Dela via

Översikt över intelligenta programarbetsbelastningar

  • Artikel

Den här dokumentationen ger användbar vägledning för planering, utveckling och underhåll av intelligenta programarbetsbelastningar med Microsoft Power Platform. Vägledningen har en teknisk grund i Power Platform Well-Architected bästa praxis och bygger även på erfarenheter från kunddistributioner.

Den här vägledningen är främst avsedd för arbetsbelastningsägare, tekniska intressenter och affärsintressenter – alla som spelar en viktig roll i att utforma, skapa och underhålla en intelligent programarbetsbelastning.

Tips!

Om du vill utvärdera din arbetsbelastning utifrån tillförlitlighet, säkerhet, driftseffektivitet, prestandaeffektivitet och upplevelseoptimering kan du göra en Power Platform Well-Architected Assessment.

Vad är en intelligent programarbetsbelastning?

Inom ramen Power Platform för Well-Architected beskriver termen arbetsbelastning en uppsättning programresurser, data och stödjande infrastruktur och processer som fungerar tillsammans för att leverera önskade affärsresultat. En arbetsbelastning består av program- och teknikkomponenter samt beteende-, utvecklings- och driftsprocesser.

En intelligent applikationsarbetsbelastning som bygger på Power Platform tillämpar funktionerna Power Platform för att integrera och konsumera generativa AI-modeller för att automatisera och förbättra affärsprocesser.

Generativ AI är en teknik med artificiell intelligens som använder stora språkmodeller (LLM) för att generera originalinnehåll och ge förståelse av naturligt språk och svar. Läs mer om Generativ AI i spelboken om artificiell intelligens (AI).

Vilka är de vanligaste utmaningarna?

Det kan vara komplicerat att utveckla en intelligent programarbetsbelastning som bygger på Power Platform . Utmaningarna inkluderar:

  • Datakvalitet och tillgänglighet: Generativa AI-modeller kräver stora mängder data av hög kvalitet. Att se till att data är rena, välstrukturerade och tillgängliga ökar komplexiteten.
  • Integration med befintliga system: Att sömlöst integrera generativ AI med befintlig IT-infrastruktur och affärsprocesser kan vara resurskrävande och tekniskt utmanande.
  • Etiska frågor och efterlevnadsfrågor: Det är viktigt att ta itu med etiska problem och säkerställa efterlevnad av lagar och regler. Att hantera datasekretess, undvika fördomar i AI-modeller och upprätthålla transparens är bara några av de problem som du måste navigera.
  • Färdigheter och expertis: Att utveckla och hantera generativa AI-lösningar kräver specialiserade färdigheter. Organisationer behöver ofta investera i att utbilda sin personal eller anställa nya talanger med nödvändig expertis.
  • Kostnads- och resursfördelning: Att implementera generativ AI kan vara kostsamt. Organisationer måste noggrant hantera sina resurser och börja med små pilotprojekt med hög effekt för att visa värde innan de skalar upp.
  • Säkerhetsproblem: Det är viktigt att säkerställa säkerheten för AI-system och omfattar skydd av känsliga data från intrång samt skydd mot potentiella sårbarheter i AI-modeller och infrastruktur.
  • Design av användargränssnitt: Det kan vara svårt att utforma intuitiva, användarvänliga gränssnitt som utnyttjar AI-funktioner, särskilt utan att överväldiga användarna.

Att ta itu med dessa utmaningar kräver noggrann planering, samarbete mellan olika team och ett strategiskt tillvägagångssätt för att integrera AI i affärsprocesser.

Det välstrukturerade tillvägagångssättet

Vi rekommenderar att du strukturerar din välstrukturerade arbetsbelastning för att uppfylla specifika mål för tillförlitlighet, säkerhet, driftseffektivitet, prestandaeffektivitet och upplevelseoptimering. För att förbättra användarupplevelsen och leverera konsekvens och tillförlitlighet följer du arkitektoniska principer och riktlinjer som är skräddarsydda för intelligenta programarbetsbelastningar.

Well-Architected-pelarna Power Platform hjälper dig att implementera modularitet, separera roller och förbättra den operativa produktiviteten. Använd en välkonstruerad metod för att skapa arbetsbelastningar utan onödig komplexitet och kostnad.

Information om hur varje pelare kan förbättra din intelligenta programarbetsbelastning finns i Designprinciper för intelligenta programarbetsbelastningar.

Bedöma teknisk och operativ genomförbarhet

Innan du börjar utveckla din intelligenta programarbetsbelastning med Power Platform bör du utvärdera teknisk och operativ genomförbarhet och identifiera risker och åtgärdsstrategier.

Du kanske också vill överväga att uppdatera aktuella arbetsbelastningar för att använda generativa AI-funktioner – när dessa funktioner uppfyller affärsbehoven och minskar kostnaderna. Överväg att modernisera baserat på syftet med programmet, förväntad livslängd, support, kostnad och serviceavtal (SLA).

Teknisk genomförbarhet

Teknisk genomförbarhet innebär att bedöma tillgängligheten och kvaliteten på data, integrationskrav och utmaningar kring teknisk komplexitet.

Datatillgänglighet och kvalitet

Data av hög kvalitet säkerställer konsekvens och noggrannhet för den intelligenta programarbetsbelastningen. Som en del av din genomförbarhetsbedömning bör du tänka på följande:

  • Datakällor: Identifiera och katalogisera alla potentiella datakällor, inklusive interna databaser, externa API:er och datauppsättningar från tredje part. Se till att dessa källor är tillförlitliga och tillgängliga.
  • Datasilor: Identifiera om den aktuella processen använder olika datakällor, till exempel kalkylblad. Integreringen av dessa olika data i AI-systemet kan utgöra en utmaning, men kan vara avgörande för att ge korrekta svar.
  • Datavolym och variation: Bedöm volymen och variationen av tillgängliga data. Generativa AI-modeller kräver vanligtvis stora och olika datamängder för att fungera effektivt. Se till att datakällorna ger tillräcklig kvantitet och mångfald för att träna och validera modellerna.
  • Datarensning: Utför datarensning för att ta bort duplicering, korrigera fel och hantera saknade värden. Detta steg är avgörande för att säkerställa att de data som matas in i AI-modellerna är korrekta och tillförlitliga.
  • Datatransformering: Omvandla rådata till ett lämpligt format för träning av AI-modeller. Den här processen kan omfatta normalisering, skalning och kodning av kategoriska variabler.
  • Datavalidering och testning: Validera och testa data regelbundet för att säkerställa att de uppfyller de kvalitetsstandarder som krävs.

Krav på integration

Enkel integrering underlättar dataåtkomst och uppdateringar i realtid för den intelligenta applikationsarbetsbelastningen. Som en del av din genomförbarhetsbedömning bör du tänka på följande:

  • Befintlig infrastruktur: Bedöm kompatibiliteten hos generativa AI-modeller med din nuvarande infrastruktur. Bestäm till exempel om robusta API:er är tillgängliga för enkel integration.
  • Integreringspunkter: Identifiera hur din intelligenta programarbetsbelastning kommer att integreras med de datakällor som krävs. Du kan till exempel avgöra om anslutningsappar eller API:er är tillgängliga.

Utmaningar med teknisk komplexitet

Korrekta svar är beroende av en välkonstruerad intelligent programarbetsbelastning. Som en del av genomförbarhetsbedömningen utvärderar du tillförlitligheten och noggrannheten i svaren som tillhandahålls av den intelligenta arbetsbelastningen. Fundera på hur du kan optimera, övervaka och förbättra de genererade svaren. Utmaningarna med teknisk komplexitet kräver en kombination av teknisk expertis, robust infrastruktur och löpande hantering för att framgångsrikt implementera och underhålla intelligenta programarbetsbelastningar. Läs mer i Designprinciper för tillförlitlighet för intelligenta programarbetsbelastningar.

Operativ genomförbarhet

Operativ genomförbarhet innebär att bedöma tillgängligheten av resurser, användaranpassning och risker tillsammans med begränsningsstrategier.

Resurstillgänglighet

Framgången för din intelligenta programarbetsbelastning beror på tillgängligheten för en dedikerad budget och teamresurser, som stöds av ett AI-fokuserat Center of Excellence (CoE). Tänk på följande:

  • Bedömning av färdigheter: Bedöm dina teammedlemmars färdigheter för att identifiera eventuella luckor som kan åtgärdas genom utbildning eller anställning.
  • Rollfördelning: Definiera tydligt roller och ansvarsområden för att se till att varje teammedlem förstår sina uppgifter och hur de bidrar till projektets framgång.
  • Utbildning och utveckling: Investera i kontinuerlig utbildning och utveckling för att hålla teamet uppdaterat med de senaste AI-teknikerna och metoderna.
  • Kostnadsuppskattning: Börja med en detaljerad kostnadsuppskattning som inkluderar licenskostnader, kostnader för programvara och molntjänster samt personalkostnader. Sådana uppskattningar bygger på en realistisk budget.

Anpassning av användare

Framgången för din intelligenta programarbetsbelastning beror på att användarna är bekväma med systemet. Tänk på följande:

  • Användarcentrerad design: Designa systemet så att det är intuitivt och användarvänligt. Komplexa gränssnitt kan avskräcka användare – enkelhet och tydlighet är avgörande. Se till att systemet är tillgängligt för alla användare.
  • Utbildning: Underlätta omfattande utbildningssessioner och ge kontinuerligt stöd.
  • Återkopplingsslingor: Upprätta återkopplingsmekanismer där användare kan rapportera felaktigheter, som sedan kan användas för att förfina och förbättra modellerna.
  • Transparens och förtroende: Se till att användarna vet att de använder en arbetsbelastning som innehåller generativa AI-funktioner. Kommunicera tydligt varför en AI-lösning valdes, hur den utformades och hur den övervakas och uppdateras.
  • Förändringshantering: Justera förändringen till organisationens kultur och värderingar för att säkerställa bred acceptans och stöd.

Risker och åtgärder

Problem med datasekretess, potentiella snedvridningar i AI-svar och tekniska fel är potentiella risker. Det är viktigt att säkerställa datasekretess, särskilt eftersom den intelligenta programarbetsbelastningen kan hantera känsliga data.

När du planerar en intelligent programarbetsbelastning bör du hantera följande risker och implementera effektiva åtgärdsstrategier:

  • Datasekretess: Skydda känsliga data som används och genereras av AI-modeller. Implementera kryptering, åtkomstkontroller och regelbundna säkerhetsgranskningar. Se till att arbetsbelastningen följer relevanta regleringsstandarder, till exempel GDPR eller HIPAA, för att skydda användarnas integritet och data.

  • Bias i AI-svar: Använd olika och representativa datauppsättningar för att träna AI-modeller. Regelbundet granska och testa modeller för partiskhet.

  • Tekniska fel: Utforma en robust och skalbar infrastruktur med mekanismer för redundans och redundans. Implementera regelbundna säkerhetskopieringar och haveriberedskapsplaner.

  • Säkerhetshot: Använd avancerade säkerhetsåtgärder som multifaktorautentisering, intrångsdetekteringssystem och regelbundna säkerhetsrevisioner. Håll programvara och system uppdaterade för att skydda mot sårbarheter.

  • Etiska problem: Upprätta tydliga etiska riktlinjer och styrningsramar för AI-användning. Säkerställ transparens i AI-verksamheten och upprätthåll en human-in-the-loop-strategi för kritiska beslut.

  • Efterlevnad och regulatoriska frågor: Håll dig informerad om relevanta regler och se till att AI-system uppfyller alla lagkrav. Genomför regelbundna efterlevnadsgranskningar och uppdatera policyer vid behov.

Gå vidare

Börja med att granska designprinciperna.

Principer för utformning