Arbetsbelastningsteampersoner som är involverade i AI-arbetsbelastningar
I samband med att skapa AI-arbetsbelastningar kräver icke-terministiska modeller, till skillnad från traditionell koddistribution, iterativ experimentering och samarbete mellan flera roller och team. Tidig integrering av åtgärder, programutveckling och datateam är viktigt för att främja ömsesidig förståelse. Det här samarbetet kräver olika färdigheter och kontinuerlig inlärning för att hålla jämna steg med tekniska framsteg.
Effektivt samarbete beror på integrering av verktyg, processer och människor, allt drivet av arbetsbelastningsbehov och specifika mål. De rekommenderade strategierna är:
- Upprätta tydliga roller och ansvarstaganden.
- Utnyttja ditt teams kompetensuppsättning för lämpliga uppgifter.
- Standardisera processer och underprocesser, till exempel spårningsarbete som en del av en delad kvarvarande information.
- Förlitar sig på automatisering för att uppnå konsekvens och reproducerbarhet.
Personas kan vara ett effektivt verktyg för att materialisera dessa strategier och standardisera ansvarsområden. Den här artikeln utforskar begreppet personas som finns i AI-arbetsbelastningar, deras fördelar med arbetsbelastningsdesign och innehåller exempel och verktyg för att definiera och använda dessa personas på teamnivå effektivt.
Vad är personas?
Personas representerar delmängder av människor och processer som ingår i skapandet och körningen av en arbetsbelastning, och fångar inte bara sina roller utan även deras verkliga beteenden och ansvar. En individ kan förkroppsliga en eller flera personer beroende på kontexten. Intressant nog behöver en persona inte vara en person; Det kan också vara en obevakad process, till exempel en agentprocess i arkitekturen.
Din arbetsbelastning kan ha slutanvändarpersoner som driver funktionsutveckling, dessa personer finns inte i omfånget för den här artikeln.
Till skillnad från roller, som vanligtvis är mer statiska funktioner eller positioner inom en organisation, är personas dynamiska och målorienterade. De kan användas för att mappa kompetenskrav till processer och verktyg, till exempel arkitekturkomponenter. Personas hjälper främst till att definiera ansvarsområdet och ange kontext i ett projekt. De erbjuder flera andra fördelar, till exempel:
Identifiering av resursluckor, vilket hjälper dig att avgöra om du vill rekrytera, träna eller omdesigna lösningen. Om arbetsbelastningsteamet saknar personer som passar en nödvändig persona kan du behöva justera arkitekturen, ändra processen eller registrera ny personal. Om en senior persona för datavetenskap saknas kan arkitekturen till exempel göras om genom att överväga högre tillförlitlighet i allmänna SaaS AI-lösningar eller genom att integrera AI-lösningar från tredje part.
Förbättrade kunskaper. Att mappa personas till specifika arkitektoniska komponenter underlättar också utbildningsmöjligheter, vilket ger sessioner och onlinekurser för att förbättra färdigheterna.
Se till att åtkomstnivåerna är lämpliga. Personas bör användas för att definiera säkerhets- och åtkomstbehov genom att mappa dem till processer, arkitekturer och tjänster, vilket säkerställer lämpliga åtkomstnivåer.
Projektplanering och kommunikation I projektplanering hjälper personer till att identifiera viktiga interaktioner, vilket underlättar konfigurationen av synkroniseringsmöten och övergripande planering. Vanligtvis är personas integrerade i hierarkin för att spåra användarberättelser, funktioner och krav, effektivisera projekthantering.
Definiera personas
Identifiera teammedlemmarnas specialiseringar och anpassa dem till lämpliga roller i din AI-verksamhet eller design. Skapa en mall för att dokumentera personas kompetensförväntningar, teaminformation och de processer som de kommer att vara involverade i.
Här är ett exempel på en baslinjemall:
| Persona-mall |
|---|
| 🔹 Persona-namn: [Infoga personanamn] 🔹Team: [Team som ansvarar för denna persona] 🔹Primär interaktion: [Andra team som den här personen interagerar med] 🔹Åtkomst till komponenter: [Säkerhet och åtkomstkrav för processer och systemkomponenter] 🔹Processer: [Processer som personen ansvarar för eller bidrar till] 🔹Färdigheter: [Färdigheter som krävs för att slutföra uppgifterna, inklusive domän- och teknikspecifika uppgifter som modellträning eller optimering av sökindex.] |
Verktyg
Med hjälp av en tabell kan du ordna och visualisera information för varje persona. Fördelen är att du kan skapa och länka andra tabeller för mer information. Du kan till exempel länka arkitekturkomponenter till en annan tabell där identitetsbaserad åtkomstkontroll anges för varje tjänst och miljö (Dev, Stage, Production).
Avvägning. Att ha för få personer kan göra det svårt att implementera rollbaserad åtkomstkontroll med minst privilegierad åtkomst och att fördela arbetsansvaret effektivt. Omvänt lägger för många personas till hanteringskostnader. Att börja med 5-10 personer är en bra balans, och du bör bara lägga till personer som är nödvändiga för din verksamhet.
Kort kan också användas för att definiera personas. Dessa kort innehåller samma information som tabellen eller en snabbsammanfattning. Du kan skapa dessa kort med Hjälp av Microsoft PowerPoint eller som en uppsättning markdown-filer.
I vissa fall kan du använda en kombinerad uppsättning verktyg. Till exempel kan varje arkitekturkomponent i ett persona-kort öppna en markdown-fil med en tabellmappningssäkerhet och rollbaserad åtkomstkontroll för varje tjänst och miljö. Ett referensexempel finns i MLOps-acceleratorn: Identitets-RBAC.
Exempelpersonas
Med kort kan du definiera de tjänster som en persona behöver åtkomst till i en process och beskriva de nödvändiga färdigheter som krävs för varje persona (oavsett om det är en person eller en agent).
Viktigt!
Även om de personas som definieras här fungerar som baslinjeexempel rekommenderar vi att du skapar egna personas med hjälp av verktyg som tabeller, persona-mallkort och grafer.
Det är viktigt att dessa personas överensstämmer med dina specifika processer, organisation och användare.
| AI-Dataingenjör (P001) |
|---|
| Team: Datainmatningsteam 🔹 Primär interaktion: AI-utvecklingsteamet 🔹 Åtkomst till komponenter: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage 🔹 Processer: DataOps, ETL, ELT 🔹 Kunskaper: SQL, Python, PySpark |
| BI-analytiker (P003) |
|---|
| Team: Analysteam 🔹 Primär interaktion: Datainmatningsteamet 🔹 Åtkomst till komponenter: Power BI, Azure Data Explorer, Azure Storage 🔹 Processer: Dataanalys, datalagerprocess 🔹 Kunskaper: SQL, Python, PySpark |
| Diskriminerande AI-Dataforskare (P004) |
|---|
| Team: AI-team 🔹 Primär interaktion: Datainmatningsteamet, DevOps-teamet 🔹 Åtkomst till komponenter: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault 🔹 Processer: MLOps, MLflow 🔹 Kunskaper: Azure Machine Learning, Python, modellträning |
| GenAI Dataforskare (P006) |
|---|
| Team: AI-team 🔹 Primär interaktion: Datainmatningsteamet, DevOps-teamet 🔹 Åtkomst till komponenter: Azure AI Studio, Azure OpenAI, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Processer: GenAIOps 🔹 Kunskaper: Kunskap om Azure Machine Learning, Python, Model(LLM, SLM), Finjustering, RAG, Agentic-koncept |
| GenAI Chat Developer (P007) |
|---|
| Team: Ingenjörsteam 🔹 Primär interaktion: AI-teamet 🔹 Åtkomst till komponenter: Azure WebApps, Azure API Management, Cosmos DB, Azure Container Apps, Azure Functions 🔹 Processer: DevOps, händelsedriven bearbetning, mikrotjänster 🔹 Kunskaper: Arkitektur för webbprogram (klientdel/serverdel), React, Node.js, HTML, CSS |
| BuildAgent MLOps (P009) |
|---|
| Team: Ingenjörsteam 🔹 Primär interaktion: AI-teamet 🔹 Åtkomst till komponenter: Azure Machine Learning, Azure Devops, GitHub 🔹 Processer: Process/servering av LAMBDA, OUTER Loop MLOps 🔹 Kunskaper: Python, Pyspark |
Användningsfall: Personas för AI-processer
De viktigaste processerna som rör AI-arbetsbelastningar är:
- DataOps fokuserar på datainmatning och förberedelse.
- MLOps omfattar operationalisering av maskininlärningsmodeller.
- GenAIOps handlar om att identifiera och utvärdera befintliga modeller och sedan förfina dem till din arbetsbelastningskontext.
- Inre loop förfinar lösningar i utvecklingsmiljön, antingen under forskning eller utlöses av yttre loopövervakning.
- Yttre loop flyttar lösningar från utveckling till produktion med kontinuerlig övervakning och utvärdering för att identifiera nödvändiga förbättringar.
Mappning av personas till dessa processer ger kontext för varje persona. Detta hjälper dig att identifiera de processer där en persona kan behöva kompetenshöjning.
Bilden visar arbetsflödet för DataOps, MLOps och GenAIOps i en produktionsmiljö. Dataflöden från inmatning till modelldistribution och utvärdering, med kontinuerlig integrering/kontinuerlig distribution (CI/CD) metoder. Viktiga uppgifter är att förfina datamodeller, batchutvärdering, distribuera slutpunkter, utvärdering av realtidsmodeller och finjustera modeller. Exempelpersonas deltar i hela arbetsflödet.
Användningsfall: Personas för arkitekturdesign
Genom att ansluta processer till den stödjande arkitekturen kan du identifiera de tjänster som en persona behöver interagera med, vilket belyser områden för potentiell kompetensutveckling.
Om du vill visualisera den här anslutningen skapar du en grafisk bild som visar hur arkitekturkomponenter är anslutna. Detta kan illustrera dataflöde och interaktioner mellan tjänster och hur flöden automatiseras i distributionen. Det här visuella hjälpmedlet hjälper intressenterna att förstå arkitekturen och rollerna för olika personer i den.
Bilden nedan visar en LAMBDA-arkitektur för modern analys i Azure:
Gå vidare
Gå nu vidare till utvärderingsverktyget för att utvärdera din design.