Übersicht über Intelligente Anwendungsworkloads

Diese Dokumentation enthält umsetzbare Anleitungen für die Planung, Entwicklung und Wartung intelligenter Anwendungsworkloads mit Microsoft Power Platform. Die Anleitung basiert auf der technischen Grundlage der bewährten Methoden von Power Platform Well-Architected und greift außerdem auf Erfahrungen aus Kundenbereitstellungen zurück.

Dieser Leitfaden richtet sich in erster Linie an Workload-Besitzer, technische Stakeholder und geschäftliche Stakeholder – an alle, die eine wesentliche Rolle beim Entwerfen, Erstellen und Warten einer intelligenten Anwendungsworkload spielen.

Was ist eine intelligente Anwendungsworkload?

Im Rahmen von Power Platform Well-Architected beschreibt der Begriff Workload eine Reihe von Anwendungsressourcen, Daten sowie unterstützenden Infrastrukturen und Prozessen, die zusammenarbeiten, um die gewünschten Geschäftsergebnisse zu erzielen. Eine Workload umfasst Anwendungs- und Technologiekomponenten sowie Verhaltens-, Entwicklungs- und Betriebsprozesse.

Eine intelligente Anwendungsworkload, die auf Power Platform aufbaut, nutzt die Funktionen von Power Platform zur Integration und Nutzung generativer KI-Modelle zur Automatisierung und Verbesserung von Geschäftsprozessen.

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 Anwendungsworkload, die auf Power Platform aufbaut, kann komplex sein. Zu den Herausforderungen zählen:

• Datenqualität und -verfügbarkeit: Generative KI-Modelle erfordern große Mengen an qualitativ hochwertigen Daten. Die Sicherstellung, dass Daten sauber, gut strukturiert und zugänglich sind, erhöht die Komplexität.
• Integration in bestehende Systeme: Die nahtlose Integration von generativer KI in die bestehende IT-Infrastruktur und Geschäftsprozesse kann ressourcenintensiv und technisch anspruchsvoll sein.
• Ethik- und Compliance-Fragen: Die Auseinandersetzung mit ethischen Bedenken und die Sicherstellung der Einhaltung gesetzlicher und behördlicher Standards sind von entscheidender Bedeutung. Die Verwaltung des Datenschutzes, die Vermeidung von Verzerrungen in KI-Modellen und die Aufrechterhaltung der Transparenz sind nur einige der Probleme, die es zu bewältigen gilt.
• Fertigkeiten und Fachwissen: Die Entwicklung und Verwaltung von generativen KI-Lösungen erfordert spezielle Fertigkeiten. Unternehmen müssen oft in die Ausbildung ihrer Belegschaft investieren oder neue Talente mit dem erforderlichen Fachwissen einstellen.
• Kosten- und Ressourcenzuordnung: Die Implementierung von generativer KI kann kostspielig sein. Unternehmen müssen ihre Ressourcen sorgfältig verwalten und mit kleinen, wirkungsvollen Pilotprojekten beginnen, um den Wert zu demonstrieren, bevor sie skalieren.
• Sicherheitsbedenken: Die Gewährleistung der Sicherheit von KI-Systemen ist von entscheidender Bedeutung und umfasst den Schutz sensibler Daten vor Sicherheitsverletzungen sowie den Schutz vor potenziellen Schwachstellen in KI-Modellen und -Infrastruktur.
• Design der Benutzeroberfläche: Es kann sich als schwierig erweisen, intuitive und benutzerfreundliche Schnittstellen zu entwerfen, die KI-Funktionen nutzen, insbesondere dann, wenn man die Benutzer nicht überfordern möchte.

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 eine Strukturierung Ihrer Well-Architected-Workload, um bestimmte Ziele hinsichtlich Zuverlässigkeit, Sicherheit, Operational Excellence, Leistungseffizienz und Erfahrungsoptimierung zu erreichen. Befolgen Sie Architekturprinzipien und -richtlinien, die auf intelligente Anwendungsworkloads zugeschnitten sind, um die Benutzererfahrung zu verbessern und Konsistenz und Zuverlässigkeit zu gewährleisten.

Die Power Platform Well-Architected-Säulen helfen Ihnen, Modularität zu implementieren, Rollen zu trennen und die betriebliche Produktivität zu verbessern. Verwenden Sie einen gut strukturierten Ansatz, um Workloads ohne unnötige Komplexität und Kosten zu erstellen.

Informationen dazu, wie die einzelnen Säulen Ihre intelligente Anwendungsworkload verbessern können, finden Sie unter Entwurfsprinzipien für intelligente Anwendungsworkloads.

Technische und betriebliche Machbarkeit bewerten

Bevor Sie mit der Entwicklung Ihrer intelligenten Anwendungsworkload mit Power Platform beginnen, bewerten Sie die technische und betriebliche Machbarkeit und identifizieren Sie Risiken und Strategien zur Risikominderung.

Sie sollten auch in Erwägung ziehen, aktuelle Workloads zu aktualisieren, um generative KI-Funktionen zu verwenden, wenn diese Funktionen Geschäftsanforderungen erfüllen und Kosten senken. Erwägen Sie eine Modernisierung basierend auf dem Zweck der Anwendung, der Lebenserwartung, der Unterstützbarkeit, den Kosten und den Vereinbarungen zum Servicelevel (SLAs).

Technische Machbarkeit

Die technische Machbarkeit umfasst die Bewertung der Verfügbarkeit und Qualität von Daten, der Integrationsanforderungen und der Herausforderungen im Zusammenhang mit der technischen Komplexität.

Datenverfügbarkeit und -qualität

Qualitativ hochwertige Daten sorgen für Konsistenz und Genauigkeit bei der Workload intelligenter Anwendungen. Im Rahmen Ihrer Machbarkeitsbewertung sollten Sie Folgendes berücksichtigen:

• 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 verwendet, z. B. Tabellenkalkulationen. Die Integration dieser unterschiedlichen Daten in das KI-System kann eine Herausforderung darstellen, aber für die Bereitstellung genauer Antworten unerlässlich sein.
• Datenvolumen und -vielfalt: Bewerten Sie das Volumen und die Vielfalt der verfügbaren Daten. Generative KI-Modelle erfordern in der Regel große und vielfältige Datensätze, um effektiv zu funktionieren. Stellen Sie sicher, dass die Datenquellen eine ausreichende Menge und Vielfalt zum Trainieren und Validieren der Modelle bereitstellen.
• 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 Daten, die in die KI-Modelle eingespeist werden, genau und zuverlässig sind.
• Datentransformation: Transformieren Sie Rohdaten in ein geeignetes Format für das Training der KI-Modelle. Dieser Prozess kann die Normalisierung, Skalierung und Codierung kategorialer Variablen umfassen.
• Datenprüfung und -tests: Prüfen und testen Sie die Daten regelmäßig, um sicherzustellen, dass sie den erforderlichen Qualitätsstandards entsprechen.

Integrationsanforderungen

Die unkomplizierte Integration erleichtert den Datenzugriff und die Aktualisierung des intelligenten Anwendungs-Workloads in Echtzeit. Im Rahmen Ihrer Machbarkeitsbewertung sollten Sie Folgendes berücksichtigen:

• Vorhandene Infrastruktur: Bewerten Sie die Kompatibilität von generativen KI-Modellen mit Ihrer aktuellen Infrastruktur. Ermitteln Sie beispielsweise, ob robuste APIs für eine einfache Integration verfügbar sind.
• Integrationspunkte: Ermitteln Sie, wie Ihre intelligente Anwendungsworkload in die erforderlichen Datenquellen integriert werden soll. Bestimmen Sie beispielsweise, ob Konnektoren oder APIs verfügbar sind.

Herausforderungen bei der technischen Komplexität

Präzise Antworten beruhen auf einer gut durchdachten, intelligenten Anwendungsworkload. Bewerten Sie im Rahmen Ihrer Machbarkeitsbewertung die Zuverlässigkeit und Genauigkeit der Antworten, die von der intelligenten Workload bereitgestellt werden. 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 laufendem Management, um intelligente Anwendungs-Workloads erfolgreich zu implementieren und zu warten. Weitere Informationen finden Sie unter Designprinzipien für Zuverlässigkeit für intelligente Anwendungsworkloads.

Betriebliche Machbarkeit

Die betriebliche Durchführbarkeit umfasst die Bewertung der Verfügbarkeit von Ressourcen, der Benutzerakzeptanz und der Risiken zusammen mit Minderungsstrategien.

Ressourcenverfügbarkeit

Der Erfolg Ihrer Workload für intelligente Anwendungen 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:

• Kompetenzbewertung: Bewerten Sie die Fertigkeiten Ihrer Teammitglieder, um Lücken zu identifizieren, die durch Schulungen oder das Einstellen neuer Mitarbeiter behoben werden können.
• Rollenverteilung: Definieren Sie klare Rollen und Verantwortlichkeiten, um sicherzustellen, dass jedes Teammitglied seine Aufgaben versteht und weiß, wie es zum Erfolg des Projekts beitragen kann.
• Schulung und Entwicklung: Investieren Sie fortwährend in die Schulung und Entwicklung des Teams, um es 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-Services sowie Personalkosten umfasst. Solche Schätzungen bilden die Grundlage eines realistischen Budgets.

Benutzerakzeptanz

Der Erfolg Ihrer Workload für intelligente Anwendungen hängt davon ab, ob sich die Benutzer mit dem System wohlfühlen. Beachten Sie Folgendes:

• Benutzerorientiertes Design: Gestalten Sie das System intuitiv und benutzerfreundlich. Komplexe Benutzeroberflächen können Benutzer abschrecken – Einfachheit und Klarheit sind entscheidend. Stellen Sie sicher, dass das System für alle Benutzer zugänglich ist.
• Schulung: Unterstützen Sie umfassende Schulungen und bieten Sie fortlaufenden Support.
• Feedbackschleifen: Richten Sie Feedback-Mechanismen ein, in denen 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 die verwendete Workload generative KI-Funktionen enthält. Kommunizieren Sie klar und deutlich, warum Sie sich für eine KI-Lösung entschieden haben, wie sie konzipiert wurde und wie sie überwacht und aktualisiert wird.
• Change Management: Orientieren Sie sich bei der Veränderung an der Kultur und den Werten der Organisation, um eine breite Akzeptanz und Unterstützung zu gewährleisten.

Risiken und Risikominderung

Datenschutzbedenken, potenzielle Verzerrungen bei KI-Antworten und technisches Versagen sind potenzielle Risiken. Die Sicherstellung des Datenschutzes ist von entscheidender Bedeutung, insbesondere da der intelligente Anwendungs-Workload eventuell sensible Daten verarbeitet.

Berücksichtigen Sie bei der Planung einer intelligenten Anwendungs-Workload die folgenden Risiken, und implementieren Sie effektive Strategien zur Risikominderung:

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

• Verzerrungen bei KI-Antworten: Verwenden Sie für das Training von KI-Modellen vielfältige und repräsentative Datensätze. Prüfen 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 Disaster Recovery-Pläne.

• Sicherheitsbedrohungen: Setzen Sie fortschrittliche Sicherheitsmaßnahmen wie Multi-Faktor-Authentifizierung, Intrusion-Detection-Systeme und regelmäßige Sicherheitsaudits ein. Halten Sie Software und Systeme auf dem neuesten Stand, um sich vor Schwachstellen zu schützen.

• Ethische Bedenken: Legen Sie für den Einsatz von KI klare ethische Richtlinien und Governance-Frameworks fest. Sorgen Sie für Transparenz im KI-Betrieb und behalten Sie einen Human-in-the-Loop-Ansatz für kritische Entscheidungen bei.

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

Nächste Schritte,

Beginnen Sie mit der Überprüfung der Designprinzipien.