Présentation des charges de travail des applications intelligentes
Cette documentation fournit des conseils pratiques pour la planification, le développement et la maintenance de charges de travail d’application intelligentes avec Microsoft Power Platform. Ces conseils s’appuient sur des bases techniques fondées sur les meilleures pratiques bien conçues et sont également éclairés par l’expérience tirée des déploiements clients. Power Platform
Ce guide est principalement destiné aux propriétaires de charges de travail, aux intervenants techniques et aux intervenants commerciaux, c’est-à-dire à toute personne jouant un rôle essentiel dans la conception, la création et la maintenance d’une charge de travail d’application intelligente.
Astuce
Pour évaluer votre charge de travail à travers le prisme de la fiabilité, de la sécurité, de l’excellence opérationnelle, de l’efficacité des performances et de l’optimisation de l’expérience, effectuez une évaluation bien conçue Power Platform .
Qu’est-ce qu’une charge de travail d’application intelligente ?
Dans le contexte de Power Platform Well-Architected, le terme charge de travail décrit un ensemble de ressources d’application, de données, d’infrastructures et de processus de support qui fonctionnent ensemble pour fournir les résultats commerciaux souhaités. Une charge de travail comprend des composants d’application et de technologie ainsi que des processus comportementaux, de développement et opérationnels.
Une charge de travail d’application intelligente basée sur Power Platform applique les capacités de Power Platform pour intégrer et consommer des modèles d’IA génératifs afin d’automatiser et d’améliorer les processus métier.
L’IA générative est une technologie d’intelligence artificielle qui utilise des modèles de langage étendus (LLM) pour générer du contenu original et fournir une compréhension du langage naturel et des réponses. En savoir plus sur l’IA générative dans le playbook Intelligence artificielle (IA).
Quels sont les défis courants ?
Développer une charge de travail d’application intelligente basée sur Power Platform peut être complexe. Les défis incluent :
- Qualité et disponibilité des données : les modèles d’IA générative nécessitent de grands volumes de données de haute qualité. Garantir que les données sont propres, bien structurées et accessibles augmente la complexité.
- Intégration aux systèmes existants : l’intégration transparente de l’IA générative à l’infrastructure informatique et aux processus métier existants peut nécessiter beaucoup de ressources et être techniquement difficile.
- Questions éthiques et de conformité : Il est essentiel de répondre aux préoccupations éthiques et de garantir la conformité aux normes légales et réglementaires. La gestion de la confidentialité des données, la prévention des biais dans les modèles d’IA et le maintien de la transparence ne sont que quelques-uns des problèmes à résoudre.
- compétences et expertise : Le développement et la gestion de solutions d’IA génératives nécessitent des compétences spécialisés. Les organisations doivent souvent investir dans la formation de leur personnel ou embaucher de nouveaux talents possédant l’expertise nécessaire.
- Coût et allocation des ressources : La mise en œuvre de l’IA générative peut être coûteuse. Les organisations doivent gérer soigneusement leurs ressources et commencer par de petits projets pilotes à fort impact pour démontrer la valeur avant de passer à l’échelle supérieure.
- Préoccupations en matière de sécurité : il est essentiel de garantir la sécurité des systèmes d’IA. Cela comprend la protection des données sensibles contre les violations ainsi que la protection contre les vulnérabilités potentielles des modèles et de l’infrastructure d’IA.
- Conception de l’interface utilisateur : concevoir des interfaces intuitives et conviviales qui exploitent les capacités de l’IA, en particulier sans submerger les utilisateurs, peut s’avérer difficile.
Relever ces défis nécessite une planification minutieuse, une collaboration entre différentes équipes et une approche stratégique pour intégrer l’IA dans les processus métier.
L’approche bien-architecturée
Nous vous recommandons de structurer votre charge de travail bien architecturée pour répondre à des objectifs spécifiques de fiabilité, de sécurité, d’excellence opérationnelle, d’efficacité des performances et d’optimisation de l’expérience. Pour améliorer l’expérience utilisateur et assurer cohérence et fiabilité, suivre principes et directives d’architecture adaptés aux charges de travail des applications intelligentes.
Les piliers Power Platform Well-Architected vous aident à mettre en œuvre la modularité, à séparer les rôles et à améliorer la productivité opérationnelle. Utilisez une approche bien conçue pour créer des charges de travail sans complexité ni coût inutiles.
Pour comprendre comment chaque pilier peut améliorer votre charge de travail d’application intelligente, consultez les Principes de conception des charges de travail d’application intelligentes.
Évaluer la faisabilité technique et opérationnelle
Avant de commencer à développer votre charge de travail d’application intelligente avec Power Platform, évaluez la faisabilité technique et opérationnelle et identifiez les risques et les stratégies d’atténuation.
Vous pouvez également envisager de mettre à jour les charges de travail actuelles pour utiliser les fonctionnalités de l’IA générative, lorsque ces fonctionnalités répondent aux besoins de l’entreprise et réduisent les coûts. Envisagez une modernisation en fonction de l’objectif de l’application, de l’espérance de vie, de la capacité de support, du coût et des accords de niveau de service (SLA).
Faisabilité technique
La faisabilité technique implique d’évaluer la disponibilité et la qualité des données, les exigences d’intégration et les défis liés à la complexité technique.
Disponibilité des données et qualité
Des données de haute qualité garantissent la cohérence et la précision de la charge de travail des applications intelligentes. Dans le cadre de votre évaluation de faisabilité, tenez compte des éléments suivants :
- Sources de données : identifiez et cataloguez toutes les sources de données potentielles, y compris les bases de données internes, les API externes et les ensembles de données tiers. Assurez-vous que ces sources sont fiables et accessibles.
- Silos de données : Identifiez si le processus actuel utilise des sources de données disparates, telles que des feuilles de calcul. L’intégration de ces données disparates dans le système d’IA peut constituer un défi, mais peut être essentielle pour fournir des réponses précises.
- Volume et variété des données :Évaluer le volume et la variété des données disponibles. Les modèles d’IA génératifs nécessitent généralement des ensembles de données volumineux et diversifiés pour fonctionner efficacement. Assurez-vous que les sources de données offrent une quantité et une diversité suffisantes pour former et valider les modèles.
- Nettoyage des données :Effectuez un nettoyage des données pour supprimer les doublons, corriger les erreurs et gérer les valeurs manquantes. Ce étape est essentiel pour garantir que les données qui alimentent les modèles d’IA sont exactes et fiables.
- Transformation des données : transformez les données brutes en un format adapté à la formation du modèle d’IA. Ce processus peut impliquer la normalisation, la mise à l’échelle et le codage de variables catégorielles.
- Validation et test des données : Validez et testez régulièrement les données pour garantir qu’elles répondent aux normes de qualité requises.
Exigences d’intégration
L’intégration simple facilite l’accès aux données en temps réel et les mises à jour pour la charge de travail de l’application intelligente. Dans le cadre de votre évaluation de faisabilité, tenez compte des éléments suivants :
- Infrastructure existante : évaluez la compatibilité des modèles d’IA génératifs avec votre infrastructure actuelle. Par exemple, déterminez si des API robustes sont disponibles pour une intégration facile.
- Points d’intégration : identifiez la manière dont votre charge de travail d’application intelligente s’intégrera aux sources de données requises. Par exemple, déterminez si des connecteurs ou des API sont disponibles.
Défis de complexité technique
Des réponses précises reposent sur une charge de travail d’application intelligente bien conçue. Dans le cadre de votre évaluation de faisabilité, évaluez la fiabilité et l’exactitude des réponses fournies par la charge de travail intelligente. Réfléchissez à la manière d’optimiser, de surveiller et d’améliorer les réponses générées. Les défis de complexité technique nécessitent une combinaison d’expertise technique, d’infrastructure robuste et de gestion continue pour mettre en œuvre et maintenir avec succès des charges de travail d’application intelligentes. Pour en savoir plus, consultez les principes de conception de fiabilité des charges de travail d’applications intelligentes.
Faisabilité opérationnelle
La faisabilité opérationnelle implique l’évaluation de la disponibilité des ressources, de l’adoption par les utilisateurs et des risques ainsi que des stratégies d’atténuation.
La disponibilité des ressources
Le succès de votre charge de travail d’application intelligente dépend de la disponibilité d’un budget dédié et de ressources d’équipe, soutenues par un centre d’excellence (CoE) axé sur l’IA. Prenez en compte les éléments suivants :
- Évaluation compétence : Évaluez les compétences membres de votre équipe pour identifier les lacunes qui peuvent être comblées par la formation ou l’embauche.
- Répartition des rôles : définissez clairement les rôles et les responsabilités pour garantir que chaque membre de l’équipe comprend ses tâches et comment il contribue au succès du projet.
- Formation et développement : Investissez dans la formation et le développement continus pour maintenir l’équipe à jour avec les dernières technologies et méthodologies d’IA.
- Estimation des coûts : Commencez par une estimation détaillée des coûts qui inclut le coût de la licence, les coûts des logiciels et des services cloud, ainsi que les coûts du personnel. De telles estimations sont à la base d’un budget réaliste.
Adoption utilisateur
Le succès de votre charge de travail d’application intelligente dépend du confort des utilisateurs avec le système. Prenez en compte les éléments suivants :
- Conception centrée sur l’utilisateur : concevez le système pour qu’il soit intuitif et convivial. Les interfaces complexes peuvent décourager les utilisateurs : la simplicité et la clarté sont essentielles. Assurez-vous que le système est accessible à tous les utilisateurs.
- Formation : Animer des sessions de formation complètes et fournir un soutien continu.
- Boucles de rétroaction : Établir des mécanismes de rétroaction où les utilisateurs peuvent signaler des inexactitudes, qui peuvent ensuite être utilisées pour affiner et améliorer les modèles.
- Transparence et confiance : assurez-vous que les utilisateurs savent qu’ils utilisent une charge de travail qui inclut des fonctionnalités d’IA générative. Communiquez clairement pourquoi une solution d’IA a été choisie, comment elle a été conçue et comment elle est surveillée et mise à jour.
- Gestion du changement : aligner le changement avec la culture et les valeurs de l’organisation pour assurer une acceptation et un soutien larges.
Risques et mesures d’atténuation
Les problèmes de confidentialité des données, les biais potentiels dans les réponses de l’IA et les défaillances techniques sont des risques potentiels. Il est essentiel de garantir la confidentialité des données, en particulier lorsque la charge de travail des applications intelligentes peut gérer des données sensibles.
Lors de la planification d’une charge de travail d’application intelligente, tenez compte des risques suivants et mettez en œuvre des stratégies d’atténuation efficaces :
Confidentialité des données : Protégez les données sensibles utilisées et générées par les modèles d’IA. Mettre en œuvre le cryptage, les contrôles d’accès et les audits de sécurité réguliers. Assurez-vous que la charge de travail est conforme aux normes réglementaires en vigueur, telles que RGPD ou HIPAA, pour protéger la confidentialité et les données des utilisateurs.
Biais dans les réponses de l’IA : utiliser des ensembles de données diversifiés et représentatifs pour former des modèles d’IA. Auditer et tester régulièrement les modèles pour détecter les biais.
Défaillances techniques : Concevez une infrastructure robuste et évolutive avec des mécanismes de redondance et de basculement. Mettre en œuvre des sauvegardes régulières et des plans de reprise après sinistre.
Menaces de sécurité : utilisez des mesures de sécurité avancées telles que l’authentification multifacteur, les systèmes de détection d’intrusion et les audits de sécurité réguliers. Maintenez les logiciels et les systèmes à jour pour vous protéger des vulnérabilités.
Préoccupations éthiques : Établir des lignes directrices éthiques claires et des cadres de gouvernance pour l’utilisation de l’IA. Assurez la transparence dans les opérations d’IA et maintenez une approche humaine dans la boucle pour les décisions critiques.
Conformité et questions réglementaires : Restez informé des réglementations pertinentes et assurez-vous que les systèmes d’IA sont conformes à toutes les exigences légales. Effectuer des audits de conformité réguliers et mettre à jour les politiques si nécessaire.
Étapes suivantes
Commencez par revoir les principes de conception.