Visão geral de cargas de trabalho de aplicativos inteligentes
Esta documentação fornece orientação acionável para planejar, desenvolver e manter cargas de trabalho de aplicativos inteligentes Microsoft Power Platform. A orientação tem uma base técnica em Power Platform práticas recomendadas do Well-Architected e também é informada pela experiência derivada das implantações do cliente.
Esta orientação destina-se principalmente a proprietários de carga de trabalho, partes interessadas técnicas e partes interessadas de negócios — qualquer pessoa que desempenhe um papel integral no projeto, criação e manutenção de uma carga de trabalho inteligente de aplicativos.
Sugestão
Para avaliar sua carga de trabalho através das lentes de fiabilidade, segurança, excelência operacional, eficiência de desempenho e otimização de experiência, realize 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 de negócios desejados. Uma carga de trabalho compreende componentes de aplicativos e tecnologia, bem como processos comportamentais, de desenvolvimento e operacionais.
Uma carga de trabalho de aplicativo inteligente baseada aplica Power Platform os recursos de integrar e consumir modelos de IA generativa para automatizar e aprimorar processos de Power Platform negócios.
A IA generativa é uma tecnologia de inteligência artificial que usa grandes modelos de linguagem (LLMs) para gerar conteúdo original e fornecer compreensão de linguagem natural e respostas. Saiba mais sobre IA Generativa no manual de Inteligência Artificial (IA).
Quais são os desafios comuns?
O desenvolvimento de uma carga de trabalho de aplicativo inteligente pode Power Platform ser complexo. Os desafios incluem:
- Qualidade e disponibilidade de dados: os modelos de IA generativa exigem grandes volumes de dados de alta qualidade. Garantir que os dados sejam 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 as preocupações éticas e garantir a conformidade com as normas legais e regulamentares são essenciais. Gerenciar a privacidade de dados, evitar vieses em modelos de IA e manter a transparência são apenas alguns dos problemas a serem navegados.
- capacidades e experiência: Desenvolver e gerenciar soluções de IA generativa requer capacidades especializada. As organizações muitas vezes precisam investir na formação de sua força de trabalho ou contratar novos talentos com a experiência necessária.
- Custo e alocação de recursos: A implementação de IA generativa pode ser dispendiosa. As organizações precisam gerenciar cuidadosamente seus recursos e começar com pequenos projetos-piloto de alto impacto para demonstrar valor antes de expandir.
- Preocupações com a segurança: Garantir a segurança dos sistemas de IA é fundamental e inclui a proteção de dados sensíveis contra violações, bem como a proteção contra potenciais vulnerabilidades nos modelos e infraestruturas de IA.
- Design de interface do utente: Projetar interfaces intuitivas e amigáveis que aproveitem os recursos de IA, particularmente sem sobrecarregar os usuários, pode ser difícil.
Enfrentar esses desafios requer planeamento minucioso, colaboração entre diferentes equipes e uma abordagem estratégica para integrar a IA nos processos de negócios.
A abordagem bem arquitetada
Recomendamos que você estruture sua carga de trabalho bem arquitetada para atender a objetivos específicos de fiabilidade, segurança, excelência operacional, eficiência de desempenho e otimização de experiência. Para melhorar as experiências do utente e oferecer consistência e fiabilidade, siga princípios e diretrizes de arquitetura adaptados a cargas de trabalho de aplicativos inteligentes.
Os Power Platform pilares Well-Architected ajudam a implementar modularidade, separar funções e melhorar a produtividade operacional. Use uma abordagem bem arquitetada para criar cargas de trabalho sem complexidade e custo 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 Power Platform inteligente de aplicativos, avalie a viabilidade técnica e operacional e identifique riscos e estratégias de mitigação.
Você também pode considerar a atualização das cargas de trabalho atuais para usar os recursos de IA generativa — quando esses recursos atendem às necessidades de negócios e reduzem custos. Considere a modernização com base na finalidade do aplicativo, expectativa de vida, capacidade de suporte, custo e contratos de nível de serviço (SLAs).
Viabilidade técnica
A viabilidade técnica envolve a avaliação da disponibilidade e qualidade dos dados, requisitos de integração e desafios em torno da complexidade técnica.
Disponibilidade dos dados e qualidade
Dados de alta qualidade garantem consistência e precisão para a carga de trabalho inteligente do aplicativo. Como parte da sua avaliação de viabilidade, considere o seguinte:
- Fontes de dados: identifique e cataloge todas as fontes de dados potenciais, incluindo bancos de dados internos, APIs externas e conjuntos de dados de terceiros. Garantir 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 dos dados: Avalie o volume e a variedade dos dados disponíveis. Os modelos de IA generativa normalmente exigem conjuntos de dados grandes e diversos para funcionar de forma eficaz. Garantir 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. Esse passo é fundamental para garantir que os dados que são alimentados 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 a dados em tempo real e as atualizações para a carga de trabalho inteligente do aplicativo. Como parte da sua avaliação de viabilidade, considere o seguinte:
- Infraestrutura existente: avalie a compatibilidade de modelos de IA generativa com sua infraestrutura atual. Por exemplo, determine se APIs robustas estão disponíveis para fácil integração.
- Pontos de integração: identifique como a carga de trabalho do aplicativo inteligente se integrará às fontes de dados necessárias. Por exemplo, determine se conectores ou APIs estão disponíveis.
Desafios da complexidade técnica
Respostas precisas dependem de uma carga de trabalho de aplicativo inteligente bem arquitetada. Como parte de sua avaliação de viabilidade, avalie a fiabilidade e a precisão das respostas fornecidas pela carga de trabalho inteligente. Considere como otimizar, monitorar e melhorar as respostas geradas. Os desafios da complexidade técnica exigem uma combinação de conhecimento técnico, infraestrutura robusta e gerenciamento contínuo para implementar e manter com sucesso cargas de trabalho inteligentes de aplicativos. Saiba mais em Princípios de design de fiabilidade de cargas de trabalho de aplicativos inteligentes.
Viabilidade operacional
A viabilidade operacional envolve a avaliação da disponibilidade de recursos, a adoção pelo utente e os riscos, juntamente com estratégias de mitigação.
Disponibilidade do recurso
O sucesso da carga de trabalho de seu aplicativo inteligente depende da disponibilidade de um orçamento dedicado e recursos da equipa, apoiados por um Centro de Excelência (CoE) focado em IA. Considere o seguinte:
- Avaliação de habilidades: avalie o capacidades dos membros da sua equipa para identificar quaisquer lacunas que possam ser resolvidas por meio de treinamento ou contratação.
- Alocação de funções: defina claramente papéis e responsabilidades para garantir que cada membro da equipa entenda suas tarefas e como elas contribuem para o sucesso do projeto.
- Treinamento e desenvolvimento: Invista em treinamento e desenvolvimento contínuos para manter a equipa atualizada com as mais recentes tecnologias e metodologias de IA.
- Estimativa de custos: comece com uma estimativa de custos detalhada que inclua o custo da licença, os custos de software e serviços de nuvem e os custos de pessoal. Tais estimativas a partir da base de um orçamento realista.
Adoção pelo utente
O sucesso da carga de trabalho do seu aplicativo inteligente depende de os usuários se sentirem confortáveis com o sistema. Considere o seguinte:
- Design centrado no utente: projete o sistema para ser intuitivo e fácil de usar. Interfaces complexas podem dissuadir os usuários — simplicidade e clareza são fundamentais. Certifique-se de que o sistema está acessível a todos os utilizadores.
- Formação: Facilite sessões de formação abrangentes e forneça apoio contínuo.
- Ciclos de feedback: Estabeleça mecanismos de feedback onde os usuários possam relatar imprecisões, que podem ser usados para refinar e melhorar os modelos.
- Transparência e confiança: certifique-se de que os usuários saibam que estão a usar uma carga de trabalho que inclui recursos de IA generativa. Comunique claramente por que uma solução de IA foi escolhida, como foi projetada e como é monitorada e atualizada.
- Gestão da mudança: Alinhar a mudança com a cultura e os valores da organização para garantir uma ampla aceitação e apoio.
Riscos e mitigações
Preocupações com a privacidade de dados, possíveis vieses nas respostas de IA e falhas técnicas são riscos potenciais. Garantir a privacidade dos dados é fundamental, especialmente porque a carga de trabalho inteligente do aplicativo pode lidar com dados confidenciais.
Ao planejar uma carga de trabalho inteligente de aplicativos, aborde os seguintes riscos e implemente estratégias de mitigação eficazes:
Privacidade de dados: Proteja dados sensíveis usados e gerados por modelos de IA. Implemente criptografia, controles de acesso e auditorias de segurança regulares. Garantir que a carga de trabalho esteja em conformidade com as normas regulamentares relevantes, como RGPD ou HIPAA, para proteger a privacidade e os dados do utente.
Viés nas respostas de IA: use conjuntos de dados diversos e representativos para treinar modelos de IA. Auditar e testar regularmente modelos quanto a enviesamentos.
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 deteção de intrusão e auditorias de segurança regulares. Mantenha o software e os sistemas atualizados para proteger contra vulnerabilidades.
Preocupações éticas: Estabelecer orientações éticas claras e quadros de governação para a utilização da IA. Garanta a transparência nas operações de IA e mantenha uma abordagem human-in-the-loop para decisões críticas.
Questões regulatórias e de conformidade: mantenha-se informado sobre as regulamentações relevantes e garanta que os sistemas de IA cumpram todos os requisitos legais. Realize auditorias de conformidade regulares e atualize as políticas conforme necessário.
Próximos passos
Comece por rever os princípios de conceção.