智慧應用程式工作負載概述
本文檔為規劃、開發和維護智慧應用程式工作負載提供了可行的指導 Microsoft Power Platform。 該指南具有 Well-Architected 最佳實踐的技術 Power Platform 基礎，並且還以客戶部署的經驗為依據。
本指南主要面向工作負載擁有者、技術利益相關者和業務利益相關者，即在設計、構建和維護智慧應用程式工作負載方面發揮不可或缺的作用的任何人。
提示
要通過可靠性、安全性、卓越運營、性能效率和體驗優化等因素來評估您的工作負載，請執行 Power Platform Well-Architected 評估。
什麼是智慧應用程式工作負載？
在 Well-Architected 的 Power Platform 上下文中，術語 工作負載 描述了一組應用程式資源、數據以及支援基礎設施和流程，它們協同工作以提供所需的業務成果。 工作負載包括應用程式和技術元件以及行為、開發和操作流程。
基於 Power Platform 構建的智慧應用程式工作負載應用了集成和使用生成式 AI 模型的功能 Power Platform ，以實現業務流程的自動化和增強。
生成式 AI 是一種人工智慧技術，它使用大型語言模型 (LLM) 生成原始內容並提供自然語言理解和回應。 在人工智慧 (AI) 教戰手冊中了解更多關於生成式 AI 的資訊。
常見的挑戰是什麼？
開發基於其構建的 Power Platform 智慧應用程式工作負載可能很複雜。 挑戰包括：
- 數據品質和可用性：生成式 AI 模型需要大量高質量的數據。 確保數據乾淨、結構良好且可訪問會增加複雜性。
- 與現有系統集成：將生成式 AI 與現有 IT 基礎設施和業務流程無縫集成可能非常耗費資源，並且具有技術挑戰性。
- 道德和合規問題：解決道德問題並確保遵守法律和監管標準至關重要。 管理數據隱私、避免 AI 模型中的偏見以及保持透明度只是需要解決的一些問題。
- 技能和專業知識：開發和管理生成式 AI 解決方案需要專門的技能。 組織通常需要投資培訓員工或僱用具有必要專業知識的新人才。
- 成本和資源分配：實施生成式 AI 的成本可能很高。 組織需要仔細管理其資源，並從小型、高影響力的試點項目開始，以便在擴大規模之前展示價值。
- 安全問題：確保 AI 系統的安全至關重要，包括保護敏感數據免遭洩露，以及防範 AI 模型和基礎設施中的潛在漏洞。
- 用戶介面設計：設計直觀、使用者友好的介面來利用 AI 功能，尤其是在不壓倒用戶的情況下，可能很困難。
應對這些挑戰需要全面的規劃、不同團隊之間的協作，以及將 AI 集成到業務流程中的戰略方法。
Well-Architected 方法
我們建議您構建架構完善的工作負載，以滿足特定的可靠性、安全性、卓越運營、性能效率和體驗優化目標。 為了增強用戶體驗並提供一致性和可靠性，跟隨為智慧應用程式工作負載量身定製的架構原則和準則。
Power Platform Well-Architected 支柱 可説明您實施模組化、分離角色並提高運營效率。 使用架構完善的方法創建工作負載，而不會產生不必要的複雜性和成本。
要瞭解每個支柱如何改進您的智慧應用程式工作負載，請參閱 智慧應用程式工作負載的設計原則。
評估技術和運營可行性
在開始開發智慧應用程式工作負載 Power Platform之前，請評估技術和運營可行性，並確定風險和緩解策略。
您可能還需要考慮更新當前工作負載以使用生成式 AI 功能 - 當這些功能滿足業務需求並降低成本時。 考慮根據應用程式的目的、預期壽命、可支援性、成本和服務級別協定 (SLA) 進行現代化改造。
技術可行性
技術可行性涉及評估數據的可用性和品質、集成要求以及圍繞技術複雜性的挑戰。
資料可用性和品質
高質量的數據可確保智慧應用程式工作負載的一致性和準確性。 作為可行性評估的一部分，請考慮以下事項：
- 數據源：識別並編目所有潛在的數據源，包括內部資料庫、外部 API 和第三方數據集。 確保這些來源可靠且可訪問。
- 數據孤島：確定當前流程是否使用任何不同的數據源，例如電子錶格。 將這些不同的數據集成到 AI 系統中可能會帶來挑戰，但對於提供準確的回應可能至關重要。
- 數據量和種類：評估可用數據的數量和種類。 生成式 AI 模型通常需要大型和多樣化的數據集才能有效執行。 確保數據源提供足夠的數量和多樣性來訓練和驗證模型。
- 數據清理：執行數據清理以刪除重複項、更正錯誤並處理缺失值。 此步驟對於確保輸入到 AI 模型的數據準確可靠至關重要。
- 數據轉換：將原始數據轉換為適合 AI 模型訓練的格式。 此過程可能涉及分類變數的標準化、縮放和編碼。
- 數據驗證和測試：定期驗證和測試數據，以確保其符合所需的質量標準。
集成要求
直接集成有助於即時訪問和更新智慧應用程式工作負載的數據。 作為可行性評估的一部分，請考慮以下事項：
- 現有基礎設施：評估生成式 AI 模型與當前基礎設施的相容性。 例如，確定是否有強大的 API 可用於輕鬆集成。
- 集成點：確定您的智慧應用程式工作負載將如何與所需的數據源集成。 例如，確定連接器或 API 是否可用。
技術複雜性挑戰
準確的回應依賴於架構完善的智慧應用程式工作負載。 作為可行性評估的一部分，請評估智慧工作負載提供的回應的可靠性和準確性。 考慮如何優化、監控和改進生成的回應。 技術複雜性挑戰需要結合技術專業知識、強大的基礎設施和持續管理，才能成功實施和維護智慧應用程式工作負載。 有關詳細資訊，請參閱 智慧應用程式工作負載的可靠性設計原則。
運營可行性
運營可行性包括評估資源可用性、用戶採用和風險以及緩解策略。
資源可用性
智慧應用程式工作負載的成功取決於專用預算和團隊資源的可用性，並由專注於 AI 的卓越中心 (CoE) 提供支援。 請考量下列各項：
- 技能評估：評估團隊成員的技能，以確定可以通過培訓或招聘來解決的任何差距。
- 角色分配：明確定義角色和職責，以確保每個團隊成員都了解他們的任務以及他們如何為專案的成功做出貢獻。
- 培訓和發展：投資於持續的培訓和發展，使團隊瞭解最新的 AI 技術和方法。
- 成本估算：從詳細的成本估算開始，包括許可證成本、軟體和雲服務成本以及人員成本。 這種估計來自現實預算的基礎。
用戶採用
智慧應用程式工作負載的成功取決於使用者對系統的適應程度。 請考量下列各項：
- 以使用者為中心的設計：將系統設計為直觀且使用者友好。 複雜的介面可能會讓用戶望而卻步—簡單性和清晰度至關重要。 確保所有使用者都可以訪問系統。
- 培訓：促進全面的培訓課程並提供持續的支援。
- 反饋迴圈：建立反饋機制，用戶可以在其中報告不準確之處，然後可以使用這些錯誤來改進和改進模型。
- 透明度和信任：確保使用者知道他們正在使用包含生成式 AI 功能的工作負載。 清楚地傳達選擇 AI 解決方案的原因、設計方式以及如何監控和更新。
- 變更管理：根據組織的文化和價值觀對齊變更，以確保得到廣泛接受和支援。
風險和緩解措施
數據隱私問題、AI 回應中的潛在偏見和技術故障都是潛在風險。 確保數據隱私至關重要，尤其是在智慧應用程式工作負載可能處理敏感數據的情況下。
在規劃智慧應用程式工作負載時，請解決以下風險並實施有效的緩解策略：
數據隱私：保護 AI 模型使用和生成的敏感數據。 實施加密、訪問控制和定期安全審計。 確保工作負載符合相關法規標準 (如 GDPR 或 HIPAA)，以保護使用者隱私和數據。
AI 回應中的偏差：使用多樣化且具有代表性的數據集來訓練 AI 模型。 定期審計和測試模型是否存在偏差。
技術故障：設計具有冗餘和故障轉移機制的強大且可擴展的基礎設施。 實施定期備份和災難恢復計劃。
安全威脅：採用高級安全措施，例如多因素身份驗證、入侵檢測系統和定期安全審計。 保持軟體和系統更新，以保護漏洞。
道德問題：為 AI 使用建立明確的道德準則和治理框架。 確保 AI 運營的透明度，並在關鍵決策中保持人機協同方法。
合規性和監管問題：隨時瞭解相關法規並確保 AI 系統符合所有法律要求。 定期進行合規性審計並根據需要更新策略。
後續步驟
首先回顧設計原則。