AI ワークロードのためのワークロード チーム ペルソナ

AI ワークロードを構築するコンテキストでは、従来のコードデプロイとは対照的に、非決定的なモデルでは、複数のロールとチーム間で反復的な実験とコラボレーションが必要です。 運用、アプリケーション開発、データ チームの早期統合は、相互理解を促進するために不可欠です。 このコラボレーションでは、技術的な進歩に対応するために、多様なスキルと継続的な学習が必要です。

効果的なコラボレーションは、ツール、プロセス、およびユーザーの 統合に影響を及び、ワークロードのニーズと特定の目標によって推進されます。 推奨される戦略は次のとおりです。

• 明確なロールと説明責任の確立。
• チームのスキル セットを活用して、適切なタスクを行います。
• 共有バックログの一部としての作業の追跡など、プロセスとサブプロセスを標準化する。
• 一貫性と再現性を実現するために自動化に頼る。

ペルソナは、これらの戦略を具体化し、責任を標準化するための効果的なツールです。 この記事では、AI ワークロードのペルソナと、ワークロード設計におけるその利点について説明します。 また、これらのチーム レベルのペルソナを効果的に定義して使用するための例とツールも提供します。

ペルソナとは

ペルソナは、ワークロードの作成と操作に関係する人間とプロセスのサブセットを表します。 ペルソナは、これらの個人とプロセスの役割と実際の行動と説明責任の両方をキャプチャします。 個人は、コンテキストに応じて、1 つまたは複数のペルソナを体現できます。 ペルソナは人である必要はありません。 また、アーキテクチャ内のエージェント プロセスなど、無人プロセスにすることもできます。

ワークロードには、機能開発を推進するユーザー ペルソナが含まれる場合があります。 これらのペルソナは、この記事の対象ではありません。

比較的静的な機能や組織内の位置であるロールとは異なり、ペルソナは動的で目標指向です。 これらは、アーキテクチャ コンポーネントなどのプロセスやツールにスキル要件をマップするために使用できます。 ペルソナは、主に責任の範囲を定義し、プロジェクト内でコンテキストを設定するのに役立ちます。 その他にも、次のような利点があります。

• リソースギャップの識別。 ギャップを特定することで、リソースを募集またはトレーニングするか、ソリューションを再設計するかを決定できます。 ワークロード チームに必要なペルソナに適合する個人が不足している場合は、アーキテクチャの調整、プロセスの変更、新しい担当者のオンボードが必要になる場合があります。 たとえば、シニア データ サイエンスペルソナが不足している場合は、サービスとしての汎用ソフトウェア (SaaS) AI ソリューションに依存するようにアーキテクチャを再設計したり、Microsoft 以外の AI ソリューションを組み込んだりすることができます。
• スキルの強化。 ペルソナを特定のアーキテクチャ コンポーネントにマッピングすると、スキルを強化するためのセッションやオンライン コースなどの教育機会も容易になります。
• 適切なレベルのアクセスを確保する。 ペルソナを使用して、ペルソナをプロセス、アーキテクチャ、およびサービスにマッピングすることで、セキュリティとアクセスのニーズを定義する必要があります。 このマッピングは、適切なアクセス レベルを確保するのに役立ちます。
• プロジェクトの計画とコミュニケーションを促進する。 プロジェクト計画では、ペルソナは、同期会議と全体的な計画のセットアップを容易にするために、主要な相互作用を特定するのに役立ちます。 通常、ペルソナは、プロジェクト管理を効率化するために、ユーザー ストーリー、機能、要件を追跡する階層に統合されます。

ペルソナを定義する方法

チーム メンバーの特殊化を特定し、AI 運用または設計における適切なロールに合わせます。 ペルソナのスキルの期待、チーム情報、関与するプロセスを文書化するテンプレートを作成します。

ベースライン テンプレートの例を次に示します。

ペルソナ テンプレート
🔹ペルソナ名: [名前] 🔹チーム: [ペルソナを担当するチーム] 🔹プライマリインタラクション: [ペルソナが対話する他のチーム] 🔹コンポーネント アクセス: [プロセスとシステム コンポーネントのセキュリティとアクセスの要件] 🔹プロセス: [ペルソナが責任を負う、または貢献するプロセス] 🔹スキル: [モデル トレーニングや検索インデックスの最適化などのドメインとテクノロジの詳細を含む、タスクを完了するために必要なスキル]

ツール

テーブルを使用して、各ペルソナの情報を整理および視覚化できます。 この方法の利点の 1 つは、より具体的な情報を提供する他のテーブルを作成してリンクできることです。 たとえば、サービスと環境 (Dev、Stage、Production) ごとに ID ベースのアクセス制御が指定されている別のテーブルにアーキテクチャ コンポーネントをリンクできます。

Tradeoff. ペルソナが少なすぎると、最小限の特権アクセスでロールベースのアクセス制御を実装し、作業の責任を効果的に分散することが困難になる可能性があります。 逆に、ペルソナが多すぎると、管理オーバーヘッドが増加します。 5 ~ 10 個のペルソナから始めるとバランスが良く、操作に必要なペルソナのみを追加する必要があります。

カードを使用してペルソナを定義することもできます。 これらのカードには、テーブルと同じ情報または簡単な概要が含まれています。 これらのカードを作成するには、PowerPointを使用するか、Markdown ファイルのセットを作成します。

場合によっては、ツールの組み合わせを使用できます。 たとえば、ペルソナ カード内の各アーキテクチャ コンポーネントは、各サービスと環境のセキュリティとロールベースのアクセス制御をマップするテーブルを含む Markdown ファイルを開くことができます。 例については、「MLOps アクセラレータ: ID RBAC」を参照してください。

ペルソナの例

カードを使用して、ペルソナがプロセス内でアクセスできる必要があるサービスを定義し、各ペルソナに必要なスキルを概説できます (個人かエージェントか)。

重要

ここで定義されているペルソナはベースラインの例として機能しますが、テーブル、ペルソナ テンプレート カード、グラフなどのツールを使用して独自のペルソナを作成することをお勧めします。

これらのペルソナは、プロセス、組織、およびユーザーと一致することが重要です。

AI データ エンジニア (P001)
チーム: データ インジェスト チーム 🔹 主なインタラクション: AI 開発チーム 🔹 コンポーネント アクセス: Azure Data Factory、Azure Databricks、Azure SQL Database、Azure Storage 🔹 プロセス: DataOps、ETL、ELT 🔹 スキル: SQL、Python、PySpark

BI アナリスト (P003)
チーム: 分析チーム 🔹 主要なやりとり: データ インジェスト チーム 🔹 コンポーネント アクセス: Power BI、Azure Data Explorer、Azure Storage 🔹 プロセス: データ分析、データ ウェアハウス 🔹 スキル: SQL、Python、PySpark

判別 AI データ科学者 (P004)
チーム: AI チーム 🔹 主な対話: データ インジェスト チーム、DevOps チーム 🔹 コンポーネント アクセス: Azure Machine Learning、Azure Databricks、Azure Storage、Azure Key Vault 🔹 プロセス: MLOps、MLflow 🔹 スキル: Azure Machine Learning、Python、モデル トレーニング

GenAI データ科学者 (P006)
チーム: AI チーム 🔹 主な対話: データ インジェスト チーム、DevOps チーム 🔹 コンポーネント アクセス: Azure AI Foundry ポータル、Azure OpenAI Service、Azure AI Search、Azure Storage、Azure Key Vault 🔹 プロセス: GenAIOps 🔹 スキル: Azure Machine Learning、Python、モデル知識 (LLM、SLM)、微調整、RAG、エージェントの概念

GenAI チャット 開発者 (P007)
チーム: エンジニアリング チーム 🔹 主な対話: AI チーム 🔹 コンポーネント アクセス: Azure Web Apps、Azure API Management、Azure Cosmos DB、Azure Container Apps、Azure Functions 🔹 プロセス: DevOps、イベントドリブン処理、マイクロサービス 🔹 スキル: Web アプリケーション アーキテクチャ (フロントエンド/バックエンド)、React、Node.js、HTML、CSS

ビルド・エージェント MLOps (P009)
チーム: エンジニアリング チーム 🔹 主な対話: AI チーム 🔹 コンポーネント アクセス: Azure Machine Learning、Azure DevOps、GitHub 🔹 プロセス: ラムダ、外部ループ MLOps の処理と提供 🔹 スキル: Python、Pyspark

ユース ケース: AI プロセスのペルソナ

これらの主なプロセスは、AI ワークロードで使用されます。

• DataOps は、データの取り込みと準備です。
• MLOps は、機械学習モデルの運用化です。
• GenAIOps は、既存のモデルの検出と評価、およびワークロード コンテキストに対するこれらのモデルの絞り込みです。
• 内部ループは、研究中または外部ループ監視によってトリガーされる開発環境でのソリューションの改良です。
• 外側のループは、開発から運用環境へのソリューションの移動です。 このループでは、継続的な監視と評価を使用して、必要な改善点を特定します。

これらのプロセスにペルソナをマッピングすると、各ペルソナのコンテキストが提供されます。 この手順は、ペルソナがスキルアップを必要とする可能性があるプロセスを特定するのに役立ちます。

この画像は、運用環境内の DataOps、MLOps、GenAIOps のワークフローを示しています。 インジェストからモデルのデプロイと評価までのデータ フロー。 このワークフローでは、継続的インテグレーションと継続的デリバリー (CI/CD) プラクティスが使用されます。 重要なタスクには、データ モデルの絞り込み、バッチの評価、エンドポイントのデプロイ、リアルタイムでのモデルの評価、モデルの微調整などがあります。 例のペルソナは、ワークフロー全体に参加します。

ユース ケース: アーキテクチャ設計のペルソナ

プロセスをサポート アーキテクチャに接続すると、ペルソナが対話する必要があるサービスを特定し、潜在的なスキルアップの領域を強調できます。

この接続を視覚化するには、アーキテクチャ コンポーネントの接続方法を示すグラフィカル イメージを作成します。 この視覚的支援は、サービス間のデータ フローと相互作用、およびデプロイでのフローの自動化方法を示します。 これは、利害関係者がアーキテクチャとその中の異なるペルソナの役割を理解するのに役立ちます。

次の図は、Azure での最新の分析のためのラムダ アーキテクチャを示しています。

次のステップ

次に、評価ツールに進み、設計を評価します。

AI ワークロード評価