Visão geral das cargas de trabalho de aplicativos inteligentes
Esta documentação fornece orientação prática para planejar, desenvolver e manter cargas de trabalho de aplicativos inteligentes com Microsoft Power Platform. A orientação tem uma base técnica nas melhores práticas do Well-Architected e também é informada pela experiência derivada de implantações de clientes. Power Platform
Esta orientação se destina principalmente a proprietários de cargas de trabalho, partes interessadas técnicas e partes interessadas comerciais — qualquer pessoa que desempenhe um papel fundamental no design, na criação e na manutenção de uma carga de trabalho de aplicativo inteligente.
Dica
Para avaliar sua carga de trabalho pelas lentes de confiabilidade, segurança, excelência operacional, eficiência de desempenho e otimização de experiência, conduza uma Power Platform Avaliação Bem Arquitetada.
O que é uma carga de trabalho de aplicativo inteligente?
No contexto do Power Platform Well-Architected, o termo carga de trabalho descreve um conjunto de recursos de aplicativos, dados e infraestrutura e processos de suporte que trabalham juntos para fornecer os resultados comerciais desejados. Uma carga de trabalho compreende componentes de aplicação e tecnologia, bem como processos comportamentais, de desenvolvimento e operacionais.
Uma carga de trabalho de aplicativo inteligente criada em Power Platform aplica os recursos de Power Platform para integrar e consumir modelos de IA generativos para automatizar e aprimorar processos de negócios.
A IA Generativa é uma tecnologia de inteligência artificial que usa grandes modelos de linguagem (LLMs) para gerar conteúdo original e fornecer compreensão e respostas de linguagem natural. Saiba mais sobre IA generativa no guia estratégico de Inteligência Artificial (IA).
Quais são os desafios comuns?
Desenvolver uma carga de trabalho de aplicativo inteligente construída em Power Platform pode ser complexo. Os desafios incluem:
- Qualidade e disponibilidade de dados: Modelos de IA generativa exigem grandes volumes de dados de alta qualidade. Garantir que os dados estejam limpos, bem estruturados e acessíveis aumenta a complexidade.
- Integração com sistemas existentes: A integração perfeita da IA generativa com a infraestrutura de TI e os processos de negócios existentes pode exigir muitos recursos e ser tecnicamente desafiadora.
- Questões éticas e de conformidade: Abordar questões éticas e garantir a conformidade com padrões legais e regulatórios é essencial. Gerenciar a privacidade de dados, evitar vieses em modelos de IA e manter a transparência são apenas algumas das questões a serem enfrentadas.
- habilidades e experiência: Desenvolver e gerenciar soluções de IA generativas requer habilidades especializado. As organizações geralmente precisam investir no treinamento de sua força de trabalho ou contratar novos talentos com a experiência necessária.
- Alocação de custos e recursos: Implementar IA generativa pode ser custoso. As organizações precisam gerenciar cuidadosamente seus recursos e começar com projetos-piloto pequenos e de alto impacto para demonstrar valor antes de expandir.
- Preocupações com segurança: Garantir a segurança dos sistemas de IA é fundamental e inclui proteger dados confidenciais contra violações, bem como proteger contra possíveis vulnerabilidades em modelos e infraestrutura de IA.
- Design de interface de usuário: Projetar interfaces intuitivas e fáceis de usar que aproveitem os recursos de IA, principalmente sem sobrecarregar os usuários, pode ser difícil.
Enfrentar esses desafios exige planejamento minucioso, colaboração entre diferentes equipes e uma abordagem estratégica para integrar IA aos processos de negócios.
A abordagem bem arquitetada
Recomendamos que você estruture sua carga de trabalho bem arquitetada para atender a objetivos específicos de confiabilidade, segurança, excelência operacional, eficiência de desempenho e otimização de experiência. Para melhorar as experiências do usuário e oferecer consistência e confiabilidade, siga os princípios e diretrizes de arquitetura adaptados às cargas de trabalho de aplicativos inteligentes.
Os pilares do Well-Architected ajudam você a implementar modularidade, separar funções e melhorar a produtividade operacional. Power Platform Use uma abordagem bem arquitetada para criar cargas de trabalho sem complexidade e custos desnecessários.
Para entender como cada pilar pode melhorar sua carga de trabalho de aplicativos inteligentes, consulte Princípios de design de cargas de trabalho de aplicativos inteligentes.
Avaliar a viabilidade técnica e operacional
Antes de começar a desenvolver sua carga de trabalho de aplicativo inteligente com Power Platform, avalie a viabilidade técnica e operacional e identifique riscos e estratégias de mitigação.
Você também pode considerar atualizar as cargas de trabalho atuais para usar os recursos de IA generativa, quando esses recursos atendem às necessidades do negócio e reduzem custos. Considere a modernização com base na finalidade do aplicativo, expectativa de vida, capacidade de suporte, custo e acordos de nível de serviço (SLAs).
Viabilidade técnica
A viabilidade técnica envolve avaliar a disponibilidade e a qualidade dos dados, os requisitos de integração e os desafios relacionados à complexidade técnica.
Disponibilidade de dados e qualidade
Dados de alta qualidade garantem consistência e precisão para a carga de trabalho do aplicativo inteligente. Como parte da sua avaliação de viabilidade, considere o seguinte:
- Fontes de dados : Identifique e catalogue todas as fontes de dados potenciais, incluindo bancos de dados internos, APIs externas e conjuntos de dados de terceiros. Garanta que essas fontes sejam confiáveis e acessíveis.
- Silos de dados : Identifique se o processo atual usa fontes de dados diferentes, como planilhas. A integração desses dados díspares no sistema de IA pode representar um desafio, mas pode ser essencial para fornecer respostas precisas.
- Volume e variedade de dados : Avalie o volume e a variedade de dados disponíveis. Modelos de IA generativa normalmente exigem conjuntos de dados grandes e diversos para funcionar de forma eficaz. Garanta que as fontes de dados forneçam quantidade e diversidade suficientes para treinar e validar os modelos.
- Limpeza de dados : Execute a limpeza de dados para remover duplicações, corrigir erros e lidar com valores ausentes. Este etapa é essencial para garantir que os dados inseridos nos modelos de IA sejam precisos e confiáveis.
- Transformação de dados: Transforme dados brutos em um formato adequado para treinamento de modelos de IA. Esse processo pode envolver normalização, dimensionamento e codificação de variáveis categóricas.
- Validação e teste de dados: valide e teste regularmente os dados para garantir que eles atendam aos padrões de qualidade exigidos.
Requisitos de integração
A integração direta facilita o acesso e as atualizações de dados em tempo real para a carga de trabalho do aplicativo inteligente. Como parte da sua avaliação de viabilidade, considere o seguinte:
- Infraestrutura existente: Avalie a compatibilidade dos modelos de IA generativa com sua infraestrutura atual. Por exemplo, determine se APIs robustas estão disponíveis para fácil integração.
- Pontos de integração: Identifique como sua carga de trabalho de aplicativo inteligente será integrada às fontes de dados necessárias. Por exemplo, determine se conectores ou APIs estão disponíveis.
Desafios de complexidade técnica
Respostas precisas dependem de uma carga de trabalho de aplicativo inteligente bem arquitetada. Como parte da sua avaliação de viabilidade, avalie a confiabilidade e a precisão das respostas fornecidas pela carga de trabalho inteligente. Considere como otimizar, monitorar e melhorar as respostas geradas. Os desafios de complexidade técnica exigem uma combinação de conhecimento técnico, infraestrutura robusta e geranciamento contínuo para implementar e manter com sucesso cargas de trabalho de aplicativos inteligentes. Saiba mais em Princípios de design de confiabilidade de cargas de trabalho de aplicativos inteligentes.
Viabilidade operacional
A viabilidade operacional envolve avaliar a disponibilidade de recursos, a adoção do usuário e os riscos, juntamente com estratégias de mitigação.
Disponibilidade do recurso
O sucesso da carga de trabalho do seu aplicativo inteligente depende da disponibilidade de um orçamento dedicado e de recursos de equipe, apoiados por um Centro de Excelência (CoE) focado em IA. Considere estes fatores:
- Avaliação habilidade: Avalie o habilidades dos membros da sua equipe para identificar quaisquer lacunas que possam ser abordadas por meio de treinamento ou contratação.
- Atribuição de funções: Defina claramente funções e responsabilidades para garantir que cada membro da equipe entenda suas tarefas e como elas contribuem para o sucesso do projeto.
- Treinamento e desenvolvimento: Invista em treinamento e desenvolvimento contínuos para manter a equipe atualizada com as mais recentes tecnologias e metodologias de IA.
- Estimativa de custos: Comece com uma estimativa de custos detalhada que inclua custos de licença, custos de software e serviços de nuvem e custos de pessoal. Tais estimativas partem da base de um orçamento realista.
Adoção de usuários
O sucesso da carga de trabalho do seu aplicativo inteligente depende da familiaridade dos usuários com o sistema. Considere estes fatores:
- Design centrado no usuário: Projete o sistema para ser intuitivo e fácil de usar. Interfaces complexas podem desencorajar usuários; simplicidade e clareza são essenciais. Garanta que o sistema seja acessível a todos os usuários.
- Treinamento: Facilitar sessões de treinamento abrangentes e fornecer suporte contínuo.
- Ciclos de feedback: Estabeleça mecanismos de feedback onde os usuários podem relatar imprecisões, que podem então ser usadas para refinar e melhorar os modelos.
- Transparência e confiança: garanta que os usuários saibam que estão usando uma carga de trabalho que inclui recursos de IA generativa. Comunique claramente por que uma solução de IA foi escolhida, como ela foi projetada e como ela é monitorada e atualizada.
- Gestão de mudanças: alinhar a mudança com a cultura e os valores da organização para garantir ampla aceitação e suporte.
Riscos e mitigações
Preocupações com a privacidade de dados, possíveis vieses nas respostas da IA e falhas técnicas são riscos potenciais. Garantir a privacidade dos dados é fundamental, especialmente porque a carga de trabalho do aplicativo inteligente pode lidar com dados confidenciais.
Ao planejar uma carga de trabalho de aplicativo inteligente, aborde os seguintes riscos e implemente estratégias de mitigação eficazes:
Privacidade de dados: Proteja dados confidenciais usados e gerados por modelos de IA. Implemente criptografia, controles de acesso e auditorias de segurança regulares. Garanta que a carga de trabalho esteja em conformidade com os padrões de regulamentação relevantes, como RGPD ou HIPAA, para proteger privacidade e dados do usuário.
Viés nas respostas de IA: Use conjuntos de dados diversos e representativos para treinar modelos de IA. Audite e teste modelos regularmente para detectar vieses.
Falhas técnicas: Projete uma infraestrutura robusta e escalável com mecanismos de redundância e failover. Implemente backups regulares e planos de recuperação de desastres.
Ameaças à segurança: Empregue medidas de segurança avançadas, como autenticação multifator, sistemas de detecção de intrusão e auditorias de segurança regulares. Mantenha o software e os sistemas atualizados para proteger contra vulnerabilidades.
Preocupações éticas: Estabelecer diretrizes éticas claras e estruturas de governança para o uso da IA. Garanta transparência nas operações de IA e mantenha uma abordagem humana para decisões críticas.
Questões de conformidade e regulatórias: Mantenha-se informado sobre regulamentações relevantes e garanta que os sistemas de IA estejam em conformidade com todos os requisitos legais. Realize auditorias regulares de conformidade e atualize as políticas conforme necessário.
Próximas etapas
Comece revisando os princípios de design.