Panoramica dei carichi di lavoro delle applicazioni intelligenti
Questa documentazione fornisce indicazioni pratiche per la pianificazione, lo sviluppo e la manutenzione di carichi di lavoro applicativi intelligenti Microsoft Power Platform. Le linee guida si fondano tecnicamente sulle best practice di Well-Architected e si basano anche sull'esperienza derivante dalle distribuzioni dei clienti. Power Platform
Questa guida è destinata principalmente ai proprietari dei carichi di lavoro, alle parti interessate tecniche e aziendali, ovvero a chiunque svolga un ruolo fondamentale nella progettazione, creazione e manutenzione di un carico di lavoro applicativo intelligente.
Suggerimento
Per valutare il tuo carico di lavoro in termini di affidabilità, sicurezza, eccellenza operativa, efficienza delle prestazioni e ottimizzazione dell'esperienza, esegui una valutazione ben progettata Power Platform .
Che cos'è un carico di lavoro applicativo intelligente?
Nel contesto di Power Platform Well-Architected, il termine carico di lavoro descrive un insieme di risorse applicative, dati, infrastrutture e processi di supporto che lavorano insieme per fornire i risultati aziendali desiderati. Un carico di lavoro comprende componenti applicative e tecnologiche, nonché processi comportamentali, di sviluppo e operativi.
Un carico di lavoro applicativo intelligente basato su Power Platform applica le capacità di Power Platform per integrare e utilizzare modelli di intelligenza artificiale generativa per automatizzare e migliorare i processi aziendali.
L'intelligenza artificiale generativa è una tecnologia di intelligenza artificiale che utilizza grandi modelli linguistici (LLM) per generare contenuti originali e fornire comprensione e risposte del linguaggio naturale. Scopri di più sull'IA generativa nel playbook sull'intelligenza artificiale.
Quali sono le sfide più comuni?
Sviluppare un carico di lavoro applicativo intelligente basato su Power Platform può essere complesso. Le sfide includono:
- Qualità e disponibilità dei dati: i modelli di intelligenza artificiale generativa richiedono grandi volumi di dati di alta qualità. Garantire che i dati siano puliti, ben strutturati e accessibili aumenta la complessità.
- Integrazione con i sistemi esistenti: integrare perfettamente l'intelligenza artificiale generativa con l'infrastruttura IT e i processi aziendali esistenti può richiedere molte risorse ed essere tecnicamente impegnativo.
- Questioni etiche e di conformità: è essenziale affrontare le questioni etiche e garantire la conformità agli standard legali e normativi. Gestire la privacy dei dati, evitare distorsioni nei modelli di intelligenza artificiale e mantenere la trasparenza sono solo alcune delle questioni da affrontare.
- capacità e competenza: per sviluppare e gestire soluzioni di intelligenza artificiale generativa sono necessari capacità specializzati. Spesso le organizzazioni hanno bisogno di investire nella formazione del proprio personale o di assumere nuovi talenti con le competenze necessarie.
- Costi e allocazione delle risorse: l'implementazione dell'intelligenza artificiale generativa può essere costosa. Le organizzazioni devono gestire attentamente le proprie risorse e iniziare con piccoli progetti pilota ad alto impatto per dimostrarne il valore prima di passare alla scala più ampia.
- Problemi di sicurezza: garantire la sicurezza dei sistemi di intelligenza artificiale è fondamentale e comprende la protezione dei dati sensibili dalle violazioni e la salvaguardia da potenziali vulnerabilità nei modelli e nelle infrastrutture di intelligenza artificiale.
- Progettazione dell'interfaccia utente: progettare interfacce intuitive e facili da usare che sfruttino le capacità dell'intelligenza artificiale, in particolare senza sopraffare gli utenti, può essere difficile.
Per affrontare queste sfide è necessaria una pianificazione approfondita, la collaborazione tra diversi team e un approccio strategico all'integrazione dell'intelligenza artificiale nei processi aziendali.
L'approccio Well-Architected
Ti consigliamo di strutturare il tuo carico di lavoro ben progettato per soddisfare obiettivi specifici di affidabilità, sicurezza, eccellenza operativa, efficienza delle prestazioni e ottimizzazione dell'esperienza. Per migliorare l'esperienza utente e garantire coerenza e affidabilità, seguire adotta principi e linee guida architettonici pensati appositamente per carichi di lavoro di applicazioni intelligenti.
I pilastri Power Platform Well-Architected ti aiutano a implementare la modularità, a separare i ruoli e a migliorare la produttività operativa. Utilizzare un approccio ben strutturato per creare carichi di lavoro senza inutili complessità e costi.
Per comprendere come ogni pilastro può migliorare il carico di lavoro delle tue applicazioni intelligenti, consulta Principi di progettazione dei carichi di lavoro delle applicazioni intelligenti.
Valutare la fattibilità tecnica e operativa
Prima di iniziare a sviluppare il carico di lavoro della tua applicazione intelligente con Power Platform, valuta la fattibilità tecnica e operativa e identifica i rischi e le strategie di mitigazione.
Potresti anche prendere in considerazione l'aggiornamento dei carichi di lavoro correnti per utilizzare le funzionalità dell'intelligenza artificiale generativa, quando queste funzionalità soddisfano le esigenze aziendali e riducono i costi. Si può valutare la modernizzazione in base allo scopo dell'applicazione, all'aspettativa di vita, alla sostenibilità, ai costi e agli accordi sul livello di servizio (SLA).
Fattibilità tecnica
La fattibilità tecnica implica la valutazione della disponibilità e della qualità dei dati, dei requisiti di integrazione e delle sfide legate alla complessità tecnica.
Disponibilità dei dati e qualità
Dati di alta qualità garantiscono coerenza e accuratezza per il carico di lavoro delle applicazioni intelligenti. Come parte della valutazione di fattibilità, considera quanto segue:
- Fonti dei dati : Identificare e catalogare tutte le potenziali fonti di dati, inclusi database interni, API esterne e set di dati di terze parti. Assicurarsi che queste fonti siano affidabili e accessibili.
- Silos di dati : Identificare se il processo corrente utilizza fonti di dati disparate, come fogli di calcolo. L'integrazione di questi dati eterogenei nel sistema di intelligenza artificiale potrebbe rappresentare una sfida, ma potrebbe rivelarsi essenziale per fornire risposte accurate.
- Volume e varietà dei dati : Valutare il volume e la varietà dei dati disponibili. Per funzionare in modo efficace, i modelli di intelligenza artificiale generativa richiedono in genere set di dati ampi e diversificati. Assicurarsi che le fonti di dati forniscano quantità e diversità sufficienti per addestrare e convalidare i modelli.
- Pulizia dei dati : Esegui la pulizia dei dati per rimuovere duplicazioni, correggere errori e gestire i valori mancanti. Questo passaggio è fondamentale per garantire che i dati immessi nei modelli di intelligenza artificiale siano accurati e affidabili.
- Trasformazione dei dati: trasforma i dati grezzi in un formato adatto per l'addestramento del modello di intelligenza artificiale. Questo processo può comportare la normalizzazione, il ridimensionamento e la codifica delle variabili categoriali.
- Convalida e test dei dati: convalidare e testare regolarmente i dati per garantire che soddisfino gli standard di qualità richiesti.
Requisiti di integrazione
L'integrazione semplice semplifica l'accesso ai dati in tempo reale e gli aggiornamenti per il carico di lavoro delle applicazioni intelligenti. Come parte della valutazione di fattibilità, considera quanto segue:
- Infrastruttura esistente: valutare la compatibilità dei modelli di intelligenza artificiale generativa con l'infrastruttura attuale. Ad esempio, verificare se sono disponibili API affidabili per una facile integrazione.
- Punti di integrazione: identifica il modo in cui il carico di lavoro della tua applicazione intelligente si integrerà con le fonti di dati richieste. Ad esempio, determinare se sono disponibili connettori o API.
Sfide della complessità tecnica
Per ottenere risposte precise è necessario un carico di lavoro applicativo intelligente ben strutturato. Come parte della valutazione di fattibilità, valuta l'affidabilità e l'accuratezza delle risposte fornite dal carico di lavoro intelligente. Valutare come ottimizzare, monitorare e migliorare le risposte generate. Le sfide legate alla complessità tecnica richiedono una combinazione di competenza tecnica, infrastruttura solida e gestione continua per implementare e gestire con successo carichi di lavoro applicativi intelligenti. Per saperne di più, consulta i Principi di progettazione dell'affidabilità dei carichi di lavoro delle applicazioni intelligenti.
Fattibilità operativa
La fattibilità operativa implica la valutazione della disponibilità delle risorse, dell'adozione da parte degli utenti e dei rischi, insieme alle strategie di mitigazione.
Disponibilità delle risorse
Il successo del carico di lavoro della tua applicazione intelligente dipende dalla disponibilità di un budget dedicato e di risorse di team, supportate da un Centro di eccellenza (CoE) incentrato sull'intelligenza artificiale. Tenere presente quanto segue:
- Valutazione competenza: valuta la capacità dei membri del tuo team per identificare eventuali lacune che possono essere colmate tramite formazione o assunzione.
- Assegnazione dei ruoli: definire chiaramente ruoli e responsabilità per garantire che ogni membro del team comprenda i propri compiti e il modo in cui contribuisce al successo del progetto.
- Formazione e sviluppo: investire in formazione e sviluppo continui per mantenere il team aggiornato sulle più recenti tecnologie e metodologie di intelligenza artificiale.
- Stima dei costi: iniziare con una stima dettagliata dei costi che includa i costi delle licenze, dei software e dei servizi cloud, nonché i costi del personale. Tali stime si basano su un bilancio realistico.
Adozione da parte dell'utente
Il successo del carico di lavoro della tua applicazione intelligente dipende dal fatto che gli utenti si sentano a loro agio con il sistema. Tenere presente quanto segue:
- Progettazione incentrata sull'utente: progettare il sistema in modo che sia intuitivo e facile da usare. Le interfacce complesse possono scoraggiare gli utenti: semplicità e chiarezza sono fondamentali. Assicurarsi che il sistema sia accessibile a tutti gli utenti.
- Formazione: Facilitare sessioni di formazione complete e fornire supporto continuo.
- Cicli di feedback: stabilire meccanismi di feedback tramite i quali gli utenti possono segnalare imprecisioni, che possono poi essere utilizzate per perfezionare e migliorare i modelli.
- Trasparenza e fiducia: assicurarsi che gli utenti sappiano che stanno utilizzando un carico di lavoro che include funzionalità di intelligenza artificiale generativa. Comunicare chiaramente perché è stata scelta una soluzione di intelligenza artificiale, come è stata progettata e come viene monitorata e aggiornata.
- Gestione del cambiamento: allineare il cambiamento con la cultura e i valori dell'organizzazione per garantire ampia accettazione e supporto.
Rischi e mitigazioni
I rischi potenziali sono rappresentati da preoccupazioni sulla privacy dei dati, potenziali distorsioni nelle risposte dell'intelligenza artificiale e guasti tecnici. Garantire la riservatezza dei dati è fondamentale, soprattutto perché il carico di lavoro delle applicazioni intelligenti potrebbe gestire dati sensibili.
Quando si pianifica un carico di lavoro applicativo intelligente, è necessario affrontare i seguenti rischi e implementare strategie di mitigazione efficaci:
Riservatezza dei dati: salvaguardare i dati sensibili utilizzati e generati dai modelli di intelligenza artificiale. Implementare crittografia, controlli di accesso e audit di sicurezza regolari. Assicurarsi che il carico di lavoro sia conforme agli standard normativi pertinenti, come GDPR o HIPAA, per tutelare la privacy e i dati degli utenti proteggere.
Distorsione nelle risposte dell'IA: utilizzare set di dati diversificati e rappresentativi per addestrare i modelli di IA. Verificare e testare regolarmente i modelli per individuare eventuali distorsioni.
Errori tecnici: progettare un'infrastruttura solida e scalabile con meccanismi di ridondanza e failover. Implementare backup regolari e piani di ripristino in caso di emergenza.
Minacce alla sicurezza: adottare misure di sicurezza avanzate quali autenticazione multifattoriale, sistemi di rilevamento delle intrusioni e regolari audit di sicurezza. Mantenere software e sistemi aggiornati su proteggere contro le vulnerabilità.
Questioni etiche: stabilire linee guida etiche chiare e quadri di governance per l'uso dell'intelligenza artificiale. Garantire la trasparenza nelle operazioni di intelligenza artificiale e mantenere un approccio che coinvolga gli esseri umani nelle decisioni critiche.
Conformità e problemi normativi : Rimani informato sulle normative pertinenti e assicurati che i sistemi di intelligenza artificiale siano conformi a tutti i requisiti legali. Eseguire regolarmente audit di conformità e aggiornare le policy secondo necessità.
Passaggi successivi
Iniziamo rivedendo i principi di progettazione.