Gambaran keseluruhan beban kerja aplikasi pintar

Dokumentasi ini menyediakan panduan yang boleh diambil tindakan untuk merancang, membangun dan mengekalkan beban kerja aplikasi pintar dengan Microsoft Power Platform. Panduan ini mempunyai asas teknikal dalam Power Platform amalan terbaik Well-Architected dan juga dimaklumkan oleh pengalaman yang diperoleh daripada penggunaan pelanggan.

Panduan ini bertujuan terutamanya untuk pemilik beban kerja, pihak berkepentingan teknikal dan pihak berkepentingan perniagaan—sesiapa sahaja yang memainkan peranan penting dalam mereka bentuk, membina dan mengekalkan beban kerja aplikasi pintar.

Tip

Untuk menilai beban kerja anda melalui lensa kebolehpercayaan, keselamatan, kecemerlangan operasi, kecekapan prestasi dan pengoptimuman pengalaman, jalankan Power Platform Penilaian Seni Bina dengan Baik.

Apakah beban kerja aplikasi pintar?

Dalam konteks Power Platform Well-Architected, istilah beban kerja menerangkan satu set sumber aplikasi, data dan infrastruktur dan proses sokongan yang bekerjasama untuk menyampaikan hasil perniagaan yang diingini. Beban kerja terdiri daripada komponen aplikasi dan teknologi serta proses tingkah laku, pembangunan dan operasi.

Beban kerja aplikasi pintar yang dibina menggunakan Power Platform keupayaan Power Platform untuk menyepadukan dan menggunakan model AI generatif untuk mengautomasikan dan meningkatkan proses perniagaan.

AI Generatif ialah teknologi kecerdasan buatan yang menggunakan model bahasa besar (LLM) untuk menjana kandungan asli dan memberikan pemahaman dan respons bahasa semula jadi. Ketahui lebih lanjut tentang AI Generatif dalam buku permainan Kecerdasan Buatan (AI).

Apakah cabaran biasa?

Membangunkan beban kerja aplikasi pintar yang dibina boleh Power Platform menjadi rumit. Cabaran termasuk:

• Kualiti dan ketersediaan data: Model AI generatif memerlukan sejumlah besar data berkualiti tinggi. Memastikan data bersih, berstruktur dengan baik dan boleh diakses meningkatkan kerumitan.
• Penyepaduan dengan sistem sedia ada: Mengintegrasikan AI generatif dengan lancar dengan infrastruktur IT dan proses perniagaan sedia ada boleh menjadi intensif sumber dan mencabar dari segi teknikal.
• Isu etika dan pematuhan: Menangani kebimbangan etika dan memastikan pematuhan piawaian undang-undang dan kawal selia adalah penting. Mengurus privasi data, mengelakkan berat sebelah dalam model AI dan mengekalkan ketelusan hanyalah sebahagian daripada isu yang perlu dinavigasi.
• Kemahiran dan kepakaran: Membangunkan dan mengurus penyelesaian AI generatif memerlukan kemahiran khusus. Organisasi selalunya perlu melabur dalam melatih tenaga kerja mereka atau mengupah bakat baharu dengan kepakaran yang diperlukan.
• Peruntukan kos dan sumber: Melaksanakan AI generatif boleh mahal. Organisasi perlu mengurus sumber mereka dengan teliti dan bermula dengan projek perintis kecil berimpak tinggi untuk menunjukkan nilai sebelum meningkatkan.
• Kebimbangan keselamatan: Memastikan keselamatan sistem AI adalah kritikal, dan termasuk melindungi data sensitif daripada pelanggaran serta melindungi daripada potensi kelemahan dalam model dan infrastruktur AI.
• Reka bentuk antara muka pengguna: Mereka bentuk antara muka intuitif dan mesra pengguna yang memanfaatkan keupayaan AI, terutamanya tanpa membebankan pengguna, boleh menjadi sukar.

Menangani cabaran ini memerlukan perancangan menyeluruh, kerjasama merentas pasukan yang berbeza dan pendekatan strategik untuk menyepadukan AI ke dalam proses perniagaan.

Pendekatan Well-Architected

Kami mengesyorkan agar anda menyusun beban kerja anda yang direka bentuk dengan baik untuk memenuhi objektif kebolehpercayaan, keselamatan, kecemerlangan operasi, kecekapan prestasi dan pengoptimuman pengalaman tertentu. Untuk meningkatkan pengalaman pengguna dan menyampaikan konsistensi dan kebolehpercayaan, ikut prinsip dan garis panduan seni bina yang disesuaikan dengan beban kerja aplikasi pintar.

Power Platform Tonggak Well-Architected membantu anda melaksanakan modulariti, peranan berasingan dan meningkatkan produktiviti operasi. Gunakan pendekatan yang direka bentuk dengan baik untuk mencipta beban kerja tanpa kerumitan dan kos yang tidak perlu.

Untuk memahami cara setiap tonggak boleh meningkatkan beban kerja aplikasi pintar anda, rujuk Prinsip reka bentuk beban kerja aplikasi pintar.

Menilai kebolehlaksanaan teknikal dan operasi

Sebelum anda mula membangunkan beban kerja aplikasi pintar anda dengan Power Platform, menilai kebolehlaksanaan teknikal dan operasi serta mengenal pasti risiko dan strategi mitigasi.

Anda juga mungkin ingin mempertimbangkan untuk mengemas kini beban kerja semasa untuk menggunakan keupayaan AI Generatif—apabila keupayaan ini memenuhi keperluan perniagaan dan mengurangkan kos. Pertimbangkan untuk memodenkan berdasarkan tujuan permohonan, jangka hayat, kebolehsokongan, kos dan perjanjian tahap perkhidmatan (SLA).

Kebolehlaksanaan teknikal

Kebolehlaksanaan teknikal melibatkan penilaian ketersediaan dan kualiti data, keperluan penyepaduan dan cabaran mengenai kerumitan teknikal.

Ketersediaan dan kualiti data

Data berkualiti tinggi memastikan konsistensi dan ketepatan untuk beban kerja aplikasi pintar. Sebagai sebahagian daripada penilaian kebolehlaksanaan anda, pertimbangkan perkara berikut:

• Sumber data: Kenal pasti dan katalogkan semua sumber data yang berpotensi, termasuk pangkalan data dalaman, API luaran dan set data pihak ketiga. Pastikan sumber ini boleh dipercayai dan boleh diakses.
• Silo data: Kenal pasti sama ada proses semasa menggunakan sebarang sumber data yang berbeza, seperti hamparan. Penyepaduan data yang berbeza ini ke dalam sistem AI mungkin menimbulkan cabaran namun mungkin penting untuk memberikan respons yang tepat.
• Isipadu dan kepelbagaian data: Menilai volum dan kepelbagaian data yang tersedia. Model AI generatif biasanya memerlukan set data yang besar dan pelbagai untuk berfungsi dengan berkesan. Pastikan sumber data menyediakan kuantiti dan kepelbagaian yang mencukupi untuk melatih dan mengesahkan model.
• Pembersihan data: Lakukan pembersihan data untuk mengalih keluar pertindihan, membetulkan ralat dan mengendalikan nilai yang hilang. Langkah ini penting untuk memastikan data yang dimasukkan ke dalam model AI adalah tepat dan boleh dipercayai.
• Transformasi data: Ubah data mentah kepada format yang sesuai untuk latihan model AI. Proses ini mungkin melibatkan normalisasi, penskalaan dan pengekodan pembolehubah kategori.
• Pengesahan dan ujian data: Sahkan dan uji data secara berkala untuk memastikan ia memenuhi piawaian kualiti yang diperlukan.

Keperluan penyepaduan

Penyepaduan mudah memudahkan akses dan kemas kini data masa nyata untuk beban kerja aplikasi pintar. Sebagai sebahagian daripada penilaian kebolehlaksanaan anda, pertimbangkan perkara berikut:

• Infrastruktur sedia ada: Menilai keserasian model AI generatif dengan infrastruktur semasa anda. Sebagai contoh, tentukan sama ada API teguh tersedia untuk penyepaduan mudah.
• Titik penyepaduan: Kenal pasti cara beban kerja aplikasi pintar anda akan disepadukan dengan sumber data yang diperlukan. Contohnya, tentukan sama ada penyambung atau API tersedia.

Cabaran kerumitan teknikal

Respons yang tepat bergantung pada beban kerja aplikasi pintar yang direka bentuk dengan baik. Sebagai sebahagian daripada penilaian kebolehlaksanaan anda, nilai kebolehpercayaan dan ketepatan respons yang diberikan oleh beban kerja pintar. Pertimbangkan cara mengoptimumkan, memantau dan menambah baik respons yang dijana. Cabaran kerumitan teknikal memerlukan gabungan kepakaran teknikal, infrastruktur yang teguh dan pengurusan berterusan untuk berjaya melaksanakan dan mengekalkan beban kerja aplikasi pintar. Ketahui lebih lanjut dalam Prinsip reka bentuk kebolehpercayaan beban kerja aplikasi pintar.

Kebolehlaksanaan operasi

Kebolehlaksanaan operasi melibatkan penilaian ketersediaan sumber, penggunaan pengguna dan risiko bersama-sama dengan strategi mitigasi.

Ketersediaan sumber

Kejayaan beban kerja aplikasi pintar anda bergantung pada ketersediaan belanjawan khusus dan sumber pasukan, disokong oleh Pusat Kecemerlangan (CoE) berfokuskan AI. Pertimbangkan yang berikut:

• Penilaian kemahiran: Menilai kemahiran ahli pasukan anda untuk mengenal pasti sebarang jurang yang boleh ditangani melalui latihan atau pengambilan pekerja.
• Peruntukan peranan: Takrifkan peranan dan tanggungjawab dengan jelas untuk memastikan setiap ahli pasukan memahami tugas mereka dan cara mereka menyumbang kepada kejayaan projek.
• Latihan dan pembangunan: Melabur dalam latihan dan pembangunan berterusan untuk memastikan pasukan dikemas kini dengan teknologi dan metodologi AI terkini.
• Anggaran kos: Mulakan dengan anggaran kos terperinci yang merangkumi kos lesen, kos perisian dan perkhidmatan awan, dan kos kakitangan. Anggaran sedemikian dari asas belanjawan yang realistik.

Penggunaan pengguna

Kejayaan beban kerja aplikasi pintar anda bergantung pada pengguna yang selesa dengan sistem. Pertimbangkan yang berikut:

• Reka bentuk berpusatkan pengguna: Reka bentuk sistem agar intuitif dan mesra pengguna. Antara muka yang kompleks boleh menghalang pengguna—kesederhanaan dan kejelasan adalah kritikal. Pastikan sistem boleh diakses oleh semua pengguna.
• Latihan: Memudahkan sesi latihan yang komprehensif dan menyediakan sokongan berterusan.
• Gelung maklum balas: Wujudkan mekanisme maklum balas di mana pengguna boleh melaporkan ketidaktepatan, yang kemudiannya boleh digunakan untuk memperhalusi dan menambah baik model.
• Ketelusan dan kepercayaan: Pastikan pengguna tahu bahawa mereka menggunakan beban kerja yang termasuk keupayaan AI generatif. Sampaikan dengan jelas sebab penyelesaian AI dipilih, cara ia direka bentuk dan cara ia dipantau dan dikemas kini.
• Pengurusan perubahan: Selaraskan perubahan dengan budaya dan nilai organisasi untuk memastikan penerimaan dan sokongan yang meluas.

Risiko dan mitigasi

Kebimbangan privasi data, potensi berat sebelah dalam tindak balas AI dan kegagalan teknikal adalah potensi risiko. Memastikan privasi data adalah penting, terutamanya kerana beban kerja aplikasi pintar boleh mengendalikan data sensitif.

Apabila merancang beban kerja aplikasi pintar, tangani risiko berikut dan laksanakan strategi mitigasi yang berkesan:

• Privasi data: Lindungi data sensitif yang digunakan dan dijana oleh model AI. Laksanakan penyulitan, kawalan akses dan audit keselamatan biasa. Pastikan beban kerja mematuhi piawaian peraturan yang berkaitan, seperti GDPR atau HIPAA, untuk melindungi privasi dan data pengguna.

• Bias dalam respons AI: Gunakan set data yang pelbagai dan mewakili untuk melatih model AI. Kerap mengaudit dan menguji model untuk berat sebelah.

• Kegagalan teknikal: Reka bentuk infrastruktur yang teguh dan berskala dengan mekanisme redundansi dan failover. Laksanakan sandaran biasa dan pelan pemulihan bencana.

• Ancaman keselamatan: Gunakan langkah keselamatan lanjutan seperti pengesahan berbilang faktor, sistem pengesanan pencerobohan dan audit keselamatan biasa. Pastikan perisian dan sistem dikemas kini untuk melindungi daripada kelemahan.

• Kebimbangan etika: Wujudkan garis panduan etika dan rangka kerja tadbir urus yang jelas untuk kegunaan AI. Pastikan ketelusan dalam operasi AI dan kekalkan pendekatan manusia dalam gelung untuk keputusan kritikal.

• Isu pematuhan dan kawal selia: Kekal dimaklumkan tentang peraturan yang berkaitan dan pastikan sistem AI mematuhi semua keperluan undang-undang. Menjalankan audit pematuhan secara berkala dan mengemas kini dasar mengikut keperluan.

Langkah-langkah berikutnya

Mulakan dengan menyemak prinsip reka bentuk.

Prinsip reka bentuk