智能应用程序工作负载概述
本文档为规划、开发和维护智能应用程序工作负载提供了可行的指导 Microsoft Power Platform。 该指南具有 Well-Architected 最佳实践的技术 Power Platform 基础，并且还以客户部署的经验为依据。
本指南主要面向工作负载所有者、技术利益相关者和业务利益相关者，即在设计、构建和维护智能应用程序工作负载方面发挥不可或缺的作用的任何人。
小费
要通过可靠性、安全性、卓越运营、性能效率和体验优化等因素来评估您的工作负载，请执行 Power Platform Well-Architected 评估。
什么是智能应用程序工作负载？
在 Well-Architected 的 Power Platform 上下文中，术语 工作负载 描述了一组应用程序资源、数据以及支持基础设施和流程，它们协同工作以提供所需的业务成果。 工作负载包括应用程序和技术组件以及行为、开发和操作流程。
基于 Power Platform 构建的智能应用程序工作负载应用了集成和使用生成式 AI 模型的功能 Power Platform ，以实现业务流程的自动化和增强。
生成式 AI 是一种人工智能技术，使用大型语言模型 (LLM) 来生成原始内容并提供自然语言理解和响应。 在人工智能 (AI) 手册中了解有关生成式 AI 的更多信息。
常见的挑战是什么？
开发基于其构建的 Power Platform 智能应用程序工作负载可能很复杂。 挑战包括：
- 数据质量和可用性：生成式 AI 模型需要大量高质量的数据。 确保数据干净、结构良好且可访问会增加复杂性。
- 与现有系统集成：将生成式 AI 与现有 IT 基础设施和业务流程无缝集成可能非常耗费资源，并且具有技术挑战性。
- 道德和合规问题：解决道德问题并确保遵守法律和监管标准至关重要。 管理数据隐私、避免 AI 模型中的偏见以及保持透明度只是需要解决的一些问题。
- 技能和专业知识：开发和管理生成式 AI 解决方案需要专业技能。 组织通常需要投资培训员工或雇用具有必要专业知识的新人才。
- 成本和资源分配：实施生成式 AI 的成本可能很高。 组织需要仔细管理其资源，并从小型、高影响力的试点项目开始，以便在扩大规模之前展示价值。
- 安全问题：确保 AI 系统的安全至关重要，包括保护敏感数据免遭泄露，以及防范 AI 模型和基础设施中的潜在漏洞。
- 用户界面设计：设计直观、用户友好的界面来利用 AI 功能，尤其是在不压倒用户的情况下，可能很困难。
应对这些挑战需要全面的规划、不同团队之间的协作，以及将 AI 集成到业务流程中的战略方法。
Well-Architected 方法
我们建议您构建架构完善的工作负载，以满足特定的可靠性、安全性、卓越运营、性能效率和体验优化目标。 为了增强用户体验并提供一致性和可靠性，跟随针对智能应用程序工作负载量身定制的架构原则和准则。
Power Platform Well-Architected 支柱 可帮助您实施模块化、分离角色并提高运营效率。 使用架构完善的方法创建工作负载，而不会产生不必要的复杂性和成本。
要了解每个支柱如何改进您的智能应用程序工作负载，请参阅 智能应用程序工作负载的设计原则。
评估技术和运营可行性
在开始开发智能应用程序工作负载 Power Platform之前，请评估技术和运营可行性，并确定风险和缓解策略。
您可能还需要考虑更新当前工作负载以使用生成式 AI 功能 - 当这些功能满足业务需求并降低成本时。 考虑根据应用程序的目的、预期寿命、可支持性、成本和服务级别协议（SLA）进行现代化改造。
技术可行性
技术可行性涉及评估数据的可用性和质量、集成要求以及围绕技术复杂性的挑战。
数据可用性和质量
高质量的数据可确保智能应用程序工作负载的一致性和准确性。 作为可行性评估的一部分，请考虑以下事项：
- 数据源：识别并编目所有潜在的数据源，包括内部数据库、外部 API 和第三方数据集。 确保这些来源可靠且可访问。
- 数据孤岛：确定当前流程是否使用任何不同的数据源，例如电子表格。 将这些不同的数据集成到 AI 系统中可能会带来挑战，但对于提供准确的响应可能至关重要。
- 数据量和种类：评估可用数据的数量和种类。 生成式 AI 模型通常需要大型和多样化的数据集才能有效执行。 确保数据源提供足够的数量和多样性来训练和验证模型。
- 数据清理：执行数据清理以删除重复项、更正错误并处理缺失值。 此步骤对于确保输入到 AI 模型的数据准确可靠至关重要。
- 数据转换：将原始数据转换为适合 AI 模型训练的格式。 此过程可能涉及分类变量的标准化、缩放和编码。
- 数据验证和测试：定期验证和测试数据，以确保其符合所需的质量标准。
集成要求
直接集成有助于实时访问和更新智能应用程序工作负载的数据。 作为可行性评估的一部分，请考虑以下事项：
- 现有基础设施：评估生成式 AI 模型与当前基础设施的兼容性。 例如，确定是否有强大的 API 可用于轻松集成。
- 集成点：确定您的智能应用程序工作负载将如何与所需的数据源集成。 例如，确定连接器或 API 是否可用。
技术复杂性挑战
准确的响应依赖于架构完善的智能应用程序工作负载。 作为可行性评估的一部分，请评估智能工作负载提供的响应的可靠性和准确性。 考虑如何优化、监控和改进生成的响应。 技术复杂性挑战需要结合技术专业知识、强大的基础设施和持续管理，才能成功实施和维护智能应用程序工作负载。 有关详细信息，请参阅 智能应用程序工作负载的可靠性设计原则。
运营可行性
运营可行性包括评估资源可用性、用户采用和风险以及缓解策略。
资源可用性
智能应用程序工作负载的成功取决于专用预算和团队资源的可用性，并由专注于 AI 的卓越中心（CoE）提供支持。 请考虑以下事项：
- 技能评估：评估团队成员的技能，以确定可以通过培训或招聘解决的任何差距。
- 角色分配：明确定义角色和职责，以确保每个团队成员都了解他们的任务以及他们如何为项目的成功做出贡献。
- 培训和发展：投资于持续的培训和发展，使团队了解最新的 AI 技术和方法。
- 成本估算：从详细的成本估算开始，包括许可证成本、软件和云服务成本以及人员成本。 这种估计来自现实预算的基础。
用户采用
智能应用程序工作负载的成功取决于用户对系统的适应程度。 请考虑以下事项：
- 以用户为中心的设计：将系统设计为直观且用户友好。 复杂的界面可能会让用户望而却步—简单性和清晰度至关重要。 确保所有用户都可以访问系统。
- 培训：促进全面的培训课程并提供持续的支持。
- 反馈循环：建立反馈机制，用户可以在其中报告不准确之处，然后可以使用这些错误来改进和改进模型。
- 透明度和信任：确保用户知道他们正在使用包含生成式 AI 功能的工作负载。 清楚地传达选择 AI 解决方案的原因、设计方式以及如何监控和更新。
- 变更管理：使变更与组织的文化和价值观相对齐，以确保得到广泛的接受和支持。
风险和缓解措施
数据隐私问题、AI 响应中的潜在偏见和技术故障都是潜在风险。 确保数据隐私至关重要，尤其是在智能应用程序工作负载可能处理敏感数据的情况下。
在规划智能应用程序工作负载时，请解决以下风险并实施有效的缓解策略：
数据隐私：保护 AI 模型使用和生成的敏感数据。 实施加密、访问控制和定期安全审计。 确保工作负载符合相关法规标准，例如 GDPR 或 HIPAA，以保护用户隐私和数据。
AI 响应中的偏差：使用多样化且具有代表性的数据集来训练 AI 模型。 定期审计和测试模型是否存在偏差。
技术故障：设计具有冗余和故障转移机制的强大且可扩展的基础设施。 实施定期备份和灾难恢复计划。
安全威胁：采用高级安全措施，例如多因素身份验证、入侵检测系统和定期安全审计。 保持软件和系统更新以防范漏洞保护。
道德问题：为 AI 使用建立明确的道德准则和治理框架。 确保 AI 运营的透明度，并在关键决策中保持人机协同方法。
合规性和监管问题：随时了解相关法规并确保 AI 系统符合所有法律要求。 定期进行合规性审计并根据需要更新策略。
后续步骤
首先回顾设计原则。