Omówienie obciążeń aplikacji inteligentnych
Ta dokumentacja zawiera praktyczne wskazówki dotyczące planowania, tworzenia i utrzymywania obciążeń aplikacji inteligentnych Microsoft Power Platform. Wskazówki mają podstawę techniczną w Power Platform postaci najlepszych rozwiązań Well-Architected i są również oparte na doświadczeniu pochodzącym z wdrożeń klientów.
Te wskazówki są przeznaczone przede wszystkim dla właścicieli obciążeń, technicznych uczestników projektu i interesariuszy biznesowych — każdego, kto odgrywa integralną rolę w projektowaniu, tworzeniu i utrzymywaniu obciążenia aplikacji inteligentnych.
Porada
Aby ocenić obciążenie przez pryzmat niezawodności, bezpieczeństwa, doskonałości operacyjnej, wydajności i optymalizacji środowiska, przeprowadź Power Platform ocenę dobrze zaprojektowanej.
Co to jest obciążenie aplikacji inteligentnej?
W kontekście Power Platform Well-Architected termin obciążenie opisuje zestaw zasobów aplikacji, danych oraz infrastruktury i procesów pomocniczych, które współpracują ze sobą w celu zapewnienia pożądanych wyników biznesowych. Obciążenie robocze składa się ze składników aplikacji i technologii, a także procesów behawioralnych, programistycznych i operacyjnych.
Inteligentne obciążenie aplikacji oparte na Power Platform wykorzystaniu możliwości integracji i korzystania z generatywnych Power Platform modeli sztucznej inteligencji w celu automatyzacji i ulepszania procesów biznesowych.
Generative AI to technologia sztucznej inteligencji, która używa dużych modeli języków (LLMs) do generowania oryginalnej zawartości oraz do poznania języka naturalnego i odpowiedzi. Dowiedz się więcej o Generatywnej AI w podręczniku sztucznej inteligencji (AI).
Jakie są najczęstsze wyzwania?
Tworzenie inteligentnego obciążenia aplikacji opartego na Power Platform jego podstawie może być złożone. Wyzwania obejmują:
- Jakość i dostępność danych: Modele generatywnej sztucznej inteligencji wymagają dużych ilości danych wysokiej jakości. Zapewnienie, że dane są czyste, dobrze ustrukturyzowane i dostępne, zwiększa złożoność.
- Integracja z istniejącymi systemami: Bezproblemowa integracja generatywnej sztucznej inteligencji z istniejącą infrastrukturą IT i procesami biznesowymi może wymagać dużych zasobów i wyzwań technicznych.
- Kwestie etyczne i zgodności: Zasadnicze znaczenie ma rozwiązywanie problemów etycznych i zapewnienie zgodności z normami prawnymi i regulacyjnymi. Zarządzanie prywatnością danych, unikanie uprzedzeń w modelach sztucznej inteligencji i utrzymywanie przejrzystości to tylko niektóre z problemów, z którymi należy się zmierzyć.
- Umiejętności i specjalistyczna wiedza: Opracowywanie rozwiązań generatywnej sztucznej inteligencji i zarządzanie nimi wymaga specjalistycznych umiejętności. Organizacje często muszą inwestować w szkolenie swoich pracowników lub zatrudniać nowe talenty z niezbędną wiedzą specjalistyczną.
- Alokacja kosztów i zasobów: Wdrożenie generatywnej sztucznej inteligencji może być kosztowne. Organizacje muszą starannie zarządzać swoimi zasobami i zaczynać od małych projektów pilotażowych o dużym wpływie, aby wykazać wartość przed zwiększeniem skali.
- Kwestie bezpieczeństwa: Zapewnienie bezpieczeństwa systemów sztucznej inteligencji ma kluczowe znaczenie i obejmuje ochronę poufnych danych przed naruszeniami, a także ochronę przed potencjalnymi lukami w zabezpieczeniach modeli i infrastruktury sztucznej inteligencji.
- Projektowanie interfejsu użytkownika: Projektowanie intuicyjnych, przyjaznych dla użytkownika interfejsów, które wykorzystują możliwości sztucznej inteligencji, szczególnie bez przytłaczania użytkowników, może być trudne.
Sprostanie tym wyzwaniom wymaga dokładnego planowania, współpracy między różnymi zespołami i strategicznego podejścia do integracji sztucznej inteligencji z procesami biznesowymi.
Podejście Well-Architected
Zalecamy ustrukturyzowanie dobrze zaprojektowanego obciążenia w celu spełnienia określonych celów w zakresie niezawodności, zabezpieczeń, doskonałości operacyjnej, wydajności i optymalizacji środowiska. Aby ulepszyć środowisko użytkownika oraz zapewnić spójność i niezawodność, postępuj zgodnie z zasadami i wytycznymi architektury dostosowanymi do obciążeń aplikacji inteligentnych.
Filary Power Platform Well-Architected pomagają wdrożyć modułowość, oddzielić role i zwiększyć produktywność operacyjną. Korzystaj z dobrze zaprojektowanego podejścia, aby tworzyć obciążenia bez zbędnej złożoności i kosztów.
Aby dowiedzieć się, w jaki sposób każdy z filarów może poprawić obciążenie aplikacji inteligentnych, zapoznaj się z zasadami projektowania obciążeń aplikacji inteligentnych.
Ocena wykonalności technicznej i operacyjnej
Zanim zaczniesz opracowywać obciążenie Power Platform aplikacji inteligentnej, oceń wykonalność techniczną i operacyjną oraz zidentyfikuj ryzyko i strategie ograniczania ryzyka.
Warto również rozważyć zaktualizowanie bieżących obciążeń w celu korzystania z funkcji generatywnej sztucznej inteligencji — gdy te możliwości spełniają potrzeby biznesowe i obniżają koszty. Rozważ modernizację w oparciu o przeznaczenie aplikacji, oczekiwaną długość życia, możliwości obsługi, koszty i umowy dotyczące poziomu usług (SLA).
Wykonalność techniczna
Wykonalność techniczna obejmuje ocenę dostępności i jakości danych, wymagań dotyczących integracji i wyzwań związanych ze złożonością techniczną.
Dostępność danych i jakość
Wysokiej jakości dane zapewniają spójność i dokładność obciążenia aplikacji inteligentnych. W ramach oceny wykonalności należy wziąć pod uwagę następujące kwestie:
- Źródła danych: Zidentyfikuj i skataloguj wszystkie potencjalne źródła danych, w tym wewnętrzne bazy danych, zewnętrzne interfejsy API i zestawy danych innych firm. Upewnij się, że te źródła są wiarygodne i dostępne.
- Silosy danych: określ, czy bieżący proces korzysta z różnych źródeł danych, takich jak arkusze kalkulacyjne. Integracja tych rozbieżnych danych z systemem sztucznej inteligencji może stanowić wyzwanie, ale może mieć zasadnicze znaczenie dla udzielenia dokładnych odpowiedzi.
- Ilość i różnorodność danych: Oceń ilość i różnorodność dostępnych danych. Generatywne modele sztucznej inteligencji zazwyczaj wymagają dużych i zróżnicowanych zestawów danych, aby działać skutecznie. Upewnij się, że źródła danych zapewniają wystarczającą ilość i różnorodność do trenowania i weryfikowania modeli.
- Czyszczenie danych: Wykonaj czyszczenie danych, aby usunąć duplikaty, poprawić błędy i obsłużyć brakujące wartości. Ten krok ma kluczowe znaczenie dla zapewnienia, że dane wprowadzane do modeli sztucznej inteligencji są dokładne i wiarygodne.
- Przekształcanie danych: przekształcanie nieprzetworzonych danych w odpowiedni format do trenowania modelu sztucznej inteligencji. Ten proces może obejmować normalizację, skalowanie i kodowanie zmiennych jakościowych.
- Walidacja i testowanie danych: Regularnie weryfikuj i testuj dane, aby upewnić się, że spełniają wymagane standardy jakości.
Wymagania dotyczące integracji
Prosta integracja ułatwia dostęp do danych w czasie rzeczywistym i aktualizacje dla obciążenia inteligentnej aplikacji. W ramach oceny wykonalności należy wziąć pod uwagę następujące kwestie:
- Istniejąca infrastruktura: Oceń zgodność modeli generatywnej sztucznej inteligencji z bieżącą infrastrukturą. Na przykład określ, czy są dostępne niezawodne interfejsy API w celu łatwej integracji.
- Punkty integracji: określ, w jaki sposób obciążenie aplikacji inteligentnej będzie integrować się z wymaganymi źródłami danych. Na przykład określ, czy łączniki lub interfejsy API są dostępne.
Wyzwania związane ze złożonością techniczną
Dokładne odpowiedzi opierają się na dobrze zaprojektowanym obciążeniu inteligentnej aplikacji. W ramach oceny wykonalności oceń niezawodność i dokładność odpowiedzi udzielanych przez inteligentne obciążenie. Zastanów się, jak zoptymalizować, monitorować i ulepszać generowane odpowiedzi. Wyzwania związane ze złożonością techniczną wymagają połączenia wiedzy technicznej, solidnej infrastruktury i ciągłego zarządzania, aby skutecznie wdrażać i utrzymywać inteligentne obciążenia aplikacji. Dowiedz się więcej w temacie Zasady projektowania niezawodności obciążeń aplikacji inteligentnych.
Wykonalność operacyjna
Wykonalność operacyjna obejmuje ocenę dostępności zasobów, adaptacji użytkowników i ryzyka wraz ze strategiami ograniczania ryzyka.
Dostępność zasobów
Powodzenie obciążenia aplikacji inteligentnych zależy od dostępności dedykowanego budżetu i zasobów zespołu, obsługiwanych przez centrum doskonałości skoncentrowane na sztucznej inteligencji (CoE). Zaleca się uwzględnić następujące elementy:
- Ocena umiejętności: Oceń umiejętności członków zespołu, aby zidentyfikować wszelkie luki, które można wyeliminować poprzez szkolenie lub zatrudnianie.
- Przydzielanie ról: Jasno określ role i obowiązki, aby upewnić się, że każdy członek zespołu rozumie swoje zadania i sposób, w jaki przyczyniają się do sukcesu projektu.
- Szkolenia i rozwój: Inwestuj w ciągłe szkolenia i rozwój, aby zespół był na bieżąco z najnowszymi technologiami i metodologiami sztucznej inteligencji.
- Szacowanie kosztów: Zacznij od szczegółowego oszacowania kosztów, które obejmuje koszt licencji, koszty oprogramowania i usług w chmurze oraz koszty personelu. Takie szacunki na podstawie realistycznego budżetu.
Adaptacja użytkownika
Powodzenie obciążenia inteligentnej aplikacji zależy od tego, czy użytkownicy czują się komfortowo z systemem. Zaleca się uwzględnić następujące elementy:
- Projektowanie zorientowane na użytkownika: Zaprojektuj system tak, aby był intuicyjny i przyjazny dla użytkownika. Złożone interfejsy mogą odstraszać użytkowników — prostota i przejrzystość mają kluczowe znaczenie. Upewnij się, że system jest dostępny dla wszystkich użytkowników.
- Szkolenia: Prowadzenie kompleksowych sesji szkoleniowych i zapewnianie stałego wsparcia.
- Pętle informacji zwrotnych: Ustanów mechanizmy informacji zwrotnej, w których użytkownicy mogą zgłaszać nieścisłości, które można następnie wykorzystać do udoskonalenia i ulepszenia modeli.
- Przejrzystość i zaufanie: Upewnij się, że użytkownicy wiedzą, że korzystają z obciążenia, które obejmuje funkcje generatywnej sztucznej inteligencji. Jasno komunikuj, dlaczego wybrano rozwiązanie AI, jak zostało zaprojektowane oraz w jaki sposób jest monitorowane i aktualizowane.
- Zarządzanie zmianą: Dostosuj zmianę do kultury i wartości organizacji, aby zapewnić szeroką akceptację i wsparcie.
Ryzyko i środki zaradcze
Obawy dotyczące prywatności danych, potencjalne uprzedzenia w odpowiedziach sztucznej inteligencji i awarie techniczne stanowią potencjalne ryzyko. Zapewnienie prywatności danych ma kluczowe znaczenie, zwłaszcza że obciążenie inteligentnej aplikacji może obsługiwać poufne dane.
Planując obciążenie aplikacji inteligentnej, należy wziąć pod uwagę następujące zagrożenia i zaimplementować skuteczne strategie ograniczania ryzyka:
Prywatność danych: ochrona poufnych danych używanych i generowanych przez modele sztucznej inteligencji. Wdrażaj szyfrowanie, kontrolę dostępu i regularne audyty bezpieczeństwa. Upewnij się, że obciążenie jest zgodne z odpowiednimi standardami regulacyjnymi, takimi jak RODO lub HIPAA, aby chronić prywatność i dane użytkowników.
Stronniczość w odpowiedziach sztucznej inteligencji: używaj zróżnicowanych i reprezentatywnych zestawów danych do trenowania modeli sztucznej inteligencji. Regularnie kontroluj i testuj modele pod kątem uprzedzeń.
Awarie techniczne: Zaprojektuj solidną i skalowalną infrastrukturę z mechanizmami nadmiarowości i przełączania awaryjnego. Wdrażaj regularne kopie zapasowe i plany odzyskiwania po awarii.
Zagrożenia bezpieczeństwa: Stosuj zaawansowane środki bezpieczeństwa, takie jak uwierzytelnianie wieloskładnikowe, systemy wykrywania włamań i regularne audyty bezpieczeństwa. Aktualizuj oprogramowanie i systemy, aby chronić przed lukami w zabezpieczeniach.
Kwestie etyczne: Ustanowienie jasnych wytycznych etycznych i ram zarządzania w zakresie korzystania ze sztucznej inteligencji. Zapewnij przejrzystość operacji związanych ze sztuczną inteligencją i utrzymuj podejście "human-in-the-loop" do podejmowania krytycznych decyzji.
Kwestie zgodności i regulacyjne: Bądź na bieżąco z odpowiednimi przepisami i upewnij się, że systemy sztucznej inteligencji są zgodne ze wszystkimi wymogami prawnymi. Przeprowadzaj regularne audyty zgodności i aktualizuj zasady w razie potrzeby.
Następne kroki
Zacznij od zapoznania się z zasadami projektowania.