Descripción general de las cargas de trabajo de aplicaciones inteligentes
Esta documentación proporciona orientación práctica para planificar, desarrollar y mantener cargas de trabajo de aplicaciones inteligentes con Microsoft Power Platform. La guía tiene una base técnica en las mejores prácticas de Well-Architected y también se basa en la experiencia derivada de las implementaciones de los clientes. Power Platform
Esta guía está destinada principalmente a propietarios de cargas de trabajo, partes interesadas técnicas y partes interesadas comerciales: cualquier persona que desempeñe un papel integral en el diseño, la creación y el mantenimiento de una carga de trabajo de aplicación inteligente.
Propina
Para evaluar su carga de trabajo a través de los lentes de confiabilidad, seguridad, excelencia operativa, eficiencia del rendimiento y optimización de la experiencia, realice una evaluación bien diseñada Power Platform .
¿Qué es una carga de trabajo de aplicación inteligente?
En el contexto de una buena arquitectura, el término Power Platform carga de trabajo describe un conjunto de recursos de aplicaciones, datos e infraestructura y procesos de soporte que trabajan juntos para ofrecer los resultados comerciales deseados. Una carga de trabajo incluye componentes de aplicación y tecnología, así como procesos de comportamiento, desarrollo y operativos.
Una carga de trabajo de aplicación inteligente basada en Power Platform aplica las capacidades de Power Platform para integrar y consumir modelos de IA generativos para automatizar y mejorar los procesos comerciales.
La IA generativa es una tecnología de inteligencia artificial que utiliza grandes modelos de lenguaje (LLM) para generar contenido original y proporcionar comprensión y respuestas del lenguaje natural. Obtenga más información sobre la IA generativa en el manual de Inteligencia Artificial (IA).
¿Cuáles son los desafíos más comunes?
Desarrollar una carga de trabajo de aplicación inteligente basada en Power Platform puede ser complejo. Los desafíos incluyen:
- Calidad y disponibilidad de los datos:Los modelos de IA generativa requieren grandes volúmenes de datos de alta calidad. Garantizar que los datos estén limpios, bien estructurados y accesibles aumenta la complejidad.
- Integración con sistemas existentes: la integración perfecta de la IA generativa con la infraestructura de TI y los procesos comerciales existentes puede requerir muchos recursos y ser un desafío técnico.
- Cuestiones éticas y de cumplimiento: es esencial abordar las preocupaciones éticas y garantizar el cumplimiento de las normas legales y reglamentarias. Gestionar la privacidad de los datos, evitar sesgos en los modelos de IA y mantener la transparencia son solo algunas de las cuestiones que hay que abordar.
- capacidades y experiencia: desarrollar y gestionar soluciones de IA generativa requiere capacidades especializado. Las organizaciones a menudo necesitan invertir en la capacitación de su fuerza laboral o contratar nuevos talentos con la experiencia necesaria.
- Costos y asignación de recursos: Implementar IA generativa puede ser costoso. Las organizaciones necesitan administrar cuidadosamente sus recursos y comenzar con proyectos piloto pequeños y de alto impacto para demostrar el valor antes de ampliarlos.
- Preocupaciones de seguridad: Garantizar la seguridad de los sistemas de IA es fundamental e incluye proteger los datos confidenciales de violaciones, así como la protección contra posibles vulnerabilidades en los modelos y la infraestructura de IA.
- Diseño de interfaz de usuario: diseñar interfaces intuitivas y fáciles de usar que aprovechen las capacidades de la IA, particularmente sin abrumar a los usuarios, puede ser difícil.
Para abordar estos desafíos se necesita una planificación exhaustiva, la colaboración entre distintos equipos y un enfoque estratégico para integrar la IA en los procesos de negocio.
El enfoque de la buena arquitectura
Le recomendamos que estructure su carga de trabajo bien diseñada para cumplir con objetivos específicos de confiabilidad, seguridad, excelencia operativa, eficiencia del rendimiento y optimización de la experiencia. Para mejorar las experiencias de los usuarios y ofrecer consistencia y confiabilidad, seguir principios y pautas arquitectónicas adaptadas a las cargas de trabajo de aplicaciones inteligentes.
Los pilares de Power Platform Well-Architected le ayudan a implementar modularidad, separar roles y mejorar la productividad operativa. Utilice un enfoque bien diseñado para crear cargas de trabajo sin complejidad ni costos innecesarios.
Para comprender cómo cada pilar puede mejorar su carga de trabajo de aplicaciones inteligentes, consulte Principios de diseño de cargas de trabajo de aplicaciones inteligentes.
Evaluar la viabilidad técnica y operativa
Antes de comenzar a desarrollar su carga de trabajo de aplicación inteligente con Power Platform, evalúe la viabilidad técnica y operativa e identifique los riesgos y las estrategias de mitigación.
También podría considerar actualizar las cargas de trabajo actuales para utilizar las capacidades de IA generativa, cuando estas capacidades satisfagan las necesidades comerciales y reduzcan los costos. Considere la modernización en función del propósito de la aplicación, la expectativa de vida, la capacidad de soporte, el costo y los acuerdos de nivel de servicio (SLA).
Viabilidad técnica
La viabilidad técnica implica evaluar la disponibilidad y calidad de los datos, los requisitos de integración y los desafíos relacionados con la complejidad técnica.
Disponibilidad de datos y calidad
Los datos de alta calidad garantizan consistencia y precisión para la carga de trabajo de la aplicación inteligente. Como parte de su evaluación de viabilidad, considere lo siguiente:
- Fuentes de datos: Identifique y catalogue todas las fuentes de datos potenciales, incluidas bases de datos internas, API externas y conjuntos de datos de terceros. Asegúrese de que estas fuentes sean confiables y accesibles.
- Silos de datos :Identifique si el proceso actual utiliza fuentes de datos dispares, como hojas de cálculo. La integración de estos datos dispares en el sistema de IA puede suponer un desafío, pero puede ser esencial para proporcionar respuestas precisas.
- Volumen y variedad de datos :Evaluar el volumen y la variedad de datos disponibles. Los modelos de IA generativa generalmente requieren conjuntos de datos grandes y diversos para funcionar de manera eficaz. Asegúrese de que las fuentes de datos proporcionen suficiente cantidad y diversidad para entrenar y validar los modelos.
- Limpieza de datos :Realizar limpieza de datos para eliminar duplicaciones, corregir errores y manejar valores faltantes. Este paso es fundamental para garantizar que los datos que se introducen en los modelos de IA sean precisos y confiables.
- Transformación de datos: transforme los datos sin procesar en un formato adecuado para el entrenamiento del modelo de IA. Este proceso puede implicar normalización, escalamiento y codificación de variables categóricas.
- Validación y prueba de datos: validar y probar periódicamente los datos para garantizar que cumplan con los estándares de calidad requeridos.
Requisitos de integración
La integración sencilla facilita el acceso a los datos en tiempo real y las actualizaciones para la carga de trabajo de la aplicación inteligente. Como parte de su evaluación de viabilidad, considere lo siguiente:
- Infraestructura existente: evalúe la compatibilidad de los modelos de IA generativa con su infraestructura actual. Por ejemplo, determinar si hay API robustas disponibles para una fácil integración.
- Puntos de integración: identifique cómo su carga de trabajo de aplicación inteligente se integrará con las fuentes de datos requeridas. Por ejemplo, determinar si hay conectores o API disponibles.
Desafíos de complejidad técnica
Las respuestas precisas dependen de una carga de trabajo de aplicación inteligente bien diseñada. Como parte de su evaluación de viabilidad, evalúe la confiabilidad y precisión de las respuestas proporcionadas por la carga de trabajo inteligente. Considere cómo optimizar, monitorear y mejorar las respuestas generadas. Los desafíos de complejidad técnica requieren una combinación de experiencia técnica, infraestructura sólida y gestión continua para implementar y mantener con éxito cargas de trabajo de aplicaciones inteligentes. Obtenga más información en Principios de diseño de confiabilidad de cargas de trabajo de aplicaciones inteligentes.
Viabilidad operacional
La viabilidad operativa implica evaluar la disponibilidad de recursos, la adopción por parte de los usuarios y los riesgos junto con las estrategias de mitigación.
Disponibilidad de recursos
El éxito de la carga de trabajo de su aplicación inteligente depende de la disponibilidad de un presupuesto dedicado y recursos de equipo, respaldados por un Centro de Excelencia (CoE) centrado en IA. Tenga en cuenta lo siguiente:
- Evaluación capacidad: evalúe las capacidades de los miembros de su equipo para identificar cualquier brecha que pueda abordarse mediante capacitación o contratación.
- Asignación de roles: defina claramente los roles y las responsabilidades para garantizar que cada miembro del equipo comprenda sus tareas y cómo contribuyen al éxito del proyecto.
- Capacitación y desarrollo: Invierta en capacitación y desarrollo continuos para mantener al equipo actualizado con las últimas tecnologías y metodologías de IA.
- Estimación de costos: comience con una estimación de costos detallada que incluya el costo de la licencia, el costo del software y de los servicios en la nube, y el costo del personal. Estas estimaciones parten de la base de un presupuesto realista.
Adopción del usuario
El éxito de la carga de trabajo de su aplicación inteligente depende de que los usuarios se sientan cómodos con el sistema. Tenga en cuenta lo siguiente:
- Diseño centrado en el usuario: Diseñe el sistema para que sea intuitivo y fácil de usar. Las interfaces complejas pueden disuadir a los usuarios: la simplicidad y la claridad son fundamentales. Asegúrese de que el sistema sea accesible para todos los usuarios.
- Capacitación: Facilitar sesiones de capacitación integrales y brindar apoyo continuo.
- Bucles de retroalimentación :Establecer mecanismos de retroalimentación donde los usuarios puedan reportar imprecisiones, que luego puedan usarse para refinar y mejorar los modelos.
- Transparencia y confianza: asegúrese de que los usuarios sepan que están utilizando una carga de trabajo que incluye capacidades de inteligencia artificial generativa. Comunique claramente por qué se eligió una solución de IA, cómo se diseñó y cómo se monitorea y actualiza.
- Gestión del cambio: alinear el cambio con la cultura y los valores de la organización para garantizar una amplia aceptación y apoyo.
Riesgos y mitigaciones
Las preocupaciones sobre la privacidad de los datos, los posibles sesgos en las respuestas de la IA y las fallas técnicas son riesgos potenciales. Garantizar la privacidad de los datos es fundamental, especialmente porque la carga de trabajo de la aplicación inteligente puede manejar datos confidenciales.
Al planificar una carga de trabajo de aplicación inteligente, aborde los siguientes riesgos e implemente estrategias de mitigación efectivas:
Privacidad de datos: proteja los datos confidenciales utilizados y generados por los modelos de IA. Implementar cifrado, controles de acceso y auditorías de seguridad periódicas. Asegúrese de que la carga de trabajo cumpla con los estándares regulatorios relevantes, como RGPD o HIPAA, para proteger la privacidad y los datos del usuario.
Sesgo en las respuestas de IA: utilice conjuntos de datos diversos y representativos para entrenar modelos de IA. Auditar y probar periódicamente los modelos para detectar sesgos.
Fallas técnicas: Diseñar una infraestructura robusta y escalable con mecanismos de redundancia y conmutación por error. Implementar copias de seguridad periódicas y planes de recuperación ante desastres.
Amenazas a la seguridad: Emplee medidas de seguridad avanzadas como autenticación multifactor, sistemas de detección de intrusiones y auditorías de seguridad periódicas. Mantenga el software y los sistemas actualizados contra vulnerabilidades.
Preocupaciones éticas: Establecer pautas éticas claras y marcos de gobernanza para el uso de la IA. Garantice la transparencia en las operaciones de IA y mantenga un enfoque de participación humana para decisiones críticas.
Cuestiones regulatorias y de cumplimiento: manténgase informado sobre las regulaciones relevantes y asegúrese de que los sistemas de IA cumplan con todos los requisitos legales. Realizar auditorías de cumplimiento periódicas y actualizar las políticas según sea necesario.
Pasos siguientes
Comience repasando los principios de diseño.