Обзор интеллектуальных рабочих нагрузок приложений
В этой документации содержатся практические рекомендации по планированию, разработке и поддержке интеллектуальных рабочих нагрузок приложений Microsoft Power Platform. Руководство имеет техническую основу в виде передовых практик Power Platform Well-Architected, а также основано на опыте, полученном в ходе развертываний у клиентов.
Данное руководство предназначено в первую очередь для владельцев рабочих нагрузок, технических и бизнес-заинтересованных сторон — всех, кто играет важную роль в проектировании, создании и обслуживании интеллектуальной рабочей нагрузки приложения.
Совет
Чтобы оценить вашу рабочую нагрузку через призму надежности, безопасности, эксплуатационного совершенства, эффективности производительности и оптимизации опыта, проведите Power Platform хорошо продуманную оценку.
Что такое интеллектуальная рабочая нагрузка приложения?
В контексте Power Platform Well-Architected термин рабочая нагрузка описывает набор ресурсов приложения, данных, а также поддерживающей инфраструктуры и процессов, которые работают вместе для достижения желаемых бизнес-результатов. Рабочая нагрузка включает в себя компоненты приложений и технологий, а также поведенческие, операционные процессы и процессы разработки.
Интеллектуальная прикладная рабочая нагрузка, созданная на основе Power Platform применяет возможности Power Platform интеграции и использования генеративных моделей ИИ для автоматизации и улучшения бизнес-процессов.
Генеративный ИИ — это технология искусственного интеллекта, которая использует большие языковые модели (LLM) для создания оригинального контента и обеспечения понимания и ответов на естественном языке. Узнайте больше о генеративном ИИ в сборнике схем по искусственному интеллекту (ИИ).
Каковы наиболее распространенные проблемы?
Разработка интеллектуальной рабочей нагрузки приложения, построенной на Power Platform , может оказаться сложной задачей. Проблемы включают в себя:
- Качество и доступность данных: Генеративные модели ИИ требуют больших объемов высококачественных данных. Обеспечение чистоты, хорошей структурированности и доступности данных увеличивает сложность.
- Интеграция с существующими системами: плавная интеграция генеративного ИИ с существующей ИТ-инфраструктурой и бизнес-процессами может быть ресурсоемкой и технически сложной.
- Вопросы этики и соответствия: Решение этических проблем и обеспечение соответствия правовым и нормативным стандартам имеют решающее значение. Обеспечение конфиденциальности данных, предотвращение предвзятости в моделях ИИ и поддержание прозрачности — вот лишь некоторые из проблем, с которыми приходится сталкиваться.
- навыки и экспертиза: Разработка и управление решениями генеративного ИИ требуют специализированных навыки. Организациям часто приходится инвестировать в обучение своих сотрудников или нанимать новых талантливых специалистов с необходимыми знаниями.
- Стоимость и распределение ресурсов: Внедрение генеративного ИИ может быть дорогостоящим. Организациям необходимо тщательно управлять своими ресурсами и начинать с небольших, но высокоэффективных пилотных проектов, чтобы продемонстрировать их ценность, прежде чем масштабировать их.
- Проблемы безопасности: Обеспечение безопасности систем ИИ имеет решающее значение и включает в себя защиту конфиденциальных данных от нарушений, а также защиту от потенциальных уязвимостей в моделях и инфраструктуре ИИ.
- Проектирование пользовательского интерфейса: Разработка интуитивно понятных, удобных для пользователя интерфейсов, использующих возможности ИИ, особенно не перегружая пользователей, может оказаться сложной задачей.
Решение этих задач требует тщательного планирования, сотрудничества между различными командами и стратегического подхода к интеграции ИИ в бизнес-процессы.
Хорошо продуманный подход
Мы рекомендуем вам структурировать вашу тщательно продуманную рабочую нагрузку для достижения конкретных целей надежности, безопасности, эксплуатационного совершенства, эффективности производительности и оптимизации опыта. Чтобы улучшить пользовательский опыт и обеспечить согласованность и надежность, следуйте архитектурным принципам и рекомендациям, адаптированным к рабочим нагрузкам интеллектуальных приложений.
Power Platform Хорошо спроектированные столпы помогают вам реализовать модульность, разделить роли и повысить операционную производительность. Используйте продуманный подход для создания рабочих нагрузок без излишней сложности и затрат.
Чтобы понять, как каждый столп может улучшить рабочую нагрузку интеллектуальных приложений, ознакомьтесь с Принципами проектирования рабочих нагрузок интеллектуальных приложений.
Оценить техническую и эксплуатационную осуществимость
Прежде чем приступить к разработке рабочей нагрузки интеллектуального приложения с помощью Power Platform, оцените техническую и эксплуатационную осуществимость, а также определите риски и стратегии их смягчения.
Вы также можете рассмотреть возможность обновления текущих рабочих нагрузок для использования возможностей генеративного ИИ, если эти возможности соответствуют потребностям бизнеса и сокращают расходы. Рассмотрите возможность модернизации с учетом цели применения, ожидаемого срока службы, поддерживаемости, стоимости и соглашений об уровне обслуживания (SLA).
Техническая осуществимость
Техническая осуществимость включает оценку доступности и качества данных, требований к интеграции и проблем, связанных с технической сложностью.
доступность данных и качество
Высококачественные данные обеспечивают согласованность и точность рабочей нагрузки интеллектуальных приложений. В рамках оценки осуществимости проекта рассмотрите следующее:
- Источники данных : Определите и каталогизируйте все потенциальные источники данных, включая внутренние базы данных, внешние API и сторонние наборы данных. Убедитесь, что эти источники надежны и доступны.
- Хранилища данных : Определите, использует ли текущий процесс какие-либо разрозненные источники данных, например электронные таблицы. Интеграция этих разрозненных данных в систему ИИ может представлять собой сложную задачу, но может иметь решающее значение для предоставления точных ответов.
- Объем и разнообразие данных : Оцените объем и разнообразие доступных данных. Для эффективной работы генеративных моделей ИИ обычно требуются большие и разнообразные наборы данных. Убедитесь, что источники данных обеспечивают достаточное количество и разнообразие для обучения и проверки моделей.
- Очистка данных : Выполните очистку данных для удаления дубликатов, исправления ошибок и обработки отсутствующих значений. шаг имеет решающее значение для обеспечения точности и надежности данных, передаваемых в модели ИИ.
- Преобразование данных: преобразование необработанных данных в подходящий формат для обучения модели ИИ. Этот процесс может включать нормализацию, масштабирование и кодирование категориальных переменных.
- Проверка и тестирование данных: регулярно проверяйте и тестируйте данные, чтобы убедиться, что они соответствуют требуемым стандартам качества.
Требования к интеграции
Простая интеграция облегчает доступ к данным и обновлениям в режиме реального времени для интеллектуальной рабочей нагрузки приложений. В рамках оценки осуществимости проекта рассмотрите следующее:
- Существующая инфраструктура: Оцените совместимость моделей генеративного ИИ с вашей текущей инфраструктурой. Например, определите, доступны ли надежные API для легкой интеграции.
- Точки интеграции: Определите, как рабочая нагрузка вашего интеллектуального приложения будет интегрироваться с требуемыми источниками данных. Например, определите, доступны ли коннекторы или API.
Технические сложности
Точные ответы зависят от хорошо спроектированной интеллектуальной рабочей нагрузки приложения. В рамках оценки осуществимости оцените надежность и точность ответов, предоставляемых интеллектуальной рабочей нагрузкой. Подумайте, как оптимизировать, отслеживать и улучшать полученные ответы. Решение технических сложных задач требует сочетания технических знаний, надежной инфраструктуры и постоянного управления для успешного внедрения и поддержки интеллектуальных рабочих нагрузок приложений. Подробнее читайте в статье Принципы проектирования надежности интеллектуальных прикладных рабочих нагрузок.
Эксплуатационная осуществимость
Операционная осуществимость включает оценку доступности ресурсов, принятия пользователями и рисков вместе со стратегиями смягчения последствий.
Доступность ресурсов
Успех вашей интеллектуальной прикладной рабочей нагрузки зависит от наличия выделенного бюджета и ресурсов команды, поддерживаемых Центром передового опыта (CoE), ориентированным на ИИ. В частности, необходимо принимать во внимание следующее:
- Оценка навык: Оцените навыки членов вашей команды, чтобы выявить любые пробелы, которые можно устранить с помощью обучения или найма.
- Распределение ролей: четко определите роли и обязанности, чтобы каждый член команды понимал свои задачи и свой вклад в успех проекта.
- Обучение и развитие: инвестируйте в постоянное обучение и развитие, чтобы команда была в курсе новейших технологий и методологий ИИ.
- Оценка стоимости: Начните с подробной оценки стоимости, которая включает стоимость лицензии, программное обеспечение и расходы на облачные сервисы, а также расходы на персонал. Такие оценки основаны на реалистичном бюджете.
Принятие пользователем
Успех работы вашего интеллектуального приложения зависит от удобства работы пользователей с системой. В частности, необходимо принимать во внимание следующее:
- Дизайн, ориентированный на пользователя: спроектируйте систему так, чтобы она была интуитивно понятной и удобной для пользователя. Сложные интерфейсы могут отпугивать пользователей — простота и ясность имеют решающее значение. Обеспечьте доступность системы для всех пользователей.
- Обучение: организация комплексных учебных занятий и предоставление постоянной поддержки.
- Циклы обратной связи: создайте механизмы обратной связи, с помощью которых пользователи могут сообщать о неточностях, что затем можно использовать для уточнения и улучшения моделей.
- Прозрачность и доверие: дайте пользователям знать, что они используют рабочую нагрузку, включающую возможности генеративного ИИ. Четко объясните, почему было выбрано решение на основе ИИ, как оно было разработано, как оно контролируется и обновляется.
- Управление изменениями: согласуйте изменения с культурой и ценностями организации, чтобы обеспечить широкое принятие и поддержку.
Риски и меры по их снижению
Потенциальными рисками являются проблемы с конфиденциальностью данных, возможные предвзятости в ответах ИИ и технические сбои. Обеспечение конфиденциальности данных имеет решающее значение, особенно с учетом того, что интеллектуальная рабочая нагрузка приложений может обрабатывать конфиденциальные данные.
При планировании интеллектуальной рабочей нагрузки приложения следует учитывать следующие риски и внедрять эффективные стратегии их смягчения:
Конфиденциальность данных: Защитите конфиденциальные данные, используемые и генерируемые моделями ИИ. Внедрите шифрование, контроль доступа и регулярные аудиты безопасности. Убедитесь, что рабочая нагрузка соответствует соответствующим стандартам регулирования, таким как GDPR или HIPAA, для защиты конфиденциальности и данных пользователей.
Предвзятость в ответах ИИ: используйте разнообразные и репрезентативные наборы данных для обучения моделей ИИ. Регулярно проверяйте и тестируйте модели на предмет предвзятости.
Технические сбои: проектируйте надежную и масштабируемую инфраструктуру с механизмами резервирования и отказоустойчивости. Внедряйте регулярные планы резервного копирования и восстановления после сбоев.
Угрозы безопасности: используйте передовые меры безопасности, такие как многофакторная аутентификация, системы обнаружения вторжений и регулярные аудиты безопасности. Регулярно обновляйте программное обеспечение и системы для защиты от уязвимостей.
Этические проблемы: Разработать четкие этические принципы и рамки управления для использования ИИ. Обеспечьте прозрачность операций ИИ и поддерживайте участие человека в принятии критически важных решений.
Вопросы соответствия и регулирования : будьте в курсе соответствующих нормативных актов и убедитесь, что системы ИИ соответствуют всем требованиям законодательства. Проводите регулярные проверки соответствия и обновляйте политики по мере необходимости.
Следующие шаги
Начните с обзора принципов проектирования.