Personas d'équipe de charge de travail pour les charges de travail en 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.
La collaboration efficace repose sur l'intégration des outils, des processus et des personnes et elle est motivée par les besoins de charge de travail et des 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 décrit les personas pour les charges de travail en IA et leurs avantages dans la conception des charges de travail. Il fournit également des exemples et des outils pour définir et 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’exploitation d’une charge de travail. Les personnages capturent à la fois les rôles et les comportements réels et les responsabilités de ces personnes et processus. Un individu peut incarner un ou plusieurs personnages, selon le contexte. Un persona n'a pas besoin d'être une personne. Il peut également s'agir d'un processus non surveillé, tel qu'un processus d'agent dans l'architecture.
Votre charge de travail peut inclure des personas utilisateur qui orientent le développement des fonctionnalités. Ces personnages ne sont pas dans le cadre de cet article.
Contrairement aux rôles, qui sont des fonctions ou des positions relativement statiques au sein d’une organisation, les personnages sont dynamiques et orientés vers l’objectif. Ils peuvent être utilisés pour mapper les exigences de compétences aux processus et aux 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. L’identification des lacunes vous permet de déterminer s’il faut recruter ou former des ressources ou redéfinir la solution. Si votre équipe de charge de travail manque de personnes qui correspondent à une personne nécessaire, vous devrez peut-être ajuster l’architecture, modifier le processus ou intégrer un nouveau personnel. Par exemple, si une personne principale de la science des données est manquante, vous pouvez redéfinir l’architecture pour vous appuyer davantage sur des solutions SAAS (Software as a Service) à usage général ou incorporer des solutions IA non-Microsoft.
- Compétences améliorées. Le mappage des personnages à des composants architecturaux spécifiques facilite également les opportunités éducatives, telles que les sessions et les cours en ligne pour améliorer les compétences.
- Garantir les niveaux d’accès appropriés. Vous devez utiliser des personas pour définir les besoins de sécurité et d’accès en mappant des personnages aux processus, architectures et services. Ce mappage permet de garantir les niveaux d’accès appropriés.
- Faciliter la planification et la communication des projets. Dans la planification du projet, les personas aident à identifier les interactions clés pour faciliter 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 pour simplifier 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 dans lesquels ils seront impliqués.
Voici un exemple de modèle de base de référence :
| Modèle persona |
|---|
| nom de la personne 🔹: [Nom] 🔹Équipe : [Équipe responsable de la personne] 🔹interaction principale : [Les autres équipes avec lesquelles la personne interagit] 🔹l’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 des spécificités de domaine et de technologie telles que l’entraînement de modèle ou l’optimisation de l’index de recherche] |
Outils
Vous pouvez utiliser une table pour organiser et visualiser des informations pour chaque personnage. L’un des avantages de cette méthode est que vous pouvez créer et lier à d’autres tables qui fournissent des informations plus spécifiques. 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. Commencer avec entre 5 et 10 personas est un bon équilibre, et vous devriez uniquement ajouter des personas qui sont nécessaires à vos opérations.
Vous pouvez également utiliser des cartes pour définir des personnages. Ces cartes contiennent les mêmes informations que le tableau ou un résumé rapide. Vous pouvez utiliser PowerPoint ou créer un ensemble de fichiers Markdown pour créer ces cartes.
Dans certains cas, vous pouvez utiliser une combinaison d’outils. Par exemple, chaque composant d’architecture d’une carte persona peut ouvrir un fichier Markdown qui inclut une table qui mappe le contrôle d’accès en fonction du rôle et de sécurité pour chaque service et environnement. Pour un exemple, veuillez consulter la section Accélérateur MLOps : Identité RBAC.
Exemple de publics
Vous pouvez utiliser des cartes pour définir les services auxquels une personne doit pouvoir 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, nous vous recommandons 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.
| 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, 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 au composant : portail Azure AI Foundry, Service 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 agentique |
| Développeur de conversation GenAI (P007) |
|---|
| Équipe : Équipe d’ingénierie 🔹 Interaction principale : équipe IA accès aux composants 🔹 : Azure Web Apps, Gestion des API Azure, Azure Cosmos DB, Azure Container Apps, Azure Functions processus 🔹 : DevOps, traitement piloté par les événements, microservices 🔹 Compétences : architecture d’application web (front end/back-end), React, Node.js, HTML, CSS |
| Agent de build MLOps (P009) |
|---|
| Équipe : Équipe d’ingénierie 🔹 Interaction Principale : AI Team accès aux composants 🔹 : Azure Machine Learning, Azure DevOps, GitHub 🔹 Processus : traitement et service de Lambda, boucle externe MLOps 🔹 Compétences : Python, Pyspark |
Cas d’usage : Personas pour les processus IA
Ces principaux processus sont utilisés dans les charges de travail IA :
- DataOps est l’ingestion et la préparation des données.
- MLOps est l’opérationnalisation des modèles Machine Learning.
- GenAIOps est la découverte et l’évaluation des modèles existants et l’affinement de ces modèles dans le contexte de charge de travail.
- La boucle interne est l'affinement des solutions dans l'environnement de développement, soit pendant la recherche, soit déclenché par la surveillance de la boucle externe.
- La boucle externe est le déplacement des solutions du développement à la production. Cette boucle utilise la surveillance et l’évaluation continues pour identifier les améliorations nécessaires.
Le mappage de personas à ces processus fournit un contexte pour chaque personnage. Cette étape peut aider à 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. Le flux de travail utilise des pratiques d’intégration continue et de livraison continue (CI/CD). Les tâches clés incluent l’affinement des modèles de données, l’évaluation des lots, le déploiement de points de terminaison, l’évaluation des modèles en temps réel et l’optimisation des modèles. 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 a besoin d’interagir et de mettre en évidence des domaines de perfectionnement potentiels.
Pour visualiser cette connexion, créez une image graphique qui montre comment les composants d’architecture sont connectés. Cette aide visuelle peut illustrer le flux de données et les interactions entre les services et la façon dont les flux sont automatisés dans le déploiement. Il aide les parties prenantes à comprendre l’architecture et les rôles de différents personnages au sein de celui-ci.
L’image suivante montre une architecture Lambda pour l’analytique moderne sur Azure.
Étape suivante
Ensuite, passez à l’outil d’évaluation pour évaluer votre conception.