このドキュメントは、Microsoft Power Platform を使用したインテリジェント アプリケーション ワークロードの計画、開発、保守に関する実用的なガイダンスを提供します。 このガイダンスは、Power Platform Well-Architected のベストプラクティスを技術的な基礎とし、顧客の展開から得られた経験にも基づいています。
このガイダンスは、主にワークロード所有者、技術関係者、ビジネス関係者など、インテリジェントなアプリケーション ワークロードの設計、構築、維持に不可欠なロールを担うすべての人を対象としています。
チップ
信頼性、セキュリティ、卓越した運用性、パフォーマンス効率、エクスペリエンス最適化の観点からワークロードを評価するには、Power Platform Well-Architected 評価を実施します。
インテリジェント アプリケーション ワークロードとは
Power Platform Well-Architected のコンテキストでは、ワークロードという用語を使用して、アプリケーション リソース、データ、サポートするインフラストラクチャの集合を表し、それらが連携して望ましいビジネス成果を実現します。 ワークロードは、アプリケーションとテクノロジのコンポーネントと、動作、開発、および運用プロセスで構成されます。
インテリジェントなアプリケーション ワークロードは、Power Platform に基づいて構築され、Power Platform の機能を適用して、生成 AI モデルを統合および使用し、ビジネス プロセスを自動化して強化します。
生成 AI は、大規模言語モデル (LLM) を使用して独自のコンテンツを生成し、自然言語の理解と応答を提供する人工知能テクノロジーです。 人工知能 (AI) プレイブックでは、生成 AI について詳しく解説しています。
一般的な課題は何ですか?
Power Platform 上に構築されたインテリジェント アプリケーション ワークロードの開発は複雑です。 課題には次が含まれます:
- データの品質と可用性: 生成 AI モデルには、大量の高品質なデータが必要です。 データがクリーンで、適切に構造化され、アクセス可能であることを確認すると、複雑さが増します。
- 既存のシステムとの統合: 生成 AI を既存の IT インフラやビジネス プロセスとシームレスに統合することは、リソース集約的で技術的に困難な場合があります。
- 倫理的とコンプライアンスの問題: 倫理的懸念に対処し、法的および規制基準への準拠を確保することが不可欠です。 データプライバシーの管理、AIモデルのバイアスの回避、透明性の維持は、ナビゲートすべき問題のほんの一部です。
- スキルと専門知識: 生成 AI ソリューションの開発と管理には、専門的なスキルが必要です。 多くの場合、組織は従業員のトレーニングに投資したり、必要な専門知識を持つ新しい人材を採用したりする必要があります。
- コストとリソースの割り当て: 生成 AI の実装にはコストがかかる場合があります。 組織は、リソースを慎重に管理し、規模を拡大する前に、小規模で影響力の大きいパイロット プロジェクトから始めて、価値を実証する必要があります。
- セキュリティ上の懸念: AI システムのセキュリティを確保することは非常に重要であり、機密データを侵害から保護するだけでなく、AI モデルやインフラの潜在的な脆弱性から保護することも含まれます。
- ユーザー インターフェイスの設計: 特にユーザーを圧倒することなく、AI の能力を活用した直感的でユーザー フレンドリーなインターフェースをデザインすることは困難です。
これらの課題に対処するには、綿密な計画、さまざまなチーム間のコラボレーション、AI をビジネス プロセスに統合するための戦略的アプローチが必要です。
Well-Architected アプローチ
特定の信頼性、セキュリティ、オペレーショナル エクセレンス、パフォーマンス効率、エクスペリエンス最適化の目標を達成するように、適切に設計されたワークロードを構築することをお勧めします。 ユーザー エクスペリエンスを向上させ、一貫性と信頼性を実現するには、インテリジェントなアプリケーション ワークロードに合わせて調整されたアーキテクチャの原則とガイドラインに従います。
Power Platform Well-Architected を構成する柱は、モジュール化の導入、ロールの分離、業務生産性の向上を支援します。 適切に設計されたアプローチを使用して、不必要な複雑さやコストをかけずにワークロードを作成します。
各柱がインテリジェントなアプリケーションのワークロードをどのように改善できるかについては、インテリジェントなアプリケーションのワークロードの設計原則を参照してください。
技術的および運用上の実現可能性を評価する
Power Platform を使用してインテリジェント アプリケーション ワークロードの開発を開始する前に、技術的および運用上の実現可能性を評価し、リスクと緩和策を特定してください。
また、生成 AI 機能がビジネス ニーズを満たし、コストを削減する場合は、これらの機能を使用するように現在のワークロードを更新することも検討してください。 アプリケーションの目的、平均寿命、サポート性、コスト、サービス レベル アグリーメント (SLA) に基づいて最新化を検討します。
技術的な実現可能性
技術的な実現可能性には、データの可用性と品質、統合要件、および技術的な複雑さに関する課題の評価が含まれます。
データの可用性と品質
高品質のデータにより、インテリジェントなアプリケーションワークロードの一貫性と精度が保証されます。 実現可能性評価の一環として、以下を検討してください:
- データソース: 社内データベース、外部 API、サードパーティのデータセットなど、潜在的なデータソースをすべて特定し、カタログ化します。 これらのソースが信頼性が高く、アクセス可能であることを確認してください。
- データサイロ化: 現在のプロセスでスプレッドシートなどの異なるデータ ソースが使用されているかどうかを特定します。 この異種データをAIシステムに統合することは、課題となる可能性がありますが、正確な応答を提供するために不可欠な場合があります。
- データの量と種類: 利用可能なデータの量と種類を評価します。 生成 AIモデルが効果的に機能するには、通常、大規模で多様なデータセットが必要です。 データ ソースが、モデルのトレーニングと検証に十分な量と多様性を提供することを確認します。
- データ クリーニング: データク リーニングを実行して、重複の削除、エラーの修正、欠落値の処理を行います。 このステップは、AI モデルに入力されるデータが正確で信頼できるものであることを保証するために重要です。
- データ変換: 生データを AI モデルのトレーニングに適した形式に変換します。 このプロセスには、正規化、スケーリング、カテゴリー変数のエンコードなどが含まれます。
- データの検証とテスト: データを定期的に検証、テストして、必要な品質基準を満たしていることを確認します。
統合の要件
簡単な統合により、インテリジェントなアプリケーションワークロードのリアルタイムのデータアクセスと更新が容易になります。 実現可能性評価の一環として、以下を検討してください:
- 既存のインフラストラクチャ: 生成 AI モデルと現在のインフラストラクチャとの互換性を評価します。 たとえば、簡単に統合できる堅牢な API があるかどうかを判断します。
- 統合点: インテリジェント アプリケーションのワークロードを必要なデータ ソースと統合する方法を特定します。 たとえば、コネクタまたは API が使用可能かどうかを判断します。
技術的複雑さの課題
正確な応答は、適切に設計されたインテリジェントなアプリケーション ワークロードに依存します。 実現可能性評価の一環として、インテリジェント ワークロードによって提供される応答の信頼性と精度を評価します。 生成された応答を最適化、監視、改善する方法を検討します。 技術的な複雑さの課題には、インテリジェントなアプリケーション ワークロードの実装と維持を成功させるために、技術的な専門知識、堅牢なインフラストラクチャ、継続的な管理を組み合わせる必要があります。 詳細については、インテリジェント アプリケーション ワークロードの信頼性の設計原則を参照してください。
運用の実現可能性
運用の実現可能性には、リソースの可用性、ユーザーの採用、リスク、および軽減戦略の評価が含まれます。
リソースの空き時間
インテリジェント アプリケーション ワークロードが成功するかどうかは、AI に重点を置いたセンター オブ エクセレンス (CoE) に支えられた専用の予算とチーム リソースの可用性にかかっています。 次の点について検討してください。
- スキル評価: チーム メンバーのスキルを評価し、トレーニングや雇用によって対処できるギャップを特定します。
- ロール割り当て: 役割と責任を明確に定義し、各メンバーが自分の仕事とプロジェクトの成功への貢献度を理解できるようにします。
- トレーニングと能力開発: チームを最新の AI 技術や方法論にアップデートするため、継続的なトレーニングや開発に投資します。
- コストの見積もり: ライセンス費用、ソフトウェアやクラウドサービスの費用、人件費など、詳細なコスト見積もりから始めます。 このような見積もりは、現実的な予算の基礎を形成します。
ユーザー採用
インテリジェント・アプリケーション・ワークロードが成功するかどうかは、ユーザーがシステムに慣れているかどうかにかかっています。 次の点について検討してください。
- ユーザー中心の設計: 直感的でユーザー フレンドリーなシステムを設計します。 複雑なインターフェースはユーザーを躊躇させる可能性があるため、シンプルさと明瞭さが重要です。 すべてのユーザーがシステムにアクセスできることを確認します。
- トレーニング:包括的なトレーニングセッションを促進し、継続的なサポートを提供します。
- フィードバック ループ: ユーザーが不正確さを報告できるフィードバック メカニズムを確立してください、そしてそれを使用してモデルを改良および改善してください。
- 透明性と信頼性: ユーザーが、生成 AI 機能を含むワークロードを使用していることを認識できるようにします。 AI ソリューションが選択された理由、設計方法、監視と更新の方法を明確に伝えます。
- 変更管理: 変更を組織の文化や価値観に合わせ、幅広い受け入れとサポートを確保します。
リスクと軽減策
データプライバシーの懸念、AIの応答における潜在的なバイアス、および技術的なエラーや不具合は、潜在的なリスクです。 データのプライバシーを確保することは、特にインテリジェントなアプリケーションのワークロードが機密データを処理する可能性があるため、非常に重要です。
インテリジェント アプリケーション ワークロードを計画するときは、次のリスクに対処し、効果的な軽減戦略を実装します。
データ プライバシー: AI モデルによって使用、生成される機密データを保護します。 暗号化、アクセス制御、定期的なセキュリティ監査を実装します。 ワークロードが GDPR や HIPAA などの関連する規制標準に準拠して、ユーザーのプライバシーとデータを保護します。
AI 応答のバイアス: 多様な代表的なデータセットを使用して AI モデルをトレーニングします。 モデルに偏りがないか定期的に監査およびテストします。
技術的な失敗: 冗長性とフェイルオーバーのメカニズムを備えた堅牢でスケーラブルなインフラストラクチャを設計します。 定期的なバックアップとディザスタリカバリ計画を実装します。
セキュリティの脅威: 多要素認証、侵入検知システム、定期的なセキュリティ監査など、高度なセキュリティ対策を採用します。 脆弱性から保護するために、ソフトウェアとシステムを最新の状態に保ちます。
倫理的な懸念: AI の使用に関する明確な倫理ガイドラインとガバナンスの枠組みを確立します。 AI運用の透明性を確保し、重要な意思決定のためのヒューマン・イン・ザ・ループ・アプローチを維持します。
コンプライアンスと規制の問題: 関連する規制について常に情報を入手し、AI システムがすべての法的要件に準拠していることを確認します。 定期的にコンプライアンス監査を実施し、必要に応じてポリシーを更新します。
次の手順
まず、設計の原則を確認します。