תכנון פתרונות סוכן: עקרונות ודפוסים

סוכנים הם מערכות בינה מלאכותית שנועדו לסייע למשתמשים על-ידי פירוש נתונים, קבלת החלטות והפיכת משימות לאוטומטיות כדי לשפר את הפרודוקטיביות והיעילות. סוכני בינה מלאכותית יכולים להיות:

• שיחה: אינטראקציה עם משתמשים באמצעות ממשקי צ'אט
• אוטונום: פועל באופן עצמאי ללא כיוון אנושי מתמשך

הסוכנים מבינים בקשות משתמש ועשויים לשלב הבנת שפה באמצעות לוגיקה עסקית.

תוכן פתרונות תכנון אדריכלות לסוכנים מספק הדרכה לגבי עקרונות ותבניות חיוניים לבניית סוכנים מאובטחים ומהימנים, עם דגש על Microsoft 365 Copilot. המסגרת מספקת גישות סטנדרטיות לפיתוח סוכן, ומבטיחה החזר מרבי על ההשקעה תוך שמירה על אבטחה ותאימות ברמה ארגונית.

מסגרת זו:

• מפגין מנהיגות על-ידי קביעת תקנים בתעשייה לארכיטקטורה של סוכנים, חיזוק המנהיגות של Microsoft בבינה מלאכותית אחראית.
• הדרכה מומלצת לפיתוח סוכנים עבור Copilot, הפחתת הבלבול.
• מבטיחה איכות ואבטחת איכות על-ידי קביעת סדרי עדיפויות של מהימנות, מעקב ובינה מלאכותית אחראית לפתרונות מאובטחים הניתנים לביקורת.
• מאפשר סקלאביליות על-ידי הענקת כלים למפתחים לבניית פתרונות המתאימים לשיטות העבודה המומלצות של Microsoft ותעשייה, ללא צורך בתמיכה טכנית מ-Microsoft.
• יישור תקנים על-ידי תקנים של קריטריוני המינוח וההערכה עבור פתרונות Copilot ופתרונות סוכן ברחבי הארגון.

דרישות מוקדמות

כדי להשתמש בצורה יעילה במסגרת זו, עליך:

• הבנה בסיסית של Microsoft 365 Copilot יכולות
• היכרות עם מושגים ומונחים של סוכן
• ידע בדרישות האבטחה והתאימות של הארגון
• ניסיון עם תהליכי מחזור חיים של פיתוח תוכנה

עמודי תווך של מסגרת ליבה

המסגרת מבססת שלושה עמודים בסיסיים שמדריכים את כל החלטות פיתוח הסוכן.

התאם למטרה

עמוד ההתאמה למטרה מבטיח שהטמעת הבינה המלאכותית תספק ערך בעל משמעות תוך שמירה על רמות מורכבות מתאימות.

• פחות זה יותר: האם השימוש בבינה מלאכותית מספק ערך מאזן מורכבות נוספת?
• חוויית משתמש: האם הסוכן הנכון זמין למשתמשי קצה, ללקוחות המתאימים, בזמן הנכון?
• התאמה: האם הפתרון בוחר את מודל הבינה המלאכותית הנכון ומחיל אותו בשלב הנכון של זרימת התהליך כדי לאזן בין פשטות, עלות ומהימנות?

מידע נוסף: קביעת התאמה למטרה

יכולת פעולה

Operability מבטיחה שפתרונות יספקו תשובות נכונות ואת אופני הפעולה בצורה מהימנה בכל התרחישים התפעוליים.

• האם הפתרון עומד במדד איכות עקבי?
• האם הפתרון שומר על המהימנות הטכנית (מהימנות API, גמישות, מגבלות)?
• האם ניהול, פיקוח ומחזור חיים עומדים בצרכים התפעוליים?
• האם הפתרון מספק יכולת הבחנה מספקת כדי להיות בטוח באיכות ארוכת טווח ולהחזיר את ההשקעה?

מידע נוסף: קביעת יכולת פעולה

אמון, מעקב ושקיפות

עמוד התווך השלישי של המסגרת מבסס את היסוד ליישום אחראי של בינה מלאכותית באמצעות שלושה רכיבים מחוברים הדדית:

• אמון: האם הסוכן פועל בהתאם לעקרונות של יישום אחראי של בינה מלאכותית, לציית לתקנות ולשמור על אבטחת הנתונים?
• יכולת מעקב: האם כל הפעולות וההחלטות ברורות וקלות לסקירה כדי שהמשתמשים יוכלו להבין ולבצע ביקורת על אופן הפעולה של הסוכן?
• שקיפות: האם משתמשים ומנהלי מערכת יודעים היכן מאוחסנים נתונים, כיצד משתמשים בנתונים ובאפשרותך לבדוק את מקור המידע?

מידע נוסף: קביעת אמון, מעקב ושקיפות

מה מסגרת זו אינה מכסה

מסגרת זו אינה משכפלת תוכן שכבר מתייחס לתקנים מבוססים כגון Azure Well-Architected Framework, Power Platform "וול-ארכיטקטד", המכון הלאומי לתקנים וטכנולוגיה (NIST) או מסגרות אבטחה מוכרות אחרות. במקום זאת, הוא משלים משאבים אלה על-ידי התמקדות ספציפית בעקרונות ארכיטקטורה ממוקדי סוכן. למרות שמסמך זה אינו מבסס מחדש הדרכה ממסגרות אלה, שקול אותן כחלק מארכיטקטורה הכוללת של הפתרון.

מסגרת זו אינה מספקת הוראות יישום מפורטות עבור טכנולוגיות או פלטפורמות ספציפיות. במקום זאת, הוא מתמקד בעקרונות ובדפוסים ברמה גבוהה שניתן להתאים אותם להקשרים ולדרישות שונים.