Vue d’ensemble des charges de travail des applications intelligentes

Cette documentation fournit des conseils pratiques pour la planification, le développement et la maintenance des charges de travail d’applications intelligentes avec Microsoft Power Platform. Les recommandations s’appuient sur un fondement technique dans les meilleures pratiques Well-Architected Power Platform ainsi que sur l’expérience acquise lors des déploiements chez les clients.

Ces conseils s’adressent principalement aux propriétaires de charges de travail, aux parties prenantes techniques et aux parties prenantes métier, c’est-à-dire à tous ceux qui jouent un rôle essentiel dans la conception, la création et la maintenance d’une charge de travail d’application intelligente.

En quoi consistent les charges de travail des applications intelligentes ?

Dans le contexte de Power Platform Well-Architected, le terme charge de travail décrit un ensemble de ressources d’application, de données, d’infrastructures et de processus de soutien qui fonctionnent ensemble pour fournir les résultats opérationnels souhaités. Une charge de travail comprend des composants applicatifs et technologiques, ainsi que des processus comportementaux, de développement et opérationnels.

Une charge de travail d’application intelligente basée sur Power Platform applique les capacités de Power Platform pour intégrer et utiliser des modèles d’IA générative pour automatiser et améliorer les processus métier.

L’IA générative est une technologie d’intelligence artificielle qui utilise des modèles de langage étendus (LLM) pour générer du contenu original et fournir une compréhension du langage naturel et des réponses. En savoir plus sur l’IA générative dans le playbook Intelligence artificielle (IA).

Quels sont les défis courants ?

Le développement d’une charge de travail d’application intelligente basée sur Power Platform peut s’avérer complexe. Voici certains des défis :

• Qualité et disponibilité des données : les modèles d’IA générative nécessitent de grands volumes de données de haute qualité. S’assurer que les données sont propres, bien structurées et accessibles augmente la complexité.
• Intégration avec les systèmes existants : l’intégration transparente de l’IA générative à l’infrastructure informatique et aux processus d’entreprise existants peut être gourmande en ressources et techniquement difficile.
• Questions d’éthique et de conformité : il est essentiel de répondre aux préoccupations éthiques et d’assurer le respect des normes légales et réglementaires. La gestion de la confidentialité des données, l’évitement des biais dans les modèles d’IA et le maintien de la transparence ne sont que quelques-uns des problèmes à résoudre.
• Compétences et expertise : le développement et la gestion de solutions d’IA générative nécessitent des compétences spécialisées. Les organisations ont souvent besoin d’investir dans la formation de leur main-d’œuvre ou d’embaucher de nouveaux talents possédant l’expertise nécessaire.
• Allocation des coûts et des ressources : la mise en œuvre de l’IA générative peut s’avérer coûteuse. Les organisations doivent gérer soigneusement leurs ressources et commencer par de petits projets pilotes à fort impact pour démontrer la valeur avant de passer à l’échelle.
• Préoccupations en matière de sécurité : il est essentiel d’assurer la sécurité des systèmes d’IA, ce qui implique de protéger les données sensibles contre les violations ainsi que de se prémunir contre les vulnérabilités potentielles des modèles et de l’infrastructure d’IA.
• Conception de l’interface utilisateur : il peut être difficile de concevoir des interfaces intuitives et conviviales qui exploitent les capacités de l’IA, en particulier sans submerger les utilisateurs.

Pour relever ces défis, il faut une planification minutieuse, une collaboration entre les différentes équipes et une approche stratégique de l’intégration de l’IA dans les processus métier.

L’approche Well-Architected

Nous vous recommandons de structurer votre charge de travail bien architecturée pour répondre à des objectifs spécifiques de fiabilité, de sécurité, d’excellence opérationnelle, d’efficacité des performances et d’optimisation de l’expérience. Pour améliorer l’expérience utilisateur et assurer la cohérence et la fiabilité, suivez les principes et directives d’architecture adaptés aux charges de travail d’applications intelligentes.

Les piliers Power Platform Well-Architected vous aident à mettre en œuvre la modularité, à séparer les rôles et à améliorer la productivité opérationnelle. Utilisez une approche bien architecturée pour créer des charges de travail sans complexité ni coût inutiles.

Pour comprendre comment chaque pilier peut améliorer la charge de travail de vos applications intelligentes, consultez Principes de conception des charges de travail d’applications intelligentes.

Évaluer la faisabilité technique et opérationnelle

Avant de commencer à développer votre charge de travail d’applications intelligentes avec Power Platform, évaluez la faisabilité technique et opérationnelle et identifiez les risques et les stratégies d’atténuation.

Vous pouvez également envisager de mettre à jour les charges de travail actuelles pour utiliser les fonctionnalités IA générative, lorsque ces fonctionnalités répondent aux besoins de l’entreprise et réduisent les coûts. Envisagez une modernisation en fonction de l’objectif de l’application, de l’espérance de vie, de la prise en charge, du coût et des contrats de niveau de service (SLA).

Faisabilité technique

La faisabilité technique implique l’évaluation de la disponibilité et de la qualité des données, des exigences d’intégration et des défis liés à la complexité technique.

Disponibilité et qualité des données

Des données de haute qualité garantissent la cohérence et la précision de la charge de travail des applications intelligentes. Dans le cadre de votre évaluation de faisabilité, prenez en compte les aspects suivants :

• Sources de données : identifiez et cataloguez toutes les sources de données potentielles, y compris les bases de données internes, les API externes et les ensembles de données tiers. Assurez-vous que ces sources sont fiables et accessibles.
• Silos de données : identifiez si le processus actuel utilise des sources de données disparates, telles que des feuilles de calcul. L’intégration de ces données disparates dans le système d’IA peut poser un défi, mais peut être essentielle pour fournir des réponses précises.
• Volume et variété des données : évaluez le volume et la variété des données disponibles. Les modèles d’IA générative nécessitent généralement des ensembles de données volumineux et diversifiés pour fonctionner efficacement. Assurez-vous que les sources de données fournissent une quantité et une diversité suffisantes pour entraîner et valider les modèles.
• Nettoyage des données : effectuez un nettoyage des données pour supprimer les doublons, corriger les erreurs et traiter les valeurs manquantes. Cette étape est essentielle pour garantir l’exactitude et la fiabilité des données introduites dans les modèles d’IA.
• Transformation des données : transformez les données brutes dans un format approprié pour l’entraînement des modèles IA. Ce processus peut impliquer la normalisation, la mise à l’échelle et l’encodage de variables catégorielles.
• Validation et test des données : validez et testez régulièrement les données pour vous assurer qu’elles répondent aux normes de qualité requises.

Conditions requises pour l’intégration

L’intégration simple facilite l’accès aux données en temps réel et les mises à jour pour la charge de travail des applications intelligentes. Dans le cadre de votre évaluation de faisabilité, prenez en compte les aspects suivants :

• Infrastructure existante : évaluez la compatibilité des modèles IA générative avec votre infrastructure actuelle. Par exemple, déterminez si des API robustes sont disponibles pour une intégration facile.
• Points d’intégration : identifiez comment votre charge de travail d’application intelligente s’intégrera aux sources de données requises. Par exemple, déterminez si des connecteurs ou des API sont disponibles.

Défis de la complexité technique

Des réponses précises reposent sur une charge de travail d’application intelligente bien architecturée. Dans le cadre de votre évaluation de faisabilité, évaluez la fiabilité et la précision des réponses fournies par la charge de travail intelligente. Réfléchissez à la manière d’optimiser, de surveiller et d’améliorer les réponses générées. Les défis de la complexité technique nécessitent une combinaison d’expertise technique, d’infrastructure robuste et de gestion continue pour mettre en œuvre et maintenir avec succès des charges de travail d’applications intelligentes. Pour en savoir plus, consultez Principes de conception de la fiabilité des charges de travail d’applications intelligentes.

Faisabilité opérationnelle

La faisabilité opérationnelle implique l’évaluation de la disponibilité des ressources, de l’adoption par les utilisateurs et des risques, ainsi que des stratégies d’atténuation.

La disponibilité des ressources

Le succès de votre charge de travail d’applications intelligentes dépend de la disponibilité d’un budget dédié et de ressources d’équipe, soutenus par un Center of Excellence (CoE) axé sur l’IA. Prenez en compte les éléments suivants :

• Évaluation des compétences : évaluez les compétences des membres de votre équipe afin d’identifier les lacunes qui peuvent être comblées par la formation ou l’embauche.
• Répartition des rôles : définissez clairement les rôles et les responsabilités pour vous assurer que chaque membre de l’équipe comprend ses tâches et comment il contribue à la réussite du projet.
• Formation et développement : investissez dans la formation et le développement continus pour tenir l’équipe à jour avec les dernières technologies et méthodologies d’IA.
• Estimation des coûts : commencez par une estimation détaillée des coûts qui inclut le coût des licences, les coûts des logiciels et des services cloud, ainsi que les coûts de personnel. De telles estimations forment la base d’un budget réaliste.

Adoption utilisateur

Le succès de votre charge de travail d’applications intelligentes dépend de l’aisance des utilisateurs avec le système. Prenez en compte les éléments suivants :

• Conception centrée sur l’utilisateur : concevez le système de manière à ce qu’il soit intuitif et convivial. Les interfaces complexes peuvent dissuader les utilisateurs : la simplicité et la clarté sont essentielles. Assurez-vous que le système est accessible à tous les utilisateurs.
• Formation : animez des séances de formation complètes et fournissez un soutien continu.
• Boucles de commentaires : établissez des mécanismes de commentaires où les utilisateurs peuvent signaler les inexactitudes, qui peuvent ensuite être utilisées pour affiner et améliorer les modèles.
• Transparence et confiance : assurez-vous que les utilisateurs savent qu’ils utilisent une charge de travail qui inclut des fonctionnalités d’IA générative. Expliquez clairement pourquoi une solution d’IA a été choisie, comment elle a été conçue, et comment elle est surveillée et mise à jour.
• Gestion du changement : alignez le changement sur la culture et les valeurs de l’organisation afin d’assurer une large acceptation et un large soutien.

Risques et mesures d’atténuation

Les préoccupations en matière de confidentialité des données, les biais potentiels dans les réponses de l’IA et les défaillances techniques sont des risques potentiels. Il est essentiel de garantir la confidentialité des données, d’autant plus que la charge de travail de l’application intelligente peut traiter des données sensibles.

Lors de la planification d’une charge de travail d’application intelligente, tenez compte des risques suivants et mettez en œuvre des stratégies d’atténuation efficaces :

• Confidentialité des données : protégez les données sensibles utilisées et générées par les modèles IA. Mettez en œuvre le chiffrement, les contrôles d’accès et des audits de sécurité réguliers. Assurez-vous que la charge de travail est conforme aux normes réglementaires en vigueur, telles que RGPD ou HIPAA, afin de protéger la vie privée et les données des utilisateurs.

• Biais dans les réponses de l’IA : utilisez des ensembles de données diversifiés et représentatifs pour entraîner des modèles IA. Auditez et testez régulièrement les modèles pour détecter les biais.

• Défaillances techniques : concevez une infrastructure robuste et évolutive avec des mécanismes de redondance et de basculement. Mettez en œuvre des sauvegardes régulières et des plans de reprise après sinistre.

• Menaces à la sécurité : utilisez des mesures de sécurité avancées telles que l’authentification multifacteur, les systèmes de détection des intrusions et les audits de sécurité réguliers. Maintenez les logiciels et les systèmes à jour pour vous protéger contre les vulnérabilités.

• Préoccupations éthiques : établissez des lignes directrices éthiques et des cadres de gouvernance clairs pour l’utilisation de l’IA. Assurez la transparence des opérations d’IA et maintenez une approche humaine dans la boucle pour les décisions critiques.

• Problèmes de conformité et de réglementation : restez informé des réglementations pertinentes et assurez-vous que les systèmes d’IA sont conformes à toutes les exigences légales. Effectuer des audits de conformité réguliers et mettre à jour les politiques au besoin.

Étapes suivantes

Commencez par passer en revue les principes de conception.