Overzicht van intelligente applicatiewerklasten
Deze documentatie biedt praktische richtlijnen voor het plannen, ontwikkelen en onderhouden van intelligente applicatieworkloads Microsoft Power Platform. De richtlijnen zijn technisch onderbouwd met de beste praktijken van Well-Architected en zijn daarnaast gebaseerd op ervaringen die zijn opgedaan bij implementaties bij klanten. Power Platform
Deze richtlijnen zijn primair bedoeld voor eigenaren van werklasten, technische belanghebbenden en zakelijke belanghebbenden: iedereen die een essentiële rol speelt bij het ontwerpen, bouwen en onderhouden van een intelligente toepassingswerklast.
Fooi
Voer een Well-Architected Assessment uit om uw werklast te beoordelen vanuit het oogpunt van betrouwbaarheid, beveiliging, operationele excellentie, prestatie-efficiëntie en ervaringsoptimalisatie Power Platform .
Wat is een intelligente applicatiewerklast?
Binnen de context van Power Platform Well-Architected beschrijft de term werklast een set applicatiebronnen, gegevens en ondersteunende infrastructuur en processen die samenwerken om de gewenste bedrijfsresultaten te leveren. Een werklast bestaat uit applicatie- en technologiecomponenten, maar ook uit gedrags-, ontwikkelings- en operationele processen.
Een intelligente applicatiewerklast die is opgebouwd op Power Platform past de mogelijkheden van Power Platform toe om generatieve AI-modellen te integreren en te gebruiken voor het automatiseren en verbeteren van bedrijfsprocessen.
Generatieve AI is een kunstmatige intelligentietechnologie die gebruik maakt van LLM's (Large Language Models) om originele inhoud te genereren en begrip van natuurlijke taal en reacties te bieden. Lees meer over generatieve AI in het playbook over kunstmatige intelligentie (AI).
Wat zijn veelvoorkomende uitdagingen?
Het ontwikkelen van een intelligente applicatiewerklast op basis van Power Platform kan complex zijn. Uitdagingen zijn onder meer:
- Gegevenskwaliteit en beschikbaarheid: Generatieve AI-modellen vereisen grote hoeveelheden gegevens van hoge kwaliteit. Het waarborgen dat gegevens schoon, goed gestructureerd en toegankelijk zijn, verhoogt de complexiteit.
- Integratie met bestaande systemen: Het naadloos integreren van generatieve AI met bestaande IT-infrastructuur en bedrijfsprocessen kan veel middelen kosten en technisch gezien een uitdaging zijn.
- Ethische en nalevingskwesties: Het is essentieel om ethische kwesties aan te pakken en te zorgen voor naleving van wettelijke en regelgevende normen. Het beheren van de privacy van gegevens, het voorkomen van vooroordelen in AI-modellen en het handhaven van transparantie zijn slechts enkele van de kwesties waar u rekening mee moet houden.
- vaardigheden en expertise: Het ontwikkelen en beheren van generatieve AI-oplossingen vereist gespecialiseerde vaardigheden. Organisaties moeten vaak investeren in de opleiding van hun personeel of nieuw talent met de benodigde expertise aannemen.
- kosten- en middelenallocatie: Het implementeren van generatieve AI kan kostbaar zijn. Organisaties moeten hun middelen zorgvuldig beheren en beginnen met kleine, impactvolle pilotprojecten om de waarde ervan te demonstreren voordat ze opschalen.
- Beveiligingszorgen: Het waarborgen van de beveiliging van AI-systemen is van cruciaal belang en omvat het beschermen van gevoelige gegevens tegen inbreuken en het voorkomen van mogelijke kwetsbaarheden in AI-modellen en -infrastructuur.
- Ontwerp van gebruikersinterface: Het ontwerpen van intuïtieve, gebruiksvriendelijke interfaces die de mogelijkheden van AI benutten, vooral zonder gebruikers te overweldigen, kan lastig zijn.
Om deze uitdagingen het hoofd te bieden, zijn een grondige planning, samenwerking tussen verschillende teams en een strategische aanpak voor de integratie van AI in bedrijfsprocessen vereist.
De Well-Architected-benadering
Wij adviseren u om uw goed ontworpen werklast zo te structureren dat deze voldoet aan specifieke doelstellingen op het gebied van betrouwbaarheid, beveiliging, operationele uitmuntendheid, prestatie-efficiëntie en ervaringsoptimalisatie. Om de gebruikerservaring te verbeteren en consistentie en betrouwbaarheid te bieden, gebruikt volgen architectuurprincipes en -richtlijnen die zijn afgestemd op intelligente applicatiewerklasten.
De Power Platform Well-Architected pijlers helpen u modulariteit te implementeren, rollen te scheiden en de operationele productiviteit te verbeteren. Gebruik een goed ontworpen aanpak om workloads te creëren zonder onnodige complexiteit en kosten.
Raadpleeg Ontwerpprincipes van intelligente applicatieworkloads om te begrijpen hoe elke pijler uw intelligente applicatieworkload kan verbeteren.
Beoordeel de technische en operationele haalbaarheid
Voordat u begint met het ontwikkelen van uw intelligente applicatiewerklast met Power Platform, moet u de technische en operationele haalbaarheid beoordelen en risico's en mitigerende strategieën identificeren.
U kunt ook overwegen om de huidige workloads bij te werken om gebruik te maken van de mogelijkheden van generatieve AI, wanneer deze mogelijkheden voldoen aan de behoeften van het bedrijf en de kosten verlagen. Overweeg modernisering op basis van het doel van de applicatie, de levensverwachting, de ondersteunbaarheid, de kosten en de serviceniveauovereenkomsten (SLA's).
Technische haalbaarheid
Technische haalbaarheid houdt in dat de beschikbaarheid en kwaliteit van de gegevens, integratievereisten en uitdagingen op het gebied van technische complexiteit worden beoordeeld.
Beschikbaarheid van gegevens en kwaliteit
Gegevens van hoge kwaliteit zorgen voor consistentie en nauwkeurigheid voor de werklast van de intelligente applicatie. Houd bij uw haalbaarheidsbeoordeling rekening met het volgende:
- Gegevensbronnen : Identificeer en catalogiseer alle potentiële gegevensbronnen, inclusief interne databases, externe API's en datasets van derden. Zorg ervoor dat deze bronnen betrouwbaar en toegankelijk zijn.
- Gegevenssilo's : Bepaal of het huidige proces gebruikmaakt van uiteenlopende gegevensbronnen, zoals spreadsheets. De integratie van deze uiteenlopende gegevens in het AI-systeem kan een uitdaging vormen, maar is wellicht essentieel om nauwkeurige antwoorden te kunnen geven.
- Datavolume en -variëteit : Beoordeel de hoeveelheid en de verscheidenheid aan beschikbare gegevens. Generatieve AI-modellen vereisen doorgaans grote en diverse datasets om effectief te kunnen functioneren. Zorg ervoor dat de gegevensbronnen voldoende kwantiteit en diversiteit bieden om de modellen te trainen en valideren.
- Gegevens opschonen : Voer gegevensopschoning uit om duplicatie te verwijderen, fouten te corrigeren en ontbrekende waarden te verwerken. Deze stap is van cruciaal belang om ervoor te zorgen dat de gegevens die in de AI-modellen worden ingevoerd, nauwkeurig en betrouwbaar zijn.
- Gegevenstransformatie: Transformeer ruwe gegevens naar een geschikt formaat voor AI-modeltraining. Dit proces kan het normaliseren, schalen en coderen van categorische variabelen omvatten.
- Validatie en testen van gegevens: Valideer en test de gegevens regelmatig om er zeker van te zijn dat ze voldoen aan de vereiste kwaliteitsnormen.
Integratievereisten
Eenvoudige integratie maakt realtime toegang tot gegevens en updates voor de intelligente applicatiewerklast mogelijk. Houd bij uw haalbaarheidsbeoordeling rekening met het volgende:
- Bestaande infrastructuur: Beoordeel de compatibiliteit van generatieve AI-modellen met uw huidige infrastructuur. Bepaal bijvoorbeeld of er robuuste API's beschikbaar zijn voor eenvoudige integratie.
- Integratiepunten: Bepaal hoe uw intelligente applicatiewerklast wordt geïntegreerd met de vereiste gegevensbronnen. Bepaal bijvoorbeeld of er connectoren of API's beschikbaar zijn.
Technische complexiteitsuitdagingen
Nauwkeurige reacties zijn afhankelijk van een goed ontworpen, intelligente applicatiewerklast. Evalueer als onderdeel van uw haalbaarheidsbeoordeling de betrouwbaarheid en nauwkeurigheid van de reacties die de intelligente werklast biedt. Denk na over hoe u de gegenereerde reacties kunt optimaliseren, monitoren en verbeteren. De uitdagingen op het gebied van technische complexiteit vereisen een combinatie van technische expertise, robuuste infrastructuur en continu beheer om intelligente applicatieworkloads succesvol te implementeren en onderhouden. Meer informatie vindt u in Betrouwbaarheidsontwerpprincipes van intelligente applicatiewerklasten.
Operationele haalbaarheid
Operationele haalbaarheid omvat het beoordelen van de beschikbaarheid van middelen, de acceptatie door gebruikers en de risico's, samen met strategieën om deze risico's te beperken.
Resourcebeschikbaarheid
Het succes van uw intelligente applicatiewerklast is afhankelijk van de beschikbaarheid van een toegewijd budget en teambronnen, ondersteund door een op AI gericht Center of Excellence (CoE). Denk aan het volgende:
- vaardigheid-beoordeling: Beoordeel de vaardigheden van uw teamleden om eventuele hiaten te identificeren die kunnen worden aangepakt door middel van training of werving.
- Rolverdeling: Definieer rollen en verantwoordelijkheden duidelijk om ervoor te zorgen dat elk teamlid zijn/haar taken begrijpt en weet hoe hij/zij bijdraagt aan het succes van het project.
- Opleiding en ontwikkeling: Investeer in voortdurende opleiding en ontwikkeling om het team op de hoogte te houden van de nieuwste AI-technologieën en -methodologieën.
- kostenraming: Begin met een gedetailleerde kostenraming waarin de licentiekosten, software- en cloudservicekosten en personeelskosten zijn opgenomen. Dergelijke schattingen zijn gebaseerd op een realistisch budget.
Gebruikersacceptatie
Het succes van uw intelligente applicatiewerklast hangt af van de mate waarin gebruikers vertrouwd zijn met het systeem. Denk aan het volgende:
- gebruikersgericht ontwerp: Ontwerp het systeem zo dat het intuïtief en gebruiksvriendelijk is. Complexe interfaces kunnen gebruikers afschrikken. Eenvoud en duidelijkheid zijn cruciaal. Zorg ervoor dat het systeem voor alle gebruikers toegankelijk is.
- Training: Zorg voor uitgebreide trainingssessies en bied voortdurende ondersteuning.
- Feedbackloops: Stel feedbackmechanismen in waarmee gebruikers onjuistheden kunnen melden. Deze kunnen vervolgens worden gebruikt om de modellen te verfijnen en verbeteren.
- Transparantie en vertrouwen: zorg dat gebruikers weten dat ze een workload gebruiken die generatieve AI-mogelijkheden omvat. Communiceer duidelijk waarom er voor een AI-oplossing is gekozen, hoe deze is ontworpen en hoe deze wordt gemonitord en bijgewerkt.
- Verandermanagement: uitlijnen verander de cultuur en waarden van de organisatie om brede acceptatie en steun te garanderen.
Risico's en mitigaties
Bezorgdheid over de privacy van gegevens, mogelijke vooroordelen in de reactie van AI en technische storingen zijn mogelijke risico's. Het waarborgen van de privacy van gegevens is van cruciaal belang, vooral omdat de intelligente applicatiewerklast gevoelige gegevens kan verwerken.
Bij het plannen van een intelligente applicatiewerklast moet u rekening houden met de volgende risico's en effectieve mitigatiestrategieën implementeren:
Gegevensbescherming: Bescherm gevoelige gegevens die worden gebruikt en gegenereerd door AI-modellen. Implementeer encryptie, toegangscontroles en regelmatige beveiligingsaudits. Zorg ervoor dat de werklast voldoet aan de relevante regelgeving, zoals AVG of HIPAA, om de privacy en gegevens van gebruikers te beschermen.
Vooringenomenheid in AI-reacties: Gebruik diverse en representatieve datasets om AI-modellen te trainen. Controleer en test modellen regelmatig op vooroordelen.
Technische storingen: Ontwerp een robuuste en schaalbare infrastructuur met redundantie- en failovermechanismen. Voer regelmatig back-ups uit en voer plannen voor herstel na een ramp uit.
Beveiligingsbedreigingen: Maak gebruik van geavanceerde beveiligingsmaatregelen, zoals multifactorauthenticatie, systemen voor inbraakdetectie en regelmatige beveiligingsaudits. Houd software en systemen up-to-date om beveiligen te beschermen tegen kwetsbaarheden.
Ethische overwegingen: Stel duidelijke ethische richtlijnen en governance-kaders op voor het gebruik van AI. Zorg voor transparantie in AI-activiteiten en zorg voor een menselijke betrokkenheid bij cruciale beslissingen.
Compliance- en regelgevingskwesties :Blijf op de hoogte van de relevante regelgeving en zorg ervoor dat AI-systemen voldoen aan alle wettelijke vereisten. Voer regelmatig nalevingsaudits uit en werk het beleid indien nodig bij.
Volgende stappen
Begin met het doornemen van de ontwerpprincipes.