インテリジェントなアプリケーションワークロードの概要
このドキュメントでは、インテリジェントなアプリケーション ワークロードを計画、開発、および維持するための実用的なガイダンスを提供します Microsoft Power Platform。 このガイダンスは、 Power Platform Well-Architectedのベスト プラクティスに技術的な基盤があり、顧客の導入から得られた経験も反映されています。
このガイダンスは、ワークロード所有者、技術関係者、ビジネス関係者など、インテリジェント アプリケーション ワークロードの設計、構築、保守に重要な役割を果たすすべての人を主な対象としています。
チップ
信頼性、セキュリティ、運用の卓越性、パフォーマンス効率、エクスペリエンスの最適化の観点からワークロードを評価するには、 Power Platform Well-Architected Assessmentを実施します。
インテリジェント アプリケーション ワークロードとは何ですか?
Well-Architectedのコンテキストでは、ワークロードという用語は、望ましいビジネス成果を実現するために連携して動作する一連のアプリケーション リソース、データ、およびサポート インフラストラクチャとプロセスを表します。 Power Platform ワークロードは、アプリケーションとテクノロジーのコンポーネント、および動作、開発、運用のプロセスで構成されます。
上に構築されたインテリジェント アプリケーション ワークロードは、 Power Platform の機能を適用し、 Power Platform 生成AIモデルを統合および使用して、ビジネス プロセスを自動化および強化します。
生成 AI は、大規模言語モデル (LLM) を使用して独自のコンテンツを生成し、自然言語の理解と応答を提供する人工知能テクノロジーです。 人工知能 (AI) プレイブックでは、生成 AI について詳しく解説しています。
よくある課題は何ですか?
Power Platform 上に構築されたインテリジェントなアプリケーション ワークロードの開発は複雑になる可能性があります。 課題は次のとおりです。
- データの品質と可用性: 生成AIモデルには大量の高品質データが必要です。 データがクリーンで、適切に構造化され、アクセス可能であることを確認すると、複雑さが増します。
- 既存システムとの統合: 生成AIを既存のITインフラストラクチャおよびビジネス プロセスとシームレスに統合するには、多くのリソースが必要となり、技術的に困難になる可能性があります。
- 倫理およびコンプライアンスの問題: 倫理的な懸念に対処し、法律および規制基準への準拠を確保することが不可欠です。 データのプライバシーの管理、AIモデルの偏りの回避、透明性の維持などは、対処すべき問題のほんの一部にすぎません。
- スキル と専門知識: 生成AIソリューションの開発と管理には、専門的な スキル が必要です。 多くの場合、組織は従業員のトレーニングに投資したり、必要な専門知識を持つ新しい人材を雇用したりする必要があります。
- コストとリソースの割り当て: 生成AIの実装にはコストがかかる可能性があります。 組織はリソースを慎重に管理し、規模を拡大する前に、小規模で影響力の大きいパイロット プロジェクトから始めて価値を実証する必要があります。
- セキュリティ上の懸念: AIシステムのセキュリティを確保することは非常に重要であり、機密データを侵害から保護することや、AIモデルやインフラストラクチャの潜在的な脆弱性から保護することが含まれます。
- ユーザー インターフェースの設計: 特にユーザーに負担をかけずにAI機能を活用する直感的でユーザー フレンドリーなインターフェースを設計するのは難しい場合があります。
これらの課題に対処するには、徹底した計画、さまざまなチーム間の連携、そしてAIをビジネス プロセスに統合するための戦略的アプローチが必要です。
Well-Architectedアプローチ
特定の信頼性、セキュリティ、運用の卓越性、パフォーマンス効率、エクスペリエンスの最適化の目標を満たすように、適切に設計されたワークロードを構築することをお勧めします。 ユーザー エクスペリエンスを向上させ、一貫性と信頼性を実現するために、インテリジェントなアプリケーション ワークロードに合わせて調整された 追従する アーキテクチャの原則とガイドライン。
Power Platform Well-Architected の柱 は、モジュール性の実装、役割の分離、運用生産性の向上に役立ちます。 適切に設計されたアプローチを使用して、不必要な複雑さやコストをかけずにワークロードを作成します。
各柱がインテリジェント アプリケーションのワークロードをどのように改善できるかを理解するには、 インテリジェント アプリケーションのワークロードの設計原則を参照してください。
技術的および運用上の実現可能性を評価する
Power Platformを使用してインテリジェント アプリケーション ワークロードの開発を開始する前に、技術的および運用上の実現可能性を評価し、リスクと軽減戦略を特定します。
また、Generative AI機能がビジネス ニーズを満たし、コストを削減できる場合は、現在のワークロードを更新してGenerative AI機能を使用することも検討してください。 アプリケーションの目的、耐用年数、サポート可能性、コスト、サービス レベル契約 (SLA) に基づいて最新化を検討します。
技術的な実現可能性
技術的な実現可能性には、データの可用性と品質、統合要件、技術的な複雑さに関する課題の評価が含まれます。
データの可用性 と品質
高品質のデータにより、インテリジェントなアプリケーション ワークロードの一貫性と正確性が保証されます。 実現可能性評価の一環として、次の点を考慮してください。
- データソース: 内部データベース、外部API、サードパーティのデータセットなど、すべての潜在的なデータ ソースを特定してカタログ化します。 これらのソースが信頼でき、アクセス可能であることを確認してください。
- データサイロ現在のプロセスでスプレッドシートなどの異なるデータ ソースが使用されているかどうかを識別します。 この異なるデータをAIシステムに統合することは課題となるかもしれませんが、正確な応答を提供するためには不可欠な場合があります。
- データ量と多様性利用可能なデータの量と種類を評価します。 生成AIモデルを効果的に実行するには、通常、大規模で多様なデータセットが必要です。 データ ソースが、モデルのトレーニングと検証に十分な量と多様性を提供していることを確認します。
- データクリーニング: データ クリーニングを実行して重複を削除し、エラーを修正し、欠損値を処理します。 この 手順 は、AIモデルに入力されるデータの正確性と信頼性を確保するために重要です。
- データ変換: 生データをAIモデルのトレーニングに適した形式に変換します。 このプロセスには、カテゴリ変数の正規化、スケーリング、およびエンコードが含まれる場合があります。
- データの検証とテスト: データを定期的に検証およびテストして、必要な品質基準を満たしていることを確認します。
統合要件
簡単な統合により、インテリジェントなアプリケーション ワークロードのリアルタイムのデータ アクセスと更新が容易になります。 実現可能性評価の一環として、次の点を考慮してください。
- 既存のインフラストラクチャ: 生成AIモデルと現在のインフラストラクチャとの互換性を評価します。 たとえば、簡単に統合できる堅牢なAPIが利用可能かどうかを判断します。
- 統合ポイント: インテリジェント アプリケーション ワークロードが必要なデータ ソースとどのように統合されるかを特定します。 たとえば、コネクタまたはAPIが使用可能かどうかを判断します。
技術的な複雑さの課題
正確な応答は、適切に設計されたインテリジェントなアプリケーション ワークロードに依存します。 実現可能性評価の一環として、インテリジェント ワークロードによって提供される応答の信頼性と正確性を評価します。 生成された応答を最適化、監視、改善する方法を検討します。 技術的な複雑さの課題に対処するには、インテリジェントなアプリケーション ワークロードを正常に実装および維持するために、技術的な専門知識、堅牢なインフラストラクチャ、継続的な管理を組み合わせる必要があります。 詳細については、 インテリジェント アプリケーション ワークロードの信頼性設計原則をご覧ください。
運用の実現可能性
運用の実現可能性には、リソースの可用性、ユーザーの採用、リスク、および軽減戦略の評価が含まれます。
リソースの空き時間
インテリジェント アプリケーション ワークロードの成功は、AIに重点を置いたCenter of Excellence (CoE) によってサポートされる専用の予算とチーム リソースの可用性に依存します。 次の点について検討してください。
- スキル 評価: チーム メンバーの スキル を評価して、トレーニングや採用を通じて対処できるギャップを特定します。
- 役割の割り当て: 役割と責任を明確に定義して、各チーム メンバーが自分のタスクを理解し、プロジェクトの成功にどのように貢献するかを理解できるようにします。
- トレーニングと開発: 継続的なトレーニングと開発に投資して、チームが最新のAIテクノロジーと方法論を常に把握できるようにします。
- コスト見積もり: ライセンス コスト、ソフトウェアおよびクラウド サービスのコスト、人件費を含む詳細なコスト見積もりから始めます。 このような見積もりは現実的な予算の基盤から生まれます。
ユーザー採用
インテリジェント アプリケーション ワークロードの成功は、ユーザーがシステムに慣れているかどうかにかかっています。 次の点について検討してください。
- ユーザー中心の設計: 直感的でユーザーフレンドリーなシステムを設計します。 複雑なインターフェースはユーザーを遠ざける可能性があります。シンプルさと明瞭さが重要です。 すべてのユーザーがシステムにアクセスできるようにします。
- トレーニング: 包括的なトレーニング セッションを促進し、継続的なサポートを提供します。
- フィードバック ループ: ユーザーが不正確な点を報告できるフィードバック メカニズムを確立し、それを使用してモデルを改良および改善します。
- 透明性と信頼性: ユーザーが生成AI機能を含むワークロードを使用していることを認識できるようにします。 AIソリューションが選択された理由、その設計方法、監視および更新方法を明確に伝えます。
- 変更管理: 組織の文化や価値観に合わせて変更を 位置を合わせる し、幅広い受け入れとサポートを確保します。
リスクと緩和策
データのプライバシーに関する懸念、AI応答における潜在的なバイアス、技術的な不具合は潜在的なリスクです。 特にインテリジェント アプリケーションのワークロードが機密データを処理する可能性があるため、データのプライバシーを確保することは非常に重要です。
インテリジェントなアプリケーション ワークロードを計画するときは、次のリスクに対処し、効果的な軽減戦略を実装します。
データ プライバシー: AIモデルによって使用および生成される機密データを保護します。 暗号化、アクセス制御、定期的なセキュリティ監査を実装します。 ユーザーのプライバシーとデータを保護するために、ワークロードがGDPRやHIPAAなどの関連規制標準に準拠していることを確認します。
AI応答の偏り: 多様で代表的なデータセットを使用してAIモデルをトレーニングします。 定期的にモデルのバイアスを監査およびテストします。
技術的な不具合: 冗長性とフェイルオーバーのメカニズムを備えた堅牢でスケーラブルなインフラストラクチャを設計します。 定期的なバックアップと災害復旧計画を実装します。
セキュリティの脅威: 多要素認証、侵入検知システム、定期的なセキュリティ監査などの高度なセキュリティ対策を採用します。 脆弱性に対してソフトウェアとシステムを 保護 に更新し続けます。
倫理的な懸念: AIの使用に関する明確な倫理ガイドラインとガバナンス フレームワークを確立します。 AI運用の透明性を確保し、重要な意思決定に対して人間が関与するアプローチを維持します。
コンプライアンスと規制の問題: 関連する規制について最新情報を入手し、AIシステムがすべての法的要件に準拠していることを確認します。 定期的なコンプライアンス監査を実施し、必要に応じてポリシーを更新します。
次の手順
まず、設計原則を確認します。