Profili del team per carichi di lavoro di intelligenza artificiale
Nel contesto della creazione di carichi di lavoro di intelligenza artificiale, a differenza della distribuzione del codice tradizionale, i modelli non deterministici richiedono sperimentazione iterativa e collaborazione tra più ruoli e team. L'integrazione anticipata delle operazioni, dello sviluppo di applicazioni e dei team di dati è essenziale per favorire la comprensione reciproca. Questa collaborazione richiede competenze diverse e apprendimento continuo per tenere il passo con i progressi tecnologici.
Una collaborazione efficace si basa su l'integrazione di strumenti, processi e persone ed è guidata dalle necessità di lavoro e da obiettivi specifici. Le strategie consigliate includono:
- Definizione di ruoli chiari e responsabilità.
- Sfruttare le competenze del team per i compiti appropriati.
- Standardizzazione di processi e sottoprocessi, ad esempio il rilevamento del lavoro come parte di un backlog condiviso.
- Basarsi sull'automazione per ottenere coerenza e riproducibilità.
Le persone possono essere uno strumento efficace per materializzare tali strategie e standardizzare le responsabilità. Questo articolo descrive le persone per i carichi di lavoro di intelligenza artificiale e i relativi vantaggi nella progettazione del carico di lavoro. Fornisce anche esempi e strumenti per definire e usare in modo efficace questi utenti a livello di team.
Che cosa sono gli utenti?
Gli utenti singoli rappresentano subset di esseri umani e processi coinvolti nella creazione e nel funzionamento di un carico di lavoro. Le persone acquisiscono sia i ruoli che i comportamenti reali e le responsabilità di questi individui e processi. Un individuo può incarnare uno o più utenti, a seconda del contesto. Una persona non deve essere una persona. Può anche essere un processo non presidiato, ad esempio un processo agente nell'architettura.
Il carico di lavoro potrebbe includere personas utente che guidano lo sviluppo di funzionalità. Questi utenti non rientrano nell'ambito di questo articolo.
A differenza dei ruoli, che sono funzioni relativamente statiche o posizioni all'interno di un'organizzazione, le persone sono dinamiche e orientate agli obiettivi. Possono essere usati per mappare i requisiti di competenze ai processi e agli strumenti, come i componenti architettonici. Gli utenti singoli aiutano principalmente a definire l'ambito di responsabilità e impostare il contesto all'interno di un progetto. Offrono diversi altri vantaggi, ad esempio:
- Identificazione delle lacune delle risorse. L'identificazione delle lacune consente di decidere se reclutare o eseguire il training delle risorse o riprogettare la soluzione. Se il team del carico di lavoro non dispone di persone che corrispondono a un profilo necessario, potrebbe essere necessario modificare l'architettura, modificare il processo o integrare nuovo personale. Ad esempio, se manca un senior data science persona, è possibile riprogettare l'architettura in modo da basarsi più su soluzioni di intelligenza artificiale per utilizzo generico (SaaS) o incorporare soluzioni di intelligenza artificiale non Microsoft.
- Competenze avanzate. Associare le personas a specifici componenti architetturali facilita anche le opportunità educative, come sessioni e corsi online per migliorare le competenze.
- Garantire livelli di accesso appropriati. È consigliabile usare le personas per definire le esigenze di sicurezza e accesso mappando le personas a processi, architetture e servizi. Questa mappatura consente di garantire livelli di accesso appropriati.
- Facilitare la pianificazione e la comunicazione del progetto. Nella pianificazione del progetto, le personas aiutano a identificare le interazioni chiave per facilitare l'organizzazione delle riunioni di sincronizzazione e la pianificazione generale. In genere, le personas sono integrate nella gerarchia di tracciamento delle storie utente, delle funzionalità e dei requisiti per semplificare la gestione dei progetti.
Come definire gli utenti
Identificare le specializzazioni dei membri del team e allinearle ai ruoli appropriati nelle operazioni o nella progettazione dell'intelligenza artificiale. Creare un modello per documentare le aspettative delle competenze delle persone, le informazioni sul team e i processi nei quali saranno coinvolti.
Ecco un modello di base di esempio:
| Il modello di persona |
|---|
|
🔹Nome utente: [Nome] 🔹Team: [Team responsabile dell'utente] 🔹Interazione primaria: [Altri team con cui l'utente interagisce] 🔹Accesso ai componenti: [Requisiti di sicurezza e accesso per i processi e i componenti di sistema] 🔹Processi: [Processi a cui l'utente è responsabile o contribuisce] 🔹Competenze: [Competenze necessarie per completare le attività, incluse le specifiche di dominio e tecnologia, come l'addestramento del modello o l'ottimizzazione dell'indice di ricerca] |
Strumenti
È possibile usare una tabella per organizzare e visualizzare le informazioni per ogni persona. Un vantaggio di questo metodo è che è possibile creare e collegare ad altre tabelle che forniscono informazioni più specifiche. Ad esempio, è possibile collegare i componenti dell'architettura a un'altra tabella in cui viene specificato il controllo degli accessi in base all'identità per ogni servizio e ambiente (Dev, Stage, Production).
Cambio. La presenza di un numero eccessivo di utenti può rendere difficile implementare il controllo degli accessi in base al ruolo con accesso con privilegi minimi e distribuire in modo efficace le responsabilità di lavoro. Al contrario, la presenza di troppi utenti comporta un sovraccarico di gestione. A partire da 5 a 10 persone è un buon equilibrio ed è consigliabile aggiungere solo persone necessarie per le operazioni.
È anche possibile usare le schede per definire gli utenti. Queste schede contengono le stesse informazioni della tabella o un riepilogo rapido. È possibile usare PowerPoint o creare un set di file Markdown per creare queste schede.
In alcuni casi, è possibile usare una combinazione di strumenti. Ad esempio, ogni componente dell'architettura in una scheda utente può aprire un file Markdown che include una tabella che esegue il mapping del controllo degli accessi in base al ruolo e alla sicurezza per ogni servizio e ambiente. Per un esempio, vedere l'acceleratore MLOps : Gestione degli accessi in base ai ruoli delle identità.
Figura di esempio
È possibile usare le schede per definire i servizi a cui un utente deve poter accedere all'interno di un processo e delineare le competenze necessarie per ogni persona (sia una persona o un agente).
Importante
Anche se le persone definite qui fungono da esempi di base, è consigliabile creare utenti personalizzati usando strumenti come tabelle, schede modello di persona e grafici.
È importante che questi personaggi siano allineati ai processi, all'organizzazione e agli utenti.
| IA Ingegnere dei dati (P001) |
|---|
| Team: team di inserimento dati 🔹 Interazione primaria: Team di sviluppo AI accesso al componente 🔹: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage 🔹 Processi: DataOps, ETL, ELT 🔹 Competenze: SQL, Python, PySpark |
| Analista bi (P003) |
|---|
| Team: Team di analisi 🔹 Interazione primaria: Team di Gestione Dati Accesso al componente 🔹: Power BI, Azure Data Explorer, Archiviazione Azure 🔹 Processi: analisi dei dati, archiviazione dei dati 🔹 Competenze: SQL, Python, PySpark |
| Scienziato dei dati di intelligenza artificiale discriminante (P004) |
|---|
| Team: Team di intelligenza artificiale 🔹 Interazione principale: Team di inserimento dati, Team DevOps accesso ai componenti 🔹: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault 🔹 Processi: MLOps, MLflow 🔹 Competenze: Azure Machine Learning, Python, Training del modello |
| Scienziato dei dati GenAI (P006) |
|---|
| Team: Team di intelligenza artificiale 🔹 Interazione principale: Team di inserimento dati, Team DevOps accesso al componente 🔹: portale di Azure AI Foundry, servizio OpenAI di Azure, Ricerca di intelligenza artificiale di Azure, Archiviazione di Azure, Azure Key Vault 🔹 Processi: GenAIOps 🔹 Competenze: Azure Machine Learning, Python, conoscenza del modello (LLM, SLM), ottimizzazione, RAG, concetto agentico |
| GenAI Chat Developer (P007) |
|---|
| Team: Team di progettazione 🔹 Interazione primaria: Team di Intelligenza Artificiale accesso ai componenti 🔹: App Web di Azure, Gestione API di Azure, Azure Cosmos DB, App contenitore di Azure, Funzioni di Azure processi 🔹: DevOps, elaborazione guidata dagli eventi, microservizi 🔹 Skills: Architettura dell'applicazione Web (front-end/back-end), React, Node.js, HTML, CSS |
| MLOps dell'agente di compilazione (P009) |
|---|
| Team: Team di progettazione 🔹 Interazione primaria: team di intelligenza artificiale Accesso al componente 🔹: Azure Machine Learning, Azure DevOps, GitHub processi 🔹: elaborazione e gestione di MLOps a ciclo esterno lambda 🔹 Competenze: Python, Pyspark |
Caso d'uso: Personas per i processi di intelligenza artificiale
Questi processi principali vengono usati nei carichi di lavoro di intelligenza artificiale:
- DataOps è l'inserimento e la preparazione dei dati.
- MLOps è l'operazionalizzazione dei modelli di Machine Learning.
- GenAIOps è l'individuazione e la valutazione dei modelli esistenti e il perfezionamento di questi modelli nel contesto del carico di lavoro.
- Il ciclo interno è il perfezionamento delle soluzioni nell'ambiente di sviluppo, sia durante la ricerca, sia quando viene attivato dal monitoraggio del ciclo esterno.
- Il ciclo esterno è il movimento delle soluzioni dallo sviluppo alla produzione. Questo ciclo usa il monitoraggio e la valutazione continui per identificare i miglioramenti necessari.
Il mapping delle persone a tali processi fornisce il contesto per ogni persona. Questo passaggio consente di identificare i processi in cui una persona potrebbe aver bisogno di migliorare le proprie competenze.
L'immagine mostra il flusso di lavoro per DataOps, MLOps e GenAIOps all'interno di un ambiente di produzione. I flussi di dati dall'inserimento alla distribuzione e alla valutazione del modello. Il flusso di lavoro utilizza pratiche di integrazione continua e consegna continua (CI/CD). Le attività principali includono la affinamento dei modelli di dati, la valutazione di batch, la distribuzione di endpoint, la valutazione dei modelli in tempo reale e l'ottimizzazione dei modelli. Gli utenti di esempio partecipano all'intero flusso di lavoro.
Caso d'uso: Personas per la progettazione dell'architettura
La connessione dei processi all'architettura di supporto aiuta a identificare i servizi con cui una persona deve interagire ed evidenzia le aree per migliorare le competenze.
Per visualizzare questa connessione, creare un'immagine grafica che mostra come sono connessi i componenti dell'architettura. Questo supporto visivo può illustrare il flusso di dati e le interazioni tra i servizi e il modo in cui i flussi vengono automatizzati nella distribuzione. Aiuta gli stakeholder a comprendere l'architettura e i ruoli di diversi utenti al suo interno.
L'immagine seguente mostra un'architettura lambda per l'analisi moderna in Azure.
Passaggio successivo
Passare quindi allo strumento di valutazione per valutare la progettazione.