Udostępnij za pośrednictwem


Osoby zespołu obciążeń zaangażowane w obciążenia sztucznej inteligencji

W kontekście tworzenia obciążeń sztucznej inteligencji, w przeciwieństwie do tradycyjnego wdrażania kodu, modele niedeterministyczne wymagają iteracyjnego eksperymentowania i współpracy między wieloma rolami i zespołami. Wczesna integracja operacji, tworzenia aplikacji i zespołów danych jest niezbędna do wspierania wzajemnego zrozumienia. Ta współpraca wymaga różnorodnych umiejętności i ciągłego uczenia się, aby nadążyć za postępami technologicznymi.

Efektywna współpraca zależy od integracji narzędzi, procesów i osób, które są napędzane potrzebami obciążeń i określonymi celami. Zalecane strategie obejmują:

  • Ustanawianie jasnych ról i rachunków.
  • Wykorzystanie zestawu umiejętności zespołu do odpowiednich zadań.
  • Standaryzacja procesów i podprocesów, takich jak śledzenie pracy w ramach udostępnionej listy prac.
  • Poleganie na automatyzacji w celu osiągnięcia spójności i powtarzalności.

Personas może być skutecznym narzędziem do materializacji tych strategii i standaryzacji obowiązków. W tym artykule omówiono koncepcję osób znalezionych w obciążeniach sztucznej inteligencji, ich korzyści z projektowania obciążeń oraz przedstawiono przykłady i narzędzia do efektywnego definiowania i używania tych osób na poziomie zespołu.

Co to są personas?

Personas reprezentują podzestawy ludzi i procesów związanych z tworzeniem i uruchamianiem obciążenia, przechwytywanie nie tylko ich ról, ale także ich rzeczywistych zachowań i rachunków. Osoba może uosabiać jedną lub wiele osób w zależności od kontekstu. Co ciekawe, osoba nie musi być osobą; może to być również proces nienadzorowany, taki jak proces agenta w ramach architektury.

Obciążenie może mieć osoby użytkowników końcowych, które napędzają tworzenie funkcji, osoby te nie należą do zakresu tego artykułu.

W przeciwieństwie do ról, które zazwyczaj są bardziej statycznymi funkcjami lub stanowiskami w organizacji, osoby są dynamiczne i zorientowane na cel. Mogą służyć do mapowania wymagań umiejętności na procesy i narzędzia, takie jak składniki architektury. Osoby pomagają przede wszystkim zdefiniować zakres odpowiedzialności i ustawić kontekst w projekcie. Oferują one kilka innych korzyści, takich jak:

  • Identyfikacja luk w zasobach, która pomaga w podejmowaniu decyzji, czy należy rekrutować, szkolić, czy przeprojektować rozwiązanie. Jeśli zespół ds. obciążeń nie pasuje do niezbędnej osoby, może być konieczne dostosowanie architektury, zmodyfikowanie procesu lub dołączenie nowego personelu. Jeśli na przykład brakuje starszej osoby do nauki o danych, architekturę można przeprojektować, rozważając większą niezawodność rozwiązań SaaS AI ogólnego przeznaczenia lub włączając rozwiązania sztucznej inteligencji innych firm.

  • Ulepszone umiejętności. Mapowanie osób na określone składniki architektoniczne ułatwia również możliwości edukacyjne, zapewniając sesje i kursy online w celu zwiększenia umiejętności.

  • Upewnij się, że odpowiednie poziomy dostępu. Osoby powinny służyć do definiowania potrzeb związanych z zabezpieczeniami i dostępem przez mapowanie ich na procesy, architektury i usługi, zapewniając odpowiednie poziomy dostępu.

  • Planowanie i komunikacja projektu W planowaniu projektu osoby pomagają identyfikować kluczowe interakcje, ułatwiając konfigurowanie spotkań synchronizacji i ogólne planowanie. Zazwyczaj osoby są zintegrowane z hierarchią śledzenia historii użytkowników, funkcji i wymagań, usprawniania zarządzania projektami.

Jak zdefiniować osoby

Zidentyfikuj specjalizacje członków zespołu i dopasuj je do odpowiednich ról w operacjach lub projekcie sztucznej inteligencji. Utwórz szablon, aby udokumentować oczekiwania osoby, informacje o zespole i procesy, w których będą one zaangażowane.

Oto przykładowy szablon punktu odniesienia:

Szablon osoby
🔹 Nazwisko osoby: [Wstaw nazwisko osoby]
🔹Zespół: [Zespół odpowiedzialny za tę osobę]
🔹Podstawowa interakcja: [Inne zespoły, z którymi ta osoba wchodzi w interakcję]
🔹Dostęp do składników: [Wymagania dotyczące zabezpieczeń i dostępu dla procesów i składników systemowych]
🔹Procesy: [Procesy, za które osoba jest odpowiedzialna lub która się przyczynia]
🔹Umiejętności: [Umiejętności wymagane do wykonania zadań, w tym specyficzne dla domeny i technologii, takie jak trenowanie modelu lub optymalizacja indeksu wyszukiwania.]

Narzędzia

Użycie tabeli może ułatwić organizowanie i wizualizowanie informacji dla każdej osoby. Zaletą jest tworzenie i łączenie innych tabel w celu uzyskania szczegółowych informacji. Można na przykład połączyć składniki architektury z inną tabelą, w której określono kontrolę dostępu opartą na tożsamościach dla każdej usługi i środowiska (Dev, Stage, Production).

Kompromis. Zbyt mało osób może utrudnić zaimplementowanie kontroli dostępu opartej na rolach z najmniej uprzywilejowanym dostępem i efektywne dystrybuowanie obowiązków służbowych. Z drugiej strony posiadanie zbyt wielu osób zwiększa obciążenie związane z zarządzaniem. Począwszy od 5-10 osób jest dobrą równowagą, i należy dodać tylko osoby, które są niezbędne do wykonywania operacji.

Karty mogą być również używane do definiowania osób. Te karty zawierają te same informacje co tabela lub krótkie podsumowanie. Możesz utworzyć te karty przy użyciu programu Microsoft PowerPoint lub jako zestawu plików markdown.

W niektórych przypadkach można użyć połączonego zestawu narzędzi. Na przykład każdy składnik architektury na karcie osoby może otworzyć plik markdown z zabezpieczeniami mapowania tabeli i kontrolą dostępu opartą na rolach dla każdej usługi i środowiska. Aby zapoznać się z przykładem referencyjnym, zobacz Akcelerator metodyki MLOps: Kontrola dostępu oparta na rolach tożsamości.

Przykładowe osoby

Za pomocą kart można zdefiniować usługi, do których osoba potrzebuje dostępu w ramach procesu, i określić wymagane umiejętności wstępne dla każdej osoby (niezależnie od tego, czy osoba, czy agent).

Ważne

Chociaż osoby zdefiniowane w tym miejscu służą jako przykłady punktów odniesienia, zaleca się utworzenie własnych osób przy użyciu narzędzi, takich jak tabele, karty szablonów osób i grafy.

Ważne jest, aby te osoby były zgodne z określonymi procesami, organizacją i użytkownikami.

Inżynierowie danych sztucznej inteligencji (P001)
Zespół: zespół ds. pozyskiwania danych
🔹 Podstawowa interakcja: zespół deweloperów sztucznej inteligencji
🔹 Dostęp do składników: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage
🔹 Procesy: DataOps, ETL, ELT
🔹 Umiejętności: SQL, Python, PySpark
Analityk analizy biznesowej (P003)
Zespół: Zespół analityczny
🔹 Podstawowa interakcja: zespół ds. pozyskiwania danych
🔹 Dostęp do składników: Power BI, Azure Data Explorer, Azure Storage
🔹 Procesy: analiza danych, proces magazynowania danych
🔹 Umiejętności: SQL, Python, PySpark
Dyskryminacyjne badacze dancyh sztucznej inteligencji (P004)
Zespół: Zespół sztucznej inteligencji
🔹 Podstawowa interakcja: zespół ds. pozyskiwania danych, zespół DevOps
🔹 Dostęp do składników: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault
🔹 Procesy: MLOps, MLflow
🔹 Umiejętności: Azure Machine Learning, Python, Trenowanie modelu
Badacze dancyh GenAI (P006)
Zespół: Zespół sztucznej inteligencji
🔹 Podstawowa interakcja: zespół ds. pozyskiwania danych, zespół DevOps
🔹 Dostęp do składników: Azure AI Studio, Azure OpenAI, Azure AI Search, Azure Storage, Azure Key Vault
🔹 Procesy: GenAIOps
🔹 Umiejętności: Azure Machine Learning, Python, Model(LLM, SLM) knowledge, Fine tuning, RAG, Agentic concept
GenAI Chat Developer (P007)
Zespół: Zespół inżynieryjny
🔹 Podstawowa interakcja: zespół sztucznej inteligencji
🔹 Dostęp do składników: Azure WebApps, Azure API Management, Cosmos DB, Azure Container Apps, Azure Functions
🔹 Procesy: DevOps, przetwarzanie sterowane zdarzeniami, mikrousługi
🔹 Umiejętności: Architektura aplikacji internetowej (fronton/zaplecze), React, Node.js, HTML, CSS
BuildAgent MLOps (P009)
Zespół: Zespół inżynieryjny
🔹 Podstawowa interakcja: zespół sztucznej inteligencji
🔹 Dostęp do składników: Azure Machine Learning, Azure Devops, GitHub
🔹 Procesy: przetwarzanie/obsługa lambda, metodyka MLOps pętli ZEWNĘTRZNEj
🔹 Umiejętności: Python, Pyspark

Przypadek użycia: Personas dla procesów sztucznej inteligencji

Główne procesy związane z obciążeniami sztucznej inteligencji to:

  • Metodyka DataOps koncentruje się na pozyskiwaniu i przygotowywaniu danych.
  • Metodyka MLOps obejmuje operacjonalizacja modeli uczenia maszynowego.
  • Metodyka GenAIOps odnosi się do odnajdywania i oceniania istniejących modeli, a następnie uściślinia ich do kontekstu obciążenia.
  • Pętla wewnętrzna udoskonala rozwiązania w środowisku projektowym podczas badań lub wyzwalane przez monitorowanie pętli zewnętrznej.
  • Pętla zewnętrzna przenosi rozwiązania z programowania do środowiska produkcyjnego, korzystając z ciągłego monitorowania i oceny w celu zidentyfikowania niezbędnych ulepszeń.

Mapowanie osób na te procesy zapewnia kontekst dla każdej osoby. Pomaga to zidentyfikować procesy, w których osoba może potrzebować upskillingu.

Diagram ilustrujący metodykę DataOps, MLOps i GenAIOps w środowisku produkcyjnym.

Obraz przedstawia przepływ pracy dla operacji DataOps, MLOps i GenAIOps w środowisku produkcyjnym. Przepływy danych z pozyskiwania do wdrażania i oceny modelu przy użyciu praktyk ciągłej integracji/ciągłego wdrażania (CI/CD). Kluczowe zadania obejmują uściślianie modeli danych, ocenę wsadową, wdrażanie punktów końcowych, ewaluację modelu w czasie rzeczywistym oraz modele dostrajania. Przykładowa osoba uczestniczy w całym przepływie pracy.

Przypadek użycia: Personas na potrzeby projektowania architektury

Łączenie procesów z architekturą pomocniczą pomaga zidentyfikować usługi, z którymi osoba musi wchodzić w interakcję, podkreślając obszary potencjalnego upskillingu.

Aby zwizualizować to połączenie, utwórz obraz graficzny przedstawiający sposób łączenia składników architektury. Może to zilustrować przepływ danych i interakcje między usługami oraz sposób, w jaki przepływy są zautomatyzowane we wdrożeniu. Ta pomoc wizualna pomaga uczestnikom projektu zrozumieć architekturę i role różnych osób w niej.

Na poniższej ilustracji przedstawiono architekturę LAMBDA na potrzeby nowoczesnej analizy na platformie Azure:

Diagram architektury LAMBDA na potrzeby nowoczesnej analizy na platformie Azure.

Następny krok

Teraz przejdź do narzędzia do oceny, aby ocenić projekt.