Übersicht über intelligente Anwendungsworkloads

Diese Dokumentation bietet umsetzbare Anleitungen für die Planung, Entwicklung und Wartung intelligenter Anwendungs-Workloads Microsoft Power Platform. Die Anleitung basiert technisch auf den bewährten Methoden von Power Platform Well-Architected und basiert auch auf Erfahrungen aus Kundenimplementierungen.

Diese Anleitung richtet sich in erster Linie an Workloadbesitzer, technische Stakeholder und geschäftliche Stakeholder – alle, die eine wesentliche Rolle beim Entwerfen, Erstellen und Warten einer intelligenten Anwendungs-Workload spielen.

Was ist eine intelligente Anwendungsworkload?

Im Kontext von Power Platform Well-Architected beschreibt der Begriff Workload eine Reihe von Anwendungsressourcen, Daten sowie unterstützende Infrastruktur und Prozesse, die zusammenarbeiten, um die gewünschten Geschäftsergebnisse zu erzielen. Eine Arbeitslast umfasst Anwendungs- und Technologiekomponenten sowie Verhaltens-, Entwicklungs- und Betriebsabläufe.

Eine intelligente Anwendungs-Workload, die auf Power Platform aufbaut, wendet die Fähigkeiten von Power Platform an, um generative KI-Modelle zur Automatisierung und Verbesserung von Geschäftsprozessen zu integrieren und zu nutzen.

Generative KI ist eine Technologie der künstlichen Intelligenz, die große Sprachmodelle (LLMs) verwendet, um Originalinhalte zu generieren, das Verständnis natürlicher Sprache zu bietet und Antworten bereitzustellen. Erfahren Sie mehr über Generative KI im Playbook zur künstlichen Intelligenz (KI).

Was sind häufige Herausforderungen?

Die Entwicklung einer intelligenten Anwendungs-Workload basierend auf Power Platform kann komplex sein. Zu den Herausforderungen gehören:

• Datenqualität und -verfügbarkeit: Generative KI-Modelle erfordern große Mengen qualitativ hochwertiger Daten. Die Gewährleistung sauberer, gut strukturierter und zugänglicher Daten erhöht die Komplexität.
• Integration in bestehende Systeme: Die nahtlose Integration generativer KI in die bestehende IT-Infrastruktur und Geschäftsprozesse kann ressourcenintensiv und technisch anspruchsvoll sein.
• Ethische und Compliance-Probleme: Die Berücksichtigung ethischer Bedenken und die Gewährleistung der Einhaltung gesetzlicher und regulatorischer Standards sind von wesentlicher Bedeutung. Die Verwaltung des Datenschutzes, die Vermeidung von Verzerrungen in KI-Modellen und die Wahrung der Transparenz sind nur einige der zu bewältigenden Probleme.
• Skills und Fachwissen: Die Entwicklung und Verwaltung generativer KI-Lösungen erfordert spezialisiertes Skills. Unternehmen müssen häufig in die Schulung ihrer Belegschaft investieren oder neue Talente mit dem erforderlichen Fachwissen einstellen.
• Kosten und Ressourcenzuweisung: Die Implementierung generativer KI kann kostspielig sein. Organisationen müssen ihre Ressourcen sorgfältig verwalten und mit kleinen, wirkungsvollen Pilotprojekten beginnen, um deren Wert zu demonstrieren, bevor sie eine Ausweitung planen.
• Sicherheitsbedenken: Die Gewährleistung der Sicherheit von KI-Systemen ist von entscheidender Bedeutung und umfasst den Schutz vertraulicher Daten vor Verstößen sowie die Absicherung gegen potenzielle Schwachstellen in KI-Modellen und -Infrastrukturen.
• Design der Benutzeroberfläche: Das Design intuitiver, benutzerfreundlicher Oberflächen, die die Möglichkeiten der KI nutzen, ohne die Benutzer dabei zu überfordern, kann schwierig sein.

Die Bewältigung dieser Herausforderungen erfordert eine gründliche Planung, die Zusammenarbeit verschiedener Teams und einen strategischen Ansatz zur Integration von KI in Geschäftsprozesse.

Der Well-Architected-Ansatz

Wir empfehlen Ihnen, Ihre gut konzipierte Arbeitslast so zu strukturieren, dass sie bestimmte Ziele hinsichtlich Zuverlässigkeit, Sicherheit, betrieblicher Exzellenz, Leistungseffizienz und Erlebnisoptimierung erreicht. Um das Benutzererlebnis zu verbessern und Konsistenz und Zuverlässigkeit zu gewährleisten, verwenden folgen Architekturprinzipien und -richtlinien, die auf intelligente Anwendungs-Workloads zugeschnitten sind.

Die Power Platform Well-Architected Säulen unterstützen Sie bei der Implementierung von Modularität, der Rollentrennung und der Verbesserung der betrieblichen Produktivität. Verwenden Sie einen gut konzipierten Ansatz, um Workloads ohne unnötige Komplexität und Kosten zu erstellen.

Um zu verstehen, wie jede Säule Ihre intelligente Anwendungsworkload verbessern kann, lesen Sie die Designprinzipien intelligenter Anwendungsworkloads.

Bewerten Sie die technische und betriebliche Machbarkeit

Bevor Sie mit der Entwicklung Ihrer intelligenten Anwendungs-Workload mit Power Platform beginnen, bewerten Sie die technische und betriebliche Machbarkeit und identifizieren Sie Risiken und Minderungsstrategien.

Möglicherweise möchten Sie auch die Aktualisierung aktueller Workloads in Betracht ziehen, um Generative AI-Funktionen zu verwenden – sofern diese Funktionen den Geschäftsanforderungen entsprechen und die Kosten senken. Erwägen Sie eine Modernisierung auf der Grundlage des Anwendungszwecks, der Lebenserwartung, der Supportfähigkeit, der Kosten und der Service-Level-Agreements (SLAs).

Technische Machbarkeit

Zur technischen Machbarkeit gehört die Beurteilung der Datenverfügbarkeit und -qualität, der Integrationsanforderungen und der Herausforderungen im Zusammenhang mit der technischen Komplexität.

Datenverfügbarkeit und Qualität

Hochwertige Daten gewährleisten Konsistenz und Genauigkeit für die Arbeitslast intelligenter Anwendungen. Berücksichtigen Sie im Rahmen Ihrer Machbarkeitsbewertung Folgendes:

• Datenquellen : Identifizieren und katalogisieren Sie alle potenziellen Datenquellen, einschließlich interner Datenbanken, externer APIs und Datensätze von Drittanbietern. Stellen Sie sicher, dass diese Quellen zuverlässig und zugänglich sind.
• Datensilos : Stellen Sie fest, ob der aktuelle Prozess unterschiedliche Datenquellen wie Tabellen verwendet. Die Integration dieser unterschiedlichen Daten in das KI-System könnte eine Herausforderung darstellen, für die Bereitstellung präziser Antworten jedoch von entscheidender Bedeutung sein.
• Datenvolumen und -vielfalt : Bewerten Sie das Volumen und die Vielfalt der verfügbaren Daten. Für eine effektive Leistung sind für generative KI-Modelle in der Regel große und vielfältige Datensätze erforderlich. Stellen Sie sicher, dass die Datenquellen ausreichend Quantität und Vielfalt bieten, um die Modelle zu trainieren und zu validieren.
• Datenbereinigung : Führen Sie eine Datenbereinigung durch, um Duplikate zu entfernen, Fehler zu korrigieren und fehlende Werte zu behandeln. Dieser Schritt ist entscheidend, um sicherzustellen, dass die in die KI-Modelle eingespeisten Daten genau und zuverlässig sind.
• Datentransformation: Transformieren Sie Rohdaten in ein geeignetes Format für das Training des KI-Modells. Dieser Prozess kann die Normalisierung, Skalierung und Kodierung kategorialer Variablen umfassen.
• Datenvalidierung und -Tests: Validieren und testen Sie die Daten regelmäßig, um sicherzustellen, dass sie die erforderlichen Qualitätsstandards erfüllen.

Integrationsanforderungen

Die unkomplizierte Integration erleichtert den Echtzeit-Datenzugriff und -Updates für die Arbeitslast intelligenter Anwendungen. Berücksichtigen Sie im Rahmen Ihrer Machbarkeitsbewertung Folgendes:

• vorhandene Infrastruktur: Bewerten Sie die Kompatibilität generativer KI-Modelle mit Ihrer aktuellen Infrastruktur. Stellen Sie beispielsweise fest, ob robuste APIs für eine einfache Integration verfügbar sind.
• Integrationspunkte: Ermitteln Sie, wie Ihre intelligente Anwendungsworkload in die erforderlichen Datenquellen integriert wird. Stellen Sie beispielsweise fest, ob Konnektoren oder APIs verfügbar sind.

Herausforderungen bei der technischen Komplexität

Präzise Antworten hängen von einer gut konzipierten intelligenten Anwendungsworkload ab. Bewerten Sie im Rahmen Ihrer Machbarkeitsbewertung die Zuverlässigkeit und Genauigkeit der von der intelligenten Workload bereitgestellten Antworten. Überlegen Sie, wie Sie die generierten Antworten optimieren, überwachen und verbessern können. Die Herausforderungen der technischen Komplexität erfordern eine Kombination aus technischem Fachwissen, robuster Infrastruktur und kontinuierlicher Verwaltung, um intelligente Anwendungs-Workloads erfolgreich zu implementieren und zu verwalten. Erfahren Sie mehr in Zuverlässigkeitsdesignprinzipien für intelligente Anwendungs-Workloads.

Operative Machbarkeit

Zur betrieblichen Durchführbarkeit gehört die Bewertung der Ressourcenverfügbarkeit, der Benutzerakzeptanz und der Risiken sowie der Strategien zur Risikominderung.

Ressourcenverfügbarkeit

Der Erfolg Ihrer intelligenten Anwendungsworkload hängt von der Verfügbarkeit eines dedizierten Budgets und von Teamressourcen ab, die von einem KI-fokussierten Center of Excellence (CoE) unterstützt werden. Beachten Sie Folgendes:

• Fertigkeit-Beurteilung: Beurteilen Sie die Skills Ihrer Teammitglieder, um etwaige Lücken zu identifizieren, die durch Schulungen oder Neueinstellungen geschlossen werden können.
• Rollenverteilung: Definieren Sie Rollen und Verantwortlichkeiten klar, um sicherzustellen, dass jedes Teammitglied seine Aufgaben versteht und weiß, wie es zum Projekterfolg beiträgt.
• Schulung und Entwicklung: Investieren Sie in kontinuierliche Schulung und Entwicklung, um das Team über die neuesten KI-Technologien und -Methoden auf dem Laufenden zu halten.
• Kostenschätzung: Beginnen Sie mit einer detaillierten Kostenschätzung, die Lizenzkosten, Kosten für Software und Cloud-Dienste sowie Personalkosten umfasst. Solche Schätzungen bilden die Grundlage für eine realistische Budgetplanung.

Benutzerakzeptanz

Der Erfolg Ihrer intelligenten Anwendungsworkload hängt davon ab, dass die Benutzer mit dem System vertraut sind. Beachten Sie Folgendes:

• Benutzerzentriertes Design: Gestalten Sie das System so, dass es intuitiv und benutzerfreundlich ist. Komplexe Benutzeroberflächen können Benutzer abschrecken – Einfachheit und Klarheit sind entscheidend. Stellen Sie sicher, dass das System für alle Benutzer zugänglich ist.
• Schulung: Ermöglichen Sie umfassende Schulungen und bieten Sie fortlaufende Unterstützung.
• Feedback-Schleifen: Richten Sie Feedback-Mechanismen ein, über die Benutzer Ungenauigkeiten melden können, die dann zur Verfeinerung und Verbesserung der Modelle verwendet werden können.
• Transparenz und Vertrauen: Stellen Sie sicher, dass die Benutzer wissen, dass sie eine Workload verwenden, die generative KI-Funktionen umfasst. Kommunizieren Sie klar, warum eine KI-Lösung ausgewählt wurde, wie sie entwickelt wurde und wie sie überwacht und aktualisiert wird.
• Änderungsmanagement: ausrichten Passen Sie die Änderung an die Kultur und Werte der Organisation an, um breite Akzeptanz und Unterstützung sicherzustellen.

Risiken und Risikominderungen

Bedenken hinsichtlich des Datenschutzes, mögliche Verzerrungen bei KI-Reaktionen und technische Ausfälle sind potenzielle Risiken. Die Gewährleistung des Datenschutzes ist von entscheidender Bedeutung, insbesondere da die Arbeitslast intelligenter Anwendungen vertrauliche Daten verarbeiten kann.

Berücksichtigen Sie bei der Planung einer intelligenten Anwendungsworkload die folgenden Risiken und implementieren Sie wirksame Minderungsstrategien:

• Datenschutz: Schützen Sie sensible Daten, die von KI-Modellen verwendet und generiert werden. Implementieren Sie Verschlüsselung, Zugriffskontrollen und regelmäßige Sicherheitsüberprüfungen. Stellen Sie sicher, dass die Arbeitslast den relevanten Regulierungsstandards wie DSGVO oder HIPAA entspricht, um die Privatsphäre und Daten der Benutzer zu schützen.

• Verzerrung in KI-Reaktionen: Verwenden Sie vielfältige und repräsentative Datensätze, um KI-Modelle zu trainieren. Überprüfen und testen Sie Modelle regelmäßig auf Verzerrungen.

• technische Ausfälle: Entwerfen Sie eine robuste und skalierbare Infrastruktur mit Redundanz- und Failover-Mechanismen. Implementieren Sie regelmäßige Backups und Notfallwiederherstellungspläne.

• Sicherheitsbedrohungen: Setzen Sie erweiterte Sicherheitsmaßnahmen ein, beispielsweise Multifaktor-Authentifizierung, Angriffserkennungssysteme und regelmäßige Sicherheitsüberprüfungen. Halten Sie Software und Systeme auf dem neuesten Stand, um Schwachstellen zu vermeiden schützen.

• Ethische Bedenken: Legen Sie klare ethische Richtlinien und Governance-Rahmen für die Nutzung von KI fest. Sorgen Sie für Transparenz im KI-Betrieb und behalten Sie bei kritischen Entscheidungen einen Human-in-the-Loop-Ansatz bei.

• Compliance und regulatorische Fragen : Bleiben Sie über relevante Vorschriften informiert und stellen Sie sicher, dass KI-Systeme alle gesetzlichen Anforderungen erfüllen. Führen Sie regelmäßige Compliance-Audits durch und aktualisieren Sie die Richtlinien nach Bedarf.

Nächste Schritte,

Beginnen Sie mit der Überprüfung der Designprinzipien.