Personas d’équipe de charge de travail impliquées dans les charges de travail IA
Dans le contexte de la création de charges de travail IA, contrairement au déploiement de code traditionnel, les modèles non déterministes nécessitent une expérimentation itérative et une collaboration entre plusieurs rôles et équipes. L’intégration précoce des opérations, du développement d’applications et des équipes de données est essentielle pour favoriser la compréhension mutuelle. Cette collaboration demande des compétences diverses et un apprentissage continu pour suivre les progrès technologiques.
Une collaboration efficace dépend de l’intégration d’outils, de processus et de personnes, toutes pilotées par les besoins de charge de travail et les objectifs spécifiques. Les stratégies recommandées sont les suivantes :
- Établissement de rôles et de responsabilités clairs.
- Tirer parti de l’ensemble de compétences de votre équipe pour les tâches appropriées.
- Normalisation des processus et sous-processus, tels que le suivi du travail dans le cadre d’un backlog partagé.
- S’appuyant sur l’automatisation pour obtenir la cohérence et la reproductibilité.
Les personas peuvent être un outil efficace pour matérialiser ces stratégies et normaliser les responsabilités. Cet article explore le concept de personnages trouvés dans les charges de travail IA, leurs avantages dans la conception de charge de travail et fournit des exemples et des outils permettant de définir et d’utiliser efficacement ces personnages au niveau de l’équipe.
Qu’est-ce que les personnages ?
Les personnages représentent des sous-ensembles d’humains et de processus impliqués dans la création et l’exécution d’une charge de travail, en capturant non seulement leurs rôles, mais aussi leurs comportements réels et leurs capacités de compte. Un individu peut incarner un ou plusieurs personnages en fonction du contexte. Il est intéressant de noter qu’un personnage n’a pas besoin d’être une personne ; il peut également s’agir d’un processus sans assistance, tel qu’un processus d’agent au sein de l’architecture.
Votre charge de travail peut avoir des personas d’utilisateur final qui pilotent le développement de fonctionnalités, ces personnages ne sont pas dans l’étendue de cet article.
Contrairement aux rôles, qui sont généralement des fonctions ou des positions plus statiques au sein d’une organisation, les personnages sont dynamiques et orientés vers l’objectif. Ils peuvent être utilisés pour mapper les exigences de compétence aux processus et outils, tels que les composants architecturaux. Les personnages aident principalement à définir l’étendue de la responsabilité et à définir le contexte au sein d’un projet. Ils offrent plusieurs autres avantages, tels que :
Identification des lacunes de ressources, ce qui permet de décider s’il faut recruter, former ou redéfinir la solution. Si votre équipe de charge de travail ne dispose pas d’une personne nécessaire, vous devrez peut-être ajuster l’architecture, modifier le processus ou intégrer un nouveau personnel. Par exemple, si une personne de science des données senior est manquante, l’architecture peut être repensée en considérant une fiabilité plus élevée sur les solutions d’IA SaaS à usage général ou en incorporant des solutions IA tierces.
Compétences améliorées. Le mappage des personnages à des composants architecturaux spécifiques facilite également les opportunités éducatives, en fournissant des sessions et des cours en ligne pour améliorer les compétences.
Vérifiez les niveaux d’accès appropriés. Les personnages doivent être utilisés pour définir les besoins de sécurité et d’accès en les mappant aux processus, architectures et services, en garantissant les niveaux d’accès appropriés.
La planification et la communication des projets dans la planification du projet, les personas permettent d’identifier les interactions clés, ce qui facilite la configuration des réunions de synchronisation et la planification globale. En règle générale, les personnages sont intégrés à la hiérarchie de suivi des récits utilisateur, des fonctionnalités et des exigences, ce qui simplifie la gestion des projets.
Guide pratique pour définir des personas
Identifiez les spécialisations des membres de votre équipe et alignez-les avec les rôles appropriés dans vos opérations ou conception IA. Créez un modèle pour documenter les attentes de compétences, les informations d’équipe et les processus auxquels ils seront impliqués.
Voici un exemple de modèle de base de référence :
| Modèle persona |
|---|
| 🔹 Nom de la personne : [Insérer un nom de personne] 🔹Équipe : [Équipe responsable de cette personne] 🔹Interaction principale : [Les autres équipes avec lesquelles cette personne interagit] 🔹Accès aux composants : [Exigences de sécurité et d’accès pour les processus et les composants système] 🔹Processus : [Le persona est responsable ou contribue à] 🔹Compétences : [Compétences requises pour effectuer les tâches, y compris les spécificités du domaine et de la technologie, telles que l’entraînement de modèle ou l’optimisation de l’index de recherche.] |
Outils
L’utilisation d’une table peut vous aider à organiser et visualiser des informations pour chaque personnage. L’avantage est que vous pouvez créer et lier d’autres tables pour plus d’informations. Par exemple, vous pouvez lier des composants d’architecture à une autre table où le contrôle d’accès basé sur l’identité est spécifié pour chaque service et environnement (Dev, Stage, Production).
Compromis. Le fait d’avoir trop peu de personnes peut compliquer l’implémentation du contrôle d’accès en fonction du rôle avec un accès au moins privilégié et distribuer efficacement les responsabilités professionnelles. À l’inverse, le fait d’avoir trop de personnes ajoute une surcharge de gestion. À compter de 5-10 personas est un bon équilibre, et vous devez uniquement ajouter des personas nécessaires pour vos opérations.
Les cartes peuvent également être utilisées pour définir des personnages. Ces cartes contiennent les mêmes informations que le tableau ou un résumé rapide. Vous pouvez créer ces cartes à l’aide de Microsoft PowerPoint ou sous la forme d’un ensemble de fichiers Markdown.
Dans certains cas, vous pouvez utiliser un ensemble combiné d’outils. Par exemple, chaque composant d’architecture d’une carte persona peut ouvrir un fichier Markdown avec un contrôle d’accès en fonction du rôle et de sécurité de mappage de table pour chaque service et environnement. Pour obtenir un exemple de référence, consultez l’accélérateur MLOps : RBAC d’identité.
Exemple de publics
À l’aide de cartes, vous pouvez définir les services auxquels une personne a besoin d’accéder au sein d’un processus et décrire les compétences requises pour chaque personne (qu’il s’agisse d’une personne ou d’un agent).
Important
Bien que les personnages définis ici servent d’exemples de référence, il est recommandé de créer vos propres personnages à l’aide d’outils tels que des tables, des cartes de modèle persona et des graphiques.
Il est important que ces personnes s’alignent sur vos processus, votre organisation et vos utilisateurs spécifiques.
| IA Ingénieurs Données (P001) |
|---|
| Équipe : Équipe d’ingestion des données 🔹 Interaction principale : équipe de développement IA 🔹Accès aux composants : Azure Data Factory, Azure Databricks, Azure SQL Database, Stockage Azure 🔹 Processus : DataOps, ETL, ELT 🔹 Compétences : SQL, Python, PySpark |
| Analyste bi (P003) |
|---|
| Équipe : Équipe d’analyse 🔹 Interaction principale : équipe d’ingestion de données 🔹Accès aux composants : Power BI, Azure Data Explorer, Stockage Azure 🔹 Processus : analyse des données, processus d’entreposage de données 🔹 Compétences : SQL, Python, PySpark |
| IA discriminative Scientifique des données (P004) |
|---|
| Équipe : Équipe IA 🔹 Interaction principale : équipe d’ingestion de données, équipe DevOps 🔹Accès aux composants : Azure Machine Learning, Azure Databricks, Stockage Azure, Azure Key Vault 🔹 Processus : MLOps, MLflow 🔹 Compétences : Azure Machine Learning, Python, Entraînement de modèle |
| GenAI Scientifique des données (P006) |
|---|
| Équipe : Équipe IA 🔹 Interaction principale : équipe d’ingestion de données, équipe DevOps 🔹Accès aux composants : Azure AI Studio, Azure OpenAI, Recherche Azure AI, Stockage Azure, Azure Key Vault 🔹 Processus : GenAIOps 🔹 Compétences : Azure Machine Learning, Python, Connaissance du modèle (LLM, SLM), réglage précis, RAG, concept Agentic |
| Développeur de conversation GenAI (P007) |
|---|
| Équipe : Équipe d’ingénierie 🔹 Interaction principale : équipe IA 🔹 Accès aux composants : Azure WebApps, gestion des API Azure, Cosmos DB, Azure Container Apps, Azure Functions 🔹 Processus : DevOps, traitement piloté par les événements, Microservices 🔹 Compétences : Architecture d’application web (frontend/back-end), React, Node.js, HTML, CSS |
| BuildAgent MLOps (P009) |
|---|
| Équipe : Équipe d’ingénierie 🔹 Interaction principale : équipe IA 🔹 Accès aux composants : Azure Machine Learning, Azure Devops, GitHub 🔹 Processus : processus/service de MLOps de boucle LAMBDA, EXTERNE 🔹 Compétences : Python, Pyspark |
Cas d’usage : Personas pour les processus IA
Les principaux processus liés aux charges de travail IA sont les suivants :
- DataOps se concentre sur l’ingestion et la préparation des données.
- MLOps implique l’opérationnalisation des modèles Machine Learning.
- GenAIOps se rapporte à la découverte et à l’évaluation des modèles existants, puis à leur affinement dans votre contexte de charge de travail.
- La boucle interne affine les solutions dans l’environnement de développement, soit pendant la recherche, soit déclenchée par la surveillance des boucles externes.
- La boucle externe déplace les solutions du développement à la production, à l’aide de la surveillance et de l’évaluation continues pour identifier les améliorations nécessaires.
Le mappage de personas à ces processus fournit un contexte pour chaque personnage. Cela permet d’identifier les processus dans lesquels une personne peut avoir besoin de compétences.
L’image montre le flux de travail pour DataOps, MLOps et GenAIOps dans un environnement de production. Les flux de données de l’ingestion vers le déploiement et l’évaluation du modèle, à l’aide de pratiques d’intégration continue/de déploiement continu (CI/CD). Les principales tâches incluent l’affinement des modèles de données, l’évaluation par lots, le déploiement de points de terminaison, l’évaluation du modèle en temps réel et les modèles de réglage précis. L’exemple de personne participe à l’ensemble du flux de travail.
Cas d’usage : Personas pour la conception d’architecture
La connexion de processus à l’architecture de prise en charge vous permet d’identifier les services avec lesquels une personne doit interagir, en mettant en évidence des domaines de perfectionnement potentiels.
Pour visualiser cette connexion, créez une image graphique montrant comment les composants d’architecture sont connectés. Cela peut illustrer le flux de données et les interactions entre les services et la façon dont les flux sont automatisés dans le déploiement. Cette aide visuelle aide les parties prenantes à comprendre l’architecture et les rôles de différents personnages.
L’image ci-dessous montre une architecture LAMBDA pour l’analytique moderne sur Azure :
Étape suivante
Passez maintenant à l’outil d’évaluation pour évaluer votre conception.