne pålidelighed, sikkerhed, operationel ekspertise, ydeevneeffektivitet og oplevelsesoptimering skal du udføre en Power Platform velstruktureret vurdering.

Hvad er en intelligent applikationsarbejdsbelastning?

Inden for Well-Architected-konteksten Power Platform beskriver udtrykket arbejdsbelastning et sæt applikationsressourcer, data og understøttende infrastruktur og processer, der arbejder sammen for at levere de ønskede forretningsresultater. En arbejdsbyrde omfatter applikations- og teknologikomponenter samt adfærds-, udviklings- og driftsprocesser.

En intelligent applikationsarbejdsbelastning, der er bygget på Power Platform , anvender funktionerne Power Platform til at integrere og bruge generative AI-modeller til automatisering og forbedring af forretningsprocesser.

Generativ AI er en teknologi til kunstig intelligens, der bruger store sprogmodeller (LLMs) til at oprette originalt indhold og give en naturlig sprogforståelse og svar. Få mere at vide om Generativ AI i strategiplanen Kunstig intelligens (AI).

Hvad er almindelige udfordringer?

Det kan være komplekst at udvikle en intelligent applikationsarbejdsbelastning, der bygger på Power Platform . Udfordringerne omfatter:

• Datakvalitet og tilgængelighed: Generative AI-modeller kræver store mængder data af høj kvalitet. At sikre, at data er rene, velstrukturerede og tilgængelige, øger kompleksiteten.
• Integration med eksisterende systemer: Problemfri integration af generativ AI med eksisterende it-infrastruktur og forretningsprocesser kan være ressourcekrævende og teknisk udfordrende.
• Etiske spørgsmål og compliance-spørgsmål: Det er vigtigt at tage fat på etiske bekymringer og sikre overholdelse af juridiske og lovgivningsmæssige standarder. Administration af databeskyttelse, undgå skævheder i AI-modeller og opretholdelse af gennemsigtighed er blot nogle af de problemer, der skal navigeres.
• Færdigheder og ekspertise: Udvikling og styring af generative AI-løsninger kræver specialiserede færdigheder. Organisationer har ofte brug for at investere i at uddanne deres arbejdsstyrke eller ansætte nye talenter med den nødvendige ekspertise.
• Omkostnings- og ressourceallokering: Det kan være dyrt at implementere generativ AI. Organisationer skal omhyggeligt administrere deres ressourcer og starte med små pilotprojekter med stor effekt for at demonstrere værdi, før de skalerer op.
• Sikkerhedsproblemer: Det er afgørende at sikre sikkerheden i AI-systemer og omfatter beskyttelse af følsomme data mod brud samt beskyttelse mod potentielle sårbarheder i AI-modeller og infrastruktur.
• Design af brugergrænseflade: Det kan være svært at designe intuitive, brugervenlige grænseflader, der udnytter AI-funktioner, især uden at overvælde brugerne.

At løse disse udfordringer kræver grundig planlægning, samarbejde på tværs af forskellige teams og en strategisk tilgang til at integrere AI i forretningsprocesser.

Den velarkitekterede tilgang

Vi anbefaler, at du strukturerer din velstrukturerede arbejdsbelastning for at opfylde specifikke mål for pålidelighed, sikkerhed, driftsmæssig ekspertise, ydeevneeffektivitet og oplevelsesoptimering. Hvis du vil forbedre brugeroplevelsen og levere ensartethed og pålidelighed, skal du følge arkitekturprincipper og retningslinjer, der er skræddersyet til intelligente programarbejdsbelastninger.

De Power Platform veldesignede søjler hjælper dig med at implementere modularitet, adskille roller og forbedre driftsproduktiviteten. Brug en velstruktureret tilgang til at oprette arbejdsbelastninger uden unødvendig kompleksitet og omkostninger.

Hvis du vil forstå, hvordan hver søjle kan forbedre din intelligente programarbejdsbelastning, skal du se Designprincipper for intelligente programarbejdsbelastninger.

Vurder teknisk og operationel gennemførlighed

Før du begynder at udvikle din intelligente applikationsarbejdsbyrde med Power Platform, skal du vurdere teknisk og driftsmæssig gennemførlighed og identificere risici og afbødningsstrategier.

Du kan også overveje at opdatere de aktuelle arbejdsbelastninger for at bruge generative AI-funktioner – når disse funktioner opfylder forretningsbehov og reducerer omkostningerne. Overvej at modernisere baseret på formålet med programmet, forventet levetid, support, omkostninger og serviceaftaler (SLA'er).

Teknisk gennemførlighed

Teknisk gennemførlighed involverer vurdering af tilgængeligheden og kvaliteten af data, integrationskrav og udfordringer omkring teknisk kompleksitet.

Datatilgængelighed og -kvalitet

Data af høj kvalitet sikrer ensartethed og nøjagtighed for den intelligente applikationsarbejdsbelastning. Som en del af din gennemførlighedsvurdering skal du overveje følgende:

• Datakilder: Identificer og katalogiser alle potentielle datakilder, herunder interne databaser, eksterne API'er og tredjepartsdatasæt. Sørg for, at disse kilder er pålidelige og tilgængelige.
• Datasiloer: Identificer, om den aktuelle proces bruger forskellige datakilder, f.eks. regneark. Integrationen af disse forskellige data i AI-systemet kan udgøre en udfordring, men kan være afgørende for at give nøjagtige svar.
• Datamængde og -variation: Vurder mængden og variationen af tilgængelige data. Generative AI-modeller kræver typisk store og forskelligartede datasæt for at fungere effektivt. Sørg for, at datakilderne giver tilstrækkelig mængde og mangfoldighed til at træne og validere modellerne.
• Datarensning: Udfør datarensning for at fjerne duplikering, rette fejl og håndtere manglende værdier. Dette trin er afgørende for at sikre, at de data, der føres ind i AI-modellerne, er nøjagtige og pålidelige.
• Datatransformation: Transformér rådata til et passende format til træning af AI-modeller. Denne proces kan involvere normalisering, skalering og kodning af kategoriske variabler.
• Datavalidering og test: Valider og test dataene regelmæssigt for at sikre, at de opfylder de krævede kvalitetsstandarder.

Krav til integration

Enkel integration letter dataadgang i realtid og opdateringer til den intelligente applikationsarbejdsbelastning. Som en del af din gennemførlighedsvurdering skal du overveje følgende:

• Eksisterende infrastruktur: Vurder kompatibiliteten af generative AI-modeller med din nuværende infrastruktur. Find f.eks. ud af, om robuste API'er er tilgængelige for nem integration.
• Integrationspunkter: Identificer, hvordan din intelligente programarbejdsbyrde integreres med de påkrævede datakilder. Find f.eks. ud af, om connectorer eller API'er er tilgængelige.

Udfordringer med teknisk kompleksitet

Nøjagtige svar er afhængige af en velkonstrueret intelligent applikationsarbejdsbelastning. Som en del af din gennemførlighedsvurdering skal du evaluere pålideligheden og nøjagtigheden af de svar, der leveres af den intelligente arbejdsbelastning. Overvej, hvordan du optimerer, overvåger og forbedrer de genererede svar. De tekniske kompleksitetsudfordringer kræver en kombination af teknisk ekspertise, robust infrastruktur og løbende administration for at implementere og vedligeholde intelligente applikationsarbejdsbelastninger. Få mere at vide i Designprincipper for pålidelighed for intelligente programarbejdsbelastninger.

Operationel gennemførlighed

Operationel gennemførlighed involverer vurdering af tilgængeligheden af ressourcer, brugeradoption og risici sammen med afbødningsstrategier.

Ressourcetilgængelighed

Succesen med din intelligente programarbejdsbyrde afhænger af tilgængeligheden af et dedikeret budget og teamressourcer, der understøttes af et AI-fokuseret Center of Excellence (CoE). Overvej følgende:

• Færdighedsvurdering: Vurder dine teammedlemmers færdigheder for at identificere eventuelle huller, der kan løses gennem træning eller ansættelse.
• Rolleallokering: Definer klart roller og ansvar for at sikre, at hvert teammedlem forstår deres opgaver, og hvordan de bidrager til projektets succes.
• Træning og udvikling: Invester i løbende træning og udvikling for at holde teamet opdateret med de nyeste AI-teknologier og -metoder.
• Omkostningsestimering: Begynd med en detaljeret omkostningsestimering, der omfatter licensomkostninger, omkostninger til software og cloudtjenester samt personaleomkostninger. Sådanne skøn fra grundlaget for et realistisk budget.

Brugerens vedtagelse

Succesen med din intelligente applikationsarbejdsbyrde afhænger af, at brugerne er fortrolige med systemet. Overvej følgende:

• Brugercentreret design: Design systemet til at være intuitivt og brugervenligt. Komplekse grænseflader kan afskrække brugerne – enkelhed og klarhed er afgørende. Sørg for, at systemet er tilgængeligt for alle brugere.
• Træning: Facilitere omfattende træningssessioner og yde løbende support.
• Feedback-loops: Etabler feedback-mekanismer, hvor brugere kan rapportere unøjagtigheder, som derefter kan bruges til at forfine og forbedre modellerne.
• Gennemsigtighed og tillid: Sørg for, at brugerne ved, at de bruger en arbejdsbelastning, der omfatter generative AI-funktioner. Kommuniker tydeligt, hvorfor en AI-løsning blev valgt, hvordan den blev designet, og hvordan den overvåges og opdateres.
• Forandringsledelse: Tilpas forandringen til organisationens kultur og værdier for at sikre bred accept og opbakning.

Risici og afhjælpninger

Bekymringer om databeskyttelse, potentielle skævheder i AI-svar og tekniske fejl er potentielle risici. Det er vigtigt at sikre databeskyttelse, især da den intelligente applikationsarbejdsbyrde kan håndtere følsomme data.

Når du planlægger en intelligent applikationsarbejdsbelastning, skal du håndtere følgende risici og implementere effektive afhjælpningsstrategier:

• Databeskyttelse: Beskyt følsomme data, der bruges og genereres af AI-modeller. Implementer kryptering, adgangskontrol og regelmæssige sikkerhedsrevisioner. Sørg for, at arbejdsbyrden overholder relevante reguleringsstandarder, såsom GDPR eller HIPAA, for at beskytte brugernes privatliv og data.

• Bias i AI-svar: Brug forskellige og repræsentative datasæt til at træne AI-modeller. Regelmæssigt gennemgå og teste modeller for skævheder.

• Tekniske fejl: Design robust og skalerbar infrastruktur med redundans- og failover-mekanismer. Implementer regelmæssige sikkerhedskopier og katastrofeberedskabsplaner.

• Sikkerhedstrusler: Anvend avancerede sikkerhedsforanstaltninger såsom multifaktorgodkendelse, indtrængningsdetektionssystemer og regelmæssige sikkerhedsrevisioner. Hold software og systemer opdateret for at beskytte mod sårbarheder.

• Etiske bekymringer: Etabler klare etiske retningslinjer og styringsrammer for AI-brug. Sørg for gennemsigtighed i AI-operationer, og oprethold en menneske-i-loop-tilgang til kritiske beslutninger.

• Compliance og lovgivningsmæssige spørgsmål: Hold dig informeret om relevante regler og sørg for, at AI-systemer overholder alle lovkrav. Udfør regelmæssige overholdelsesrevisioner og opdater politikker efter behov.

Næste trin

Start med at gennemgå designprincipperne.

Design principper