Del via

Oversikt over intelligente applikasjonsarbeidsbelastninger

  • Artikkel

Denne dokumentasjonen gir praktisk veiledning for planlegging, utvikling og vedlikehold av intelligente programarbeidsbelastninger med Microsoft Power Platform. Veiledningen har et teknisk grunnlag i Power Platform godt arkitektert beste praksis og er også informert av erfaring fra kundedistribusjoner.

Denne veiledningen er først og fremst ment for eiere av arbeidsbelastninger, tekniske interessenter og forretningsinteressenter – alle som spiller en viktig rolle i å utforme, bygge og vedlikeholde en intelligent programarbeidsbelastning.

Tips

For å vurdere arbeidsbelastningen din gjennom linsene pålitelighet, sikkerhet, operasjonell fortreffelighet, ytelseseffektivitet og opplevelsesoptimalisering, gjennomfør en Power Platform godt strukturert vurdering.

Hva er en intelligent applikasjonsarbeidsbelastning?

I sammenheng med Power Platform Well-Architected beskriver begrepet arbeidsbelastning et sett med applikasjonsressurser, data og støttende infrastruktur og prosesser som fungerer sammen for å levere ønskede forretningsresultater. En arbeidsmengde omfatter applikasjons- og teknologikomponenter samt atferds-, utviklings- og driftsprosesser.

En intelligent programarbeidsbelastning som er bygd på Power Platform , bruker funksjonene Power Platform til å integrere og bruke generative AI-modeller for automatisering og forbedring av forretningsprosesser.

Generativ KI er en teknologi innenfor kunstig intelligens som bruker store språkmodeller (LLM-er) til å generere originalt innhold og gi naturlig språkforståelse og svar. Lær mer om generativ KI i spillboken for kunstig intelligens (AI).

Hva er vanlige utfordringer?

Det kan være komplisert å utvikle en intelligent applikasjonsarbeidsbelastning bygd på Power Platform . Utfordringene inkluderer:

  • Datakvalitet og tilgjengelighet: Generative AI-modeller krever store mengder data av høy kvalitet. Å sikre at data er rene, godt strukturerte og tilgjengelige øker kompleksiteten.
  • Integrasjon med eksisterende systemer: Sømløs integrering av generativ AI med eksisterende IT-infrastruktur og forretningsprosesser kan være ressurskrevende og teknisk utfordrende.
  • Etiske spørsmål og samsvarsspørsmål: Det er viktig å ta opp etiske bekymringer og sikre overholdelse av juridiske og regulatoriske standarder. Administrasjon av personvern, unngå skjevheter i AI-modeller og opprettholde åpenhet er bare noen av problemene å navigere.
  • kompetanser og ekspertise: Utvikling og administrasjon av generative AI-løsninger krever spesialiserte kompetanser. Organisasjoner må ofte investere i opplæring av arbeidsstyrken eller ansette nye talenter med nødvendig ekspertise.
  • Kostnads- og ressursallokering: Implementering av generativ AI kan være kostbart. Organisasjoner må administrere ressursene sine nøye og starte med små pilotprosjekter med stor effekt for å demonstrere verdi før de skalerer opp.
  • Sikkerhetsbekymringer: Å sikre sikkerheten til AI-systemer er avgjørende, og inkluderer beskyttelse av sensitive data mot brudd samt beskyttelse mot potensielle sårbarheter i AI-modeller og infrastruktur.
  • Brukergrensesnittdesign: Det kan være vanskelig å designe intuitive, brukervennlige grensesnitt som utnytter AI-funksjoner, spesielt uten å overvelde brukerne.

Å løse disse utfordringene krever grundig planlegging, samarbeid på tvers av ulike team og en strategisk tilnærming til å integrere AI i forretningsprosesser.

Den velkonstruerte tilnærmingen

Vi anbefaler at du strukturerer den godt utformede arbeidsbelastningen for å oppfylle spesifikke mål for pålitelighet, sikkerhet, fremragende drift, ytelseseffektivitet og opplevelsesoptimalisering. Hvis du vil forbedre brukeropplevelsen og levere konsistens og pålitelighet, følger du arkitekturprinsipper og retningslinjer som er skreddersydd for intelligente programarbeidsbelastninger.

De Power Platform velkonstruerte pilarene hjelper deg med å implementere modularitet, skille roller og forbedre driftsproduktiviteten. Bruk en godt strukturert tilnærming for å opprette arbeidsbelastninger uten unødvendig kompleksitet og kostnader.

Hvis du vil forstå hvordan hver søyle kan forbedre arbeidsbelastningen for intelligente programmer, kan du se Utformingsprinsipper for intelligente programarbeidsbelastninger.

Vurdere teknisk og operasjonell gjennomførbarhet

Før du begynner å utvikle den intelligente applikasjonsarbeidsbelastningen med Power Platform, må du vurdere teknisk og operasjonell gjennomførbarhet og identifisere risikoer og avbøtende strategier.

Det kan også være lurt å vurdere å oppdatere gjeldende arbeidsbelastninger for å bruke generative AI-funksjoner – når disse funksjonene oppfyller forretningsbehov og reduserer kostnadene. Vurder å modernisere basert på formålet med programmet, forventet levetid, støtte, kostnader og serviceavtaler (SLA-er).

Teknisk gjennomførbarhet

Teknisk gjennomførbarhet innebærer å vurdere tilgjengeligheten og kvaliteten på data, integrasjonskrav og utfordringer rundt teknisk kompleksitet.

Datatilgjengelighet og -kvalitet

Data av høy kvalitet sikrer konsistens og nøyaktighet for den intelligente applikasjonsarbeidsbelastningen. Som en del av mulighetsvurderingen bør du vurdere følgende:

  • Datakilder: Identifiser og katalogiser alle potensielle datakilder, inkludert interne databaser, eksterne API-er og tredjeparts datasett. Sørg for at disse kildene er pålitelige og tilgjengelige.
  • Datasiloer: Identifiser om den nåværende prosessen bruker ulike datakilder, for eksempel regneark. Integreringen av disse ulike dataene i AI-systemet kan utgjøre en utfordring, men kan være avgjørende for å gi nøyaktige svar.
  • Datavolum og variasjon: Vurder volumet og variasjonen av tilgjengelige data. Generative AI-modeller krever vanligvis store og varierte datasett for å fungere effektivt. Sørg for at datakildene gir tilstrekkelig mengde og mangfold til å lære opp og validere modellene.
  • Datarensing: Utfør datarensing for å fjerne duplisering, rette feil og håndtere manglende verdier. Dette trinnet er avgjørende for å sikre at dataene som mates inn i AI-modellene er nøyaktige og pålitelige.
  • Datatransformasjon: Transformer rådata til et passende format for AI-modellopplæring. Denne prosessen kan involvere normalisering, skalering og koding av kategoriske variabler.
  • Datavalidering og testing: Valider og test dataene regelmessig for å sikre at de oppfyller de nødvendige kvalitetsstandardene.

Krav til integrering

Enkel integrasjon forenkler datatilgang i sanntid og oppdateringer for den intelligente applikasjonsarbeidsbelastningen. Som en del av mulighetsvurderingen bør du vurdere følgende:

  • Eksisterende infrastruktur: Vurder kompatibiliteten til generative AI-modeller med gjeldende infrastruktur. Du kan for eksempel finne ut om robuste API-er er tilgjengelige for enkel integrering.
  • Integreringspunkter: Identifiser hvordan den intelligente programarbeidsbelastningen integreres med de nødvendige datakildene. Du kan for eksempel finne ut om koblinger eller API-er er tilgjengelige.

Utfordringer med teknisk kompleksitet

Nøyaktige svar er avhengige av en godt konstruert intelligent applikasjonsarbeidsbelastning. Som en del av mulighetsvurderingen bør du evaluere påliteligheten og nøyaktigheten til svarene som gis av den intelligente arbeidsbelastningen. Vurder hvordan du kan optimalisere, overvåke og forbedre de genererte svarene. De tekniske kompleksitetsutfordringene krever en kombinasjon av teknisk ekspertise, robust infrastruktur og løpende administrasjon for å lykkes med å implementere og vedlikeholde intelligente applikasjonsarbeidsbelastninger. Finn ut mer i Prinsipper for pålitelighetsutforming for intelligente programarbeidsbelastninger.

Operativ gjennomførbarhet

Operasjonell gjennomførbarhet innebærer å vurdere tilgjengeligheten av ressurser, brukeradopsjon og risiko sammen med avbøtende strategier.

Ressurstilgjengelighet

Suksessen til den intelligente programarbeidsbelastningen avhenger av tilgjengeligheten av et dedikert budsjett og teamressurser, støttet av et AI-fokusert Center of Excellence (CoE). Vurder følgende:

  • ferdighet vurdering: Vurder kompetanser til teammedlemmene dine for å identifisere eventuelle hull som kan løses gjennom opplæring eller ansettelse.
  • Rollefordeling: Definer tydelig roller og ansvar for å sikre at hvert teammedlem forstår oppgavene sine og hvordan de bidrar til prosjektets suksess.
  • Opplæring og utvikling: Invester i kontinuerlig opplæring og utvikling for å holde teamet oppdatert med de nyeste AI-teknologiene og -metodene.
  • Kostnadsestimering: Begynn med et detaljert kostnadsestimat som inkluderer lisenskostnader, kostnader for programvare og skytjenester og personalkostnader. Slike estimater fra grunnlaget for et realistisk budsjett.

Brukeradopsjon

Suksessen til den intelligente applikasjonsarbeidsbelastningen avhenger av at brukerne er komfortable med systemet. Vurder følgende:

  • Brukersentrert design: Design systemet for å være intuitivt og brukervennlig. Komplekse grensesnitt kan avskrekke brukere – enkelhet og klarhet er avgjørende. Sørg for at systemet er tilgjengelig for alle brukere.
  • Opplæring: Legg til rette for omfattende opplæringsøkter og gi kontinuerlig støtte.
  • Tilbakemeldingssløyfer: Etabler tilbakemeldingsmekanismer der brukere kan rapportere unøyaktigheter, som deretter kan brukes til å avgrense og forbedre modellene.
  • Åpenhet og tillit: Sørg for at brukerne vet at de bruker en arbeidsbelastning som inkluderer generative AI-funksjoner. Kommuniser tydelig hvorfor en AI-løsning ble valgt, hvordan den ble utformet og hvordan den overvåkes og oppdateres.
  • Endringsledelse: Juster endringen med organisasjonens kultur og verdier for å sikre bred aksept og støtte.

Risikoer og avbøtende tiltak

Bekymringer om personvern, potensielle skjevheter i AI-svar og tekniske feil er potensielle risikoer. Det er avgjørende å sikre personvern, spesielt siden den intelligente programarbeidsbelastningen kan håndtere sensitive data.

Når du planlegger en intelligent applikasjonsarbeidsbelastning, må du håndtere følgende risikoer og implementere effektive avbøtende strategier:

  • Personvern: Beskytt sensitive data som brukes og genereres av AI-modeller. Implementer kryptering, tilgangskontroller og regelmessige sikkerhetsrevisjoner. Sørg for at arbeidsbelastningen er i samsvar med relevante forskriftsstandarder, for eksempel GDPR eller HIPAA, for å beskytte brukernes personvern og data.

  • Skjevhet i AI-svar: Bruk ulike og representative datasett til å lære opp AI-modeller. Regelmessig revisjon og test modeller for skjevheter.

  • Tekniske feil: Design robust og skalerbar infrastruktur med redundans- og failover-mekanismer. Implementer regelmessige sikkerhetskopier og katastrofegjenopprettingsplaner.

  • Sikkerhetstrusler: Bruk avanserte sikkerhetstiltak som multifaktorautentisering, inntrengningsdeteksjonssystemer og regelmessige sikkerhetsrevisjoner. Hold programvare og systemer oppdatert for å beskytte mot sårbarheter.

  • Etiske hensyn: Etablere klare etiske retningslinjer og styringsrammeverk for bruk av KI. Sørg for åpenhet i AI-operasjoner og oppretthold en menneske-i-løkken-tilnærming for kritiske beslutninger.

  • Samsvars- og forskriftsspørsmål: Hold deg informert om relevante forskrifter og sørg for at AI-systemer overholder alle juridiske krav. Gjennomfør regelmessige samsvarsrevisjoner og oppdater policyer etter behov.

Neste trinn

Start med å gjennomgå designprinsipper.

Design prinsipper