Personas för arbetsbelastningsteam för AI-arbetsbelastningar

I samband med att skapa AI-arbetsbelastningar, till skillnad från traditionell koddistribution, kräver icke-terministiska modeller 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 hänger på att integrera verktyg, processer och människor och drivs av behov och specifika mål. De rekommenderade strategierna är:

• Upprätta tydliga roller och ansvarstaganden.
• Dra nytta av teamets 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 beskriver användarpersonor för AI-arbetsflöden och deras fördelar vid design av arbetsflöden. Den innehåller också exempel och verktyg för att definiera och använda dessa personas på teamnivå på ett effektivt sätt.

Vad är personas?

Personas representerar delmängder av människor och processer som ingår i skapandet och driften av en arbetsbelastning. Personas fångar både rollerna och de verkliga beteendena och ansvarstagandena för dessa individer och processer. En individ kan förkroppsliga en eller flera personas, beroende på kontext. En persona behöver inte vara en person. Det kan också vara en obevakad process, till exempel en agentprocess i arkitekturen.

Din arbetsbelastning kan ha användarprofiler som driver utvecklingen av funktioner. Dessa personer finns inte i omfånget för den här artikeln.

Till skillnad från roller, som är relativt 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 ger flera andra fördelar, till exempel:

• Identifiering av resursluckor. Genom att identifiera luckor kan du bestämma om du vill rekrytera eller träna resurser eller omdesigna lösningen. Om ditt team saknar personer som uppfyller en nödvändig roll inom organisationen kan du behöva justera arkitekturen, ändra processen eller anställa ny personal. Om en senior data science-persona till exempel saknas kan du göra om arkitekturen för att förlita dig mer på ai-lösningar för generell programvara som en tjänst (SaaS) eller införliva AI-lösningar som inte kommer från Microsoft.
• Förbättrade kunskaper. Att mappa personer till specifika arkitektoniska komponenter underlättar också utbildningsmöjligheter, till exempel sessioner och onlinekurser för att förbättra färdigheterna.
• Säkerställa lämpliga åtkomstnivåer. Du bör använda personas för att definiera säkerhets- och åtkomstbehov genom att mappa personer till processer, arkitekturer och tjänster. Den här mappningen hjälper till att säkerställa lämpliga åtkomstnivåer.
• Underlätta projektplanering och kommunikation. I projektplanering hjälper personer till att identifiera viktiga interaktioner för att underlätta konfigurationen av synkroniseringsmöten och övergripande planering. Vanligtvis integreras personas i hierarkin för att spåra användarberättelser, funktioner och krav för att effektivisera projekthanteringen.

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 involveras i.

Här är ett exempel på en baslinjemall:

Mall för persona

🔹Persona-namn: [Namn] 🔹Team: [Team som ansvarar för persona] 🔹Primär interaktion: [Andra team som personen interagerar med] 🔹Komponentåtkomst: [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

Du kan använda en tabell för att organisera och visualisera information för varje persona. En fördel med den här metoden är att du kan skapa och länka till andra tabeller som ger mer specifik 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 mellan 5 och 10 personer är en bra balans, och du bör bara lägga till personer som är nödvändiga för din verksamhet.

Du kan också använda kort för att definiera personas. Dessa kort innehåller samma information som tabellen eller en snabbsammanfattning. Du kan använda PowerPoint eller skapa en uppsättning Markdown-filer för att skapa dessa kort.

I vissa fall kan du använda en kombination av verktyg. Till exempel kan varje arkitekturkomponent i ett persona-kort öppna en Markdown-fil som innehåller en tabell som mappar säkerhet och rollbaserad åtkomstkontroll för varje tjänst och miljö. Ett exempel finns i MLOps-accelerator : Identity RBAC.

Exempelpersonas

Du kan använda kort för att definiera de tjänster som en persona behöver för att kunna komma åt i en process och beskriva de 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 personer överensstämmer med dina processer, din organisation och dina användare.

AI-Dataingenjör (P001)
Team: Datainmatningsteam 🔹 primär interaktion: AI-utvecklingsteamet 🔹 Komponentåtkomst: 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 🔹 Komponentåtkomst: Power BI, Azure Data Explorer, Azure Storage 🔹 Processer: Dataanalys, datalagerhantering 🔹 Kunskaper: SQL, Python, PySpark

Diskriminerande AI-Dataforskare (P004)
Team: AI-team 🔹 primär interaktion: Datainmatningsteamet, DevOps-teamet 🔹 Komponentåtkomst: 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 🔹 Komponentåtkomst: Azure AI Foundry-portalen, Azure OpenAI-tjänsten, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Processer: GenAIOps 🔹 Färdigheter: Azure Machine Learning, Python, modellkunskap (LLM, SLM), finjustering, RAG, agentiskt koncept

GenAI Chat Developer (P007)
Team: Ingenjörsteam 🔹 primär interaktion: AI-teamet 🔹 Komponentåtkomst: Azure Web Apps, Azure API Management, Azure Cosmos DB, Azure Container Apps, Azure Functions 🔹 Processer: DevOps, händelsedriven bearbetning, mikrotjänster 🔹 Färdigheter: Webbprogramarkitektur (klientdel/serverdel), React, Node.js, HTML, CSS

Byggagent MLOps (P009)
Team: Ingenjörsteam 🔹 Primär Interaktion: AI-teamet 🔹 Komponentåtkomst: Azure Machine Learning, Azure DevOps, GitHub 🔹 Processer: Bearbetning och servering av Lambda, yttre MLOps-loopen 🔹 Kunskaper: Python, Pyspark

Användningsfall: Personas för AI-processer

De här huvudprocesserna används i AI-arbetsbelastningar:

• DataOps är inmatning och förberedelse av data.
• MLOps är driftsättningen av maskininlärningsmodeller.
• GenAIOps är identifiering och utvärdering av befintliga modeller och förfining av dessa modeller till arbetsbelastningskontexten.
• Den inre loopen är förfining av lösningar i utvecklingsmiljön, antingen under forskning eller som initieras av övervakning från den yttre loopen.
• Yttre loop är förflyttningen av lösningar från utveckling till produktion. Den här loopen använder kontinuerlig övervakning och utvärdering för att identifiera nödvändiga förbättringar.

Mappning av personas till dessa processer ger kontext för varje persona. Det här steget kan hjälpa dig att identifiera de processer där en persona kan behöva kompetenshöjning.

Bilden visar arbetsflödet för DataOps, MLOps och GenAIOps i en produktionsmiljö. Data flödar från inmatning till modelldistribution och utvärdering. Arbetsflödet använder metoder för kontinuerlig integrering och kontinuerlig leverans (CI/CD). Viktiga uppgifter är att förfina datamodeller, utvärdera batchar, distribuera slutpunkter, utvärdera modeller i realtid 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 och framhäva områden för potentiell kompetensutveckling.

Om du vill visualisera den här anslutningen skapar du en grafisk bild som visar hur arkitekturkomponenter är anslutna. Det här visuella hjälpmedlet kan illustrera dataflöde och interaktioner mellan tjänster och hur flöden automatiseras i distributionen. Det hjälper intressenter att förstå arkitekturen och rollerna för olika personer i den.

Följande bild visar en Lambda-arkitektur för modern analys i Azure.

Gå vidare

Gå sedan vidare till utvärderingsverktyget för att utvärdera din design.

AI-arbetsbelastningsbedömning