지능형 애플리케이션 워크로드 개요

이 문서에서는 지능형 애플리케이션 워크로드를 계획, 개발 및 유지관리하기 위한 실행 가능한 지침을 제공합니다 Microsoft Power Platform. 이 지침은 Well-Architected 모범 사례에 대한 기술적 기반을 갖추고 있으며, 고객 배포에서 얻은 경험도 참고했습니다. Power Platform

이 지침은 주로 워크로드 소유자, 기술 이해 관계자, 비즈니스 이해 관계자, 즉 지능형 애플리케이션 워크로드를 설계, 구축 및 유지 관리하는 데 중요한 역할을 하는 모든 사람을 대상으로 합니다.

지능형 애플리케이션 워크로드란 무엇인가요?

Power Platform Well-Architected의 맥락에서 워크로드 라는 용어는 원하는 비즈니스 성과를 제공하기 위해 함께 작동하는 애플리케이션 리소스, 데이터, 지원 인프라 및 프로세스의 집합을 설명합니다. 작업 부하에는 애플리케이션 및 기술 구성 요소뿐만 아니라 동작, 개발 및 운영 프로세스도 포함됩니다.

지능형 애플리케이션 워크로드는 비즈니스 프로세스를 자동화하고 향상시키기 위해 생성적 AI 모델을 통합하고 사용하는 기능을 적용합니다. Power Platform Power Platform

생성형 AI는 대규모 언어 모델(LLM)을 이용해 독창적인 콘텐츠를 생성하고 자연어 이해 및 응답을 제공하는 인공 지능 기술입니다. 인공 지능(AI) 플레이북에서 생성형 AI에 대해 자세히 알아보세요.

일반적인 어려움은 무엇인가?

Power Platform 기반으로 지능형 애플리케이션 워크로드를 개발하는 것은 복잡할 수 있습니다. 과제에는 다음이 포함됩니다.

• 데이터 품질 및 가용성: 생성 AI 모델에는 대량의 고품질 데이터가 필요합니다. 데이터가 정리되고, 잘 구성되었으며, 접근이 용이하도록 하면 복잡성이 커집니다.
• 기존 시스템과의 통합: 생성적 AI를 기존 IT 인프라와 비즈니스 프로세스에 원활하게 통합하는 것은 많은 리소스가 필요하고 기술적으로 어려울 수 있습니다.
• 윤리 및 규정 준수 문제: 윤리적 문제를 해결하고 법률 및 규제 기준을 준수하는 것이 필수적입니다. 데이터 개인정보 보호 관리, AI 모델의 편견 방지, 투명성 유지 등은 해결해야 할 문제 중 일부에 불과합니다.
• 기술 및 전문성: 생성적 AI 솔루션을 개발하고 관리하려면 전문 기술이 필요합니다. 조직에서는 종종 직원 교육에 투자하거나 필요한 전문 지식을 갖춘 새로운 인재를 고용해야 합니다.
• 비용 및 리소스 할당: 생성적 AI를 구현하는 데는 비용이 많이 들 수 있습니다. 조직에서는 자원을 신중하게 관리하고, 규모를 확대하기 전에 가치를 입증하기 위해 규모가 작지만 큰 영향을 미치는 시범 프로젝트부터 시작해야 합니다.
• 보안 문제: AI 시스템의 보안을 보장하는 것은 매우 중요하며, 여기에는 민감한 데이터를 침해로부터 보호하고 AI 모델과 인프라의 잠재적 취약성으로부터 보호하는 것이 포함됩니다.
• 사용자 인터페이스 디자인: AI 기능을 활용하는 직관적이고 사용자 친화적인 인터페이스를 디자인하는 것은 특히 사용자에게 부담을 주지 않으면서 디자인하는 것이 어려울 수 있습니다.

이러한 과제를 해결하려면 철저한 계획, 다양한 팀의 협업, 그리고 AI를 비즈니스 프로세스에 통합하는 전략적 접근 방식이 필요합니다.

Well-Architected 접근 방식

잘 설계된 워크로드를 구체적인 안정성, 보안, 운영 우수성, 성능 효율성, 경험 최적화 목표를 충족하도록 구조화하는 것이 좋습니다. 사용자 경험을 향상시키고 일관성과 안정성을 제공하려면 지능형 애플리케이션 워크로드에 맞춰진 아키텍처 원칙과 지침을 따르세요.

Well-Architected의 핵심 원칙은 모듈성을 구현하고, 역할을 분리하고, 운영 생산성을 개선하는 데 도움이 됩니다. Power Platform 불필요한 복잡성과 비용 없이 워크로드를 생성하려면 잘 설계된 접근 방식을 사용하세요.

각 기둥이 지능형 애플리케이션 워크로드를 어떻게 개선할 수 있는지 알아보려면 지능형 애플리케이션 워크로드의 설계 원칙을 참조하세요.

기술적 및 운영적 타당성 평가

Power Platform지능형 애플리케이션 워크로드 개발을 시작하기 전에 기술적, 운영적 실행 가능성을 평가하고 위험과 완화 전략을 파악하세요.

또한, 이러한 기능이 비즈니스 요구 사항을 충족하고 비용을 절감하는 경우 생성적 AI 기능을 사용하도록 현재 워크로드를 업데이트하는 것도 고려할 수 있습니다. 애플리케이션의 목적, 수명 기대, 지원 가능성, 비용, 서비스 수준 계약(SLA)에 따라 현대화를 고려하세요.

기술적 타당성

기술적 실행 가능성에는 데이터의 가용성과 품질, 통합 요구 사항, 기술적 복잡성과 관련된 과제를 평가하는 것이 포함됩니다.

데이터 가용성 및 품질

고품질 데이터는 지능형 애플리케이션 워크로드에 대한 일관성과 정확성을 보장합니다. 실현 가능성을 평가할 때 다음 사항을 고려하세요.

• 데이터 소스: 내부 데이터베이스, 외부 API, 타사 데이터 세트를 포함한 모든 잠재적 데이터 소스를 식별하고 카탈로그화합니다. 이러한 출처가 신뢰할 수 있고 접근 가능한지 확인하세요.
• 데이터 사일로 : 현재 프로세스에서 스프레드시트와 같은 다양한 데이터 소스를 사용하는지 확인합니다. 이러한 다양한 데이터를 AI 시스템에 통합하는 것은 어려울 수 있지만 정확한 응답을 제공하는 데 필수적일 수 있습니다.
• 데이터 양과 다양성 : 사용 가능한 데이터의 양과 종류를 평가합니다. 생성적 AI 모델은 일반적으로 효과적으로 작동하려면 방대하고 다양한 데이터 세트가 필요합니다. 모델을 훈련하고 검증하는 데 필요한 충분한 양과 다양성을 제공하는 데이터 소스가 있는지 확인하세요.
• 데이터 정리 : 중복을 제거하고, 오류를 수정하고, 누락된 값을 처리하기 위해 데이터 정리를 수행합니다. 이 단계는 AI 모델에 입력되는 데이터가 정확하고 신뢰할 수 있는지 확인하는 데 중요합니다.
• 데이터 변환: 원시 데이터를 AI 모델 학습에 적합한 형식으로 변환합니다. 이 과정에는 정규화, 스케일링, 범주형 변수 인코딩이 포함될 수 있습니다.
• 데이터 검증 및 테스트: 정기적으로 데이터를 검증하고 테스트하여 필요한 품질 기준을 충족하는지 확인합니다.

통합 요구 사항

간단한 통합을 통해 지능형 애플리케이션 워크로드에 대한 실시간 데이터 접근과 업데이트가 용이해집니다. 실현 가능성을 평가할 때 다음 사항을 고려하세요.

• 기존 인프라: 생성 AI 모델과 현재 인프라의 호환성을 평가하세요. 예를 들어, 쉽게 통합할 수 있는 견고한 API가 있는지 확인하세요.
• 통합 지점: 지능형 애플리케이션 워크로드가 필요한 데이터 소스와 어떻게 통합될지 파악합니다. 예를 들어, 커넥터나 API를 사용할 수 있는지 확인하세요.

기술적 복잡성 문제

정확한 대응은 잘 설계된 지능형 애플리케이션 워크로드에 달려 있습니다. 실현 가능성 평가의 일환으로 지능형 워크로드가 제공하는 응답의 신뢰성과 정확성을 평가하세요. 생성된 응답을 최적화, 모니터링, 개선하는 방법을 고려해 보세요. 기술적 복잡성 문제를 해결하려면 기술 전문성, 견고한 인프라, 지속적인 관리가 결합되어야 지능형 애플리케이션 워크로드를 성공적으로 구현하고 유지할 수 있습니다. 지능형 애플리케이션 워크로드의 신뢰성 설계 원칙에서 자세히 알아보세요.

운영 가능성

운영적 타당성에는 리소스 가용성, 사용자 채택, 위험과 함께 완화 전략을 평가하는 것이 포함됩니다.

사용 가능한 리소스

지능형 애플리케이션 워크로드의 성공은 AI 중심 우수성 센터(CoE)의 지원을 받는 전담 예산과 팀 리소스의 가용성에 달려 있습니다. 다음을 고려하십시오.

• 기술 평가: 팀원의 기술을 평가하여 교육이나 채용을 통해 해결할 수 있는 차이점을 파악합니다.
• 역할 할당: 각 팀원이 자신의 업무와 프로젝트 성공에 기여하는 방식을 이해하도록 역할과 책임을 명확하게 정의합니다.
• 교육 및 개발: 팀이 최신 AI 기술과 방법론을 습득할 수 있도록 지속적인 교육 및 개발에 투자하세요.
• 비용 추정: 라이선스 비용, 소프트웨어 및 클라우드 서비스 비용, 인건비를 포함한 자세한 비용 추정부터 시작하세요. 이러한 추정은 현실적인 예산을 토대로 이루어집니다.

사용자 채택

지능형 애플리케이션 워크로드의 성공은 사용자가 시스템을 편안하게 사용할 수 있는지에 달려 있습니다. 다음을 고려하십시오.

• 사용자 중심 디자인: 직관적이고 사용자 친화적인 시스템을 설계합니다. 복잡한 인터페이스는 사용자를 단념시킬 수 있으므로 단순성과 명확성이 중요합니다. 모든 사용자가 시스템에 접근할 수 있는지 확인하세요.
• 교육: 포괄적인 교육 세션을 진행하고 지속적인 지원을 제공합니다.
• 피드백 루프: 사용자가 부정확성을 보고할 수 있는 피드백 메커니즘을 설정하여 모델을 정제하고 개선하는 데 사용할 수 있습니다.
• 투명성과 신뢰성: 사용자가 생성적 AI 기능이 포함된 워크로드를 사용하고 있다는 사실을 알 수 있도록 합니다. AI 솔루션을 선택한 이유, 설계 방법, 모니터링 및 업데이트 방법을 명확하게 전달합니다.
• 변화 관리: 광범위한 수용과 지원을 보장하기 위해 변화를 조직의 문화와 가치에 맞게 조정합니다.

위험 및 완화책

데이터 개인정보 보호 문제, AI 대응에 대한 잠재적 편견, 기술적 실패는 잠재적인 위험입니다. 데이터 개인 정보 보호를 보장하는 것은 특히 지능형 애플리케이션 워크로드가 중요한 데이터를 처리할 수 있기 때문에 매우 중요합니다.

지능형 애플리케이션 워크로드를 계획할 때 다음과 같은 위험을 해결하고 효과적인 완화 전략을 구현하세요.

• 데이터 개인정보 보호: AI 모델에서 사용하고 생성하는 민감한 데이터를 보호합니다. 암호화, 액세스 제어 및 정기적인 보안 감사를 구현합니다. GDPR이나 HIPAA 등 관련 규정 표준을 준수하여 사용자의 개인 정보와 데이터를 보호합니다.

• AI 응답의 편향: 다양하고 대표적인 데이터 세트를 사용하여 AI 모델을 훈련합니다. 정기적으로 모델을 감사하고 편향 여부를 테스트합니다.

• 기술적 실패: 중복성과 장애 조치 메커니즘을 갖춘 견고하고 확장 가능한 인프라를 설계합니다. 정기적인 백업과 재해 복구 계획을 구현합니다.

• 보안 위협: 다중 인증 요소, 침입 탐지 시스템, 정기적인 보안 감사와 같은 고급 보안 조치를 채택하세요. 취약점으로부터 보호하기 위해 소프트웨어와 시스템을 최신 상태로 유지하세요.

• 윤리적 문제: AI 사용에 대한 명확한 윤리 지침과 거버넌스 프레임워크를 확립하세요. AI 운영의 투명성을 보장하고 중요한 의사 결정에 있어서는 인간이 참여하는 접근 방식을 유지합니다.

• 규정 준수 및 규제 문제: 관련 규정에 대한 최신 정보를 얻고 AI 시스템이 모든 법적 요구 사항을 준수하는지 확인하세요. 정기적으로 규정 준수 감사를 실시하고 필요에 따라 정책을 업데이트합니다.

다음 단계:

디자인 원칙을 검토하는 것부터 시작해 보세요.