AI-munkaterhelésekhez kapcsolódó csapatok perszónái
Az AI-számítási feladatok létrehozásával összefüggésben a hagyományos kódtelepítéssel ellentétben a nemdeterminisztikus modellek iteratív kísérletezést és együttműködést igényelnek több szerepkör és csapat között. A műveletek, az alkalmazásfejlesztés és az adatcsoportok korai integrációja elengedhetetlen a kölcsönös megértés elősegítése érdekében. Ez az együttműködés változatos készségeket és folyamatos tanulást igényel, hogy lépést tartson a technológiai fejlődéssel.
A hatékony együttműködés eszközök, folyamatok és emberek integrálásán alapul, és a számítási feladatok igényei és meghatározott célok vezérlik. Az ajánlott stratégiák a következők:
- Egyértelmű szerepkörök és elszámoltathatóság kialakítása.
- A csapat megfelelő feladatokhoz szükséges képességkészletének kihasználása.
- Folyamatok és alfolyamatok szabványosítása, például a közös teendőlista részeként végzett munka nyomon követése.
- Az automatizálásra támaszkodva konzisztenciát és reprodukálhatóságot érhet el.
A personas hatékony eszköz lehet ezeknek a stratégiáknak a megvalósítására és a felelősségek szabványosítására. Ez a cikk az AI-számítási feladatok személyeit és a számítási feladatok tervezésében nyújtott előnyöket ismerteti. Példákat és eszközöket is kínál ezeknek a csapatszintű személyeknek a hatékony meghatározásához és használatához.
Mik azok a personák?
A personák olyan emberek és folyamatok részhalmazait jelölik, amelyek a számítási feladatok létrehozásában és működtetésében vesznek részt. A személyek mind a szerepköröket, mind az egyének és folyamatok valódi viselkedését és elszámoltathatóságát rögzítik. Egy személy egy vagy több személyiséget testesíthet meg a körülménytől függően. Egy személynek nem kell személynek lennie. Felügyelet nélküli folyamat is lehet, például az architektúra ügynökfolyamata.
Előfordulhat, hogy a számítási feladat olyan felhasználói személyeket tartalmaz, amelyek a funkciófejlesztést hajtják. Ezek a személyek nem tartoznak a cikk hatókörébe.
A szerepkörökkel ellentétben, amelyek viszonylag statikus függvények vagy a szervezeten belüli pozíciók, a személyiségek dinamikusak és célorientáltak. Felhasználhatók a képességi követelmények folyamatokra és eszközökre, például az architekturális összetevőkre való leképezésére. A személyek elsősorban a felelősség hatókörének meghatározásában és a környezet projekten belüli beállításában segítenek. Számos egyéb előnyt is biztosítanak, például:
- Erőforráshiányok azonosítása. A hiányosságok azonosítása segít eldönteni, hogy erőforrásokat toboroz vagy tanít be, vagy újratervezi a megoldást. Ha a számítási feladatokért felelős csapat nem rendelkezik olyan személyekkel, akik megfelelnek a szükséges személyeknek, előfordulhat, hogy módosítania kell az architektúrát, módosítania kell a folyamatot, vagy új személyzetet kell felvennie. Ha például hiányzik egy vezető adatelemzési személy, újratervezheti az architektúrát úgy, hogy az általános célú szoftverekre mint szolgáltatásra (SaaS) vonatkozó AI-megoldásokra támaszkodjon, vagy nem Microsoft AI-megoldásokat foglaljon magában.
- Továbbfejlesztett készségek. A személyiségek adott architekturális összetevőkhöz való leképezése szintén megkönnyíti az oktatási lehetőségeket, például a munkameneteket és az online kurzusokat a készségek fejlesztéséhez.
- A megfelelő hozzáférési szintek biztosítása. Személyek használatával meg kell határozni a biztonsági és hozzáférési igényeket azáltal, hogy a személyeket leképezzük a folyamatokra, architektúrákra és szolgáltatásokra. Ez a leképezés segít a megfelelő hozzáférési szintek biztosításában.
- Projekttervezés és -kommunikáció elősegítése. A projekttervezés során a személyek segítenek azonosítani a kulcsfontosságú interakciókat, hogy megkönnyítsék a szinkronizálási értekezletek beállítását és az általános tervezést. A személyek általában integrálva vannak a felhasználói történetek, funkciók és követelmények nyomon követésének hierarchiájába a projektfelügyelet egyszerűsítése érdekében.
Személyek definiálása
Azonosítsa a csapattagok specializációit, és igazítsa őket az AI-műveletek vagy -tervezés megfelelő szerepköreihez. Sablon létrehozása a személyek képzettségi elvárásainak, csapatinformációinak és azoknak a folyamatoknak a dokumentálásához, amelyekbe bevonják őket.
Íme egy példa alapkonfigurációs sablonra:
| Persona-sablon |
|---|
|
🔹Persona neve: [Név] 🔹csapat: [A személyért felelős csapat] 🔹Elsődleges interakció: [Más csapatok, amelyekkel a személy kapcsolatba lép] 🔹Összetevő-hozzáférés: [Folyamatok és rendszerösszetevők biztonsági és hozzáférési követelményei] 🔹Folyamatok: [Folyamatok, amelyekért a személy felelős vagy közreműködik] 🔹Készségek: [A feladatok elvégzéséhez szükséges készségek, beleértve a tartomány- és technológiai sajátosságokat, például a modell betanítását vagy a keresési index optimalizálását] |
Eszközök
A táblák segítségével rendszerezheti és megjelenítheti az egyes személyek adatait. Ennek a módszernek az egyik előnye, hogy létrehozhat és összekapcsolhat más táblákat, amelyek pontosabb információkat nyújtanak. Összekapcsolhatja például az architektúra összetevőit egy másik táblával, ahol identitásalapú hozzáférés-vezérlés van megadva az egyes szolgáltatásokhoz és környezetekhez (Dev, Stage, Production).
Üzlet. Ha túl kevés személy van, az megnehezítheti a szerepköralapú hozzáférés-vezérlés megvalósítását a legkevésbé kiemelt hozzáféréssel, és hatékonyan oszthatja el a munkahelyi feladatokat. Ezzel szemben, ha túl sok személy van, azzal felügyeleti többletterhelést okoz. Az 5 és 10 személy közötti kezdés jó egyensúly, és csak a műveletekhez szükséges személyiségeket szabad hozzáadnia.
A személyazonosság meghatározásához kártyákat is használhat. Ezek a kártyák ugyanazokat az információkat tartalmazzák, mint a táblázat, vagy egy gyors összefoglalást. A kártyák létrehozásához használhatja a PowerPointot, vagy létrehozhat markdown-fájlokat.
Bizonyos esetekben az eszközök kombinációját is használhatja. A persona kártyán lévő architektúra-összetevők például megnyithatnak egy Markdown-fájlt, amely egy olyan táblát tartalmaz, amely az egyes szolgáltatások és környezetek biztonsági és szerepköralapú hozzáférés-vezérlését térképezi le. Példaként lásd: MLOps-gyorsító: Identity RBAC.
Példaszemélyek
Kártyákkal meghatározhatja azokat a szolgáltatásokat, amelyekre egy személynek képesnek kell lennie egy folyamaton belül, és felvázolhatja az egyes személyekhez szükséges készségeket (akár személyről, akár ügynökről van szó).
Fontos
Bár az itt definiált személyek alapkonfigurációként szolgálnak, javasoljuk, hogy hozzon létre saját személyiségeket olyan eszközökkel, mint a táblázatok, a persona sablonkártyák és a grafikonok.
Fontos, hogy ezek a személyek igazodjanak a folyamatokhoz, a szervezethez és a felhasználókhoz.
| AI adatmérnök (P001) |
|---|
| Csapat: Adatbetöltési csapat 🔹 Elsődleges interakció: AI fejlesztői csapat 🔹 Összetevő-hozzáférés: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage 🔹 Folyamatok: DataOps, ETL, ELT 🔹 Készségek: SQL, Python, PySpark |
| BI-elemző (P003) |
|---|
| Csapat: Elemzési csapat 🔹 Elsődleges interakció: Adatbetöltési csapat 🔹 összetevő-hozzáférés: Power BI, Azure Data Explorer, Azure Storage 🔹 folyamatok: Adatelemzés, adattárház 🔹 Készségek: SQL, Python, PySpark |
| Diszkriminatív AI-adattudós (P004) |
|---|
| Csapat: AI-csapat 🔹 Elsődleges interakció: Adatbetöltési csapat, DevOps-csapat 🔹 összetevő-hozzáférés: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault 🔹 Folyamatok: MLOps, MLflow 🔹 Készségek: Azure Machine Learning, Python, Modelltanítás |
| GenAI adattudós (P006) |
|---|
| Csapat: AI-csapat 🔹 Elsődleges interakció: Adatbetöltési csapat, DevOps-csapat 🔹 Összetevő-hozzáférés: Azure AI Foundry Portál, Azure OpenAI Szolgáltatás, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Folyamatok: GenAIOps 🔹 készségek: Azure Machine Learning, Python, modellismeret (LLM, SLM), finomhangolás, RAG, ügynöki koncepció |
| GenAI Chat Developer (P007) |
|---|
| Csapat: Mérnöki csapat 🔹 Elsődleges interakció: AI-csapat 🔹 Összetevő-hozzáférés: Azure Web Apps, Azure API Management, Azure Cosmos DB, Azure Container Apps, Azure Functions 🔹 folyamatok: DevOps, eseményvezérelt feldolgozás, mikroszolgáltatások 🔹 Készségek: Webalkalmazás-architektúra (előtér-/háttérrendszer), React, Node.js, HTML, CSS |
| MLOps ügynöke építéshez (P009) |
|---|
| Csapat: Mérnöki csapat 🔹 Elsődleges interakció: AI-csapat 🔹 Összetevő-hozzáférés: Azure Machine Learning, Azure DevOps, GitHub 🔹 folyamatok: Lambda feldolgozása és kiszolgálása, külső hurok MLOps 🔹 Készségek: Python, Pyspark |
Használati eset: Personas for AI-folyamatok
Ezeket a fő folyamatokat az AI-számítási feladatokban használják:
- A DataOps az adatok betöltése és előkészítése.
- Az MLOps a gépi tanulási modellek üzembe helyezése.
- A GenAIOps a meglévő modellek felderítése és kiértékelése, valamint ezeknek a modelleknek a számítási feladatok környezetbe történő finomítása.
- A belső hurok a megoldások tökéletesítése a fejlesztési környezetben, akár kutatás közben, akár a külső hurok monitorozása által kiváltva.
- A külső hurok a megoldások átmozgatása a fejlesztési szakaszból a termelési szakaszba. Ez a hurok folyamatos monitorozást és kiértékelést használ a szükséges fejlesztések azonosításához.
Az adott folyamatokhoz tartozó személyek leképezése kontextust biztosít az egyes személyek számára. Ez a lépés segít azonosítani azokat a folyamatokat, amelyekben egy személynek szüksége lehet továbbképzésre.
A képen a DataOps, az MLOps és a GenAIOps munkafolyamata látható egy éles környezetben. Az adatok a betöltéstől a modell üzembe helyezéséig és kiértékelésig áramlik. A munkafolyamat folyamatos integrációs és folyamatos kézbesítési (CI/CD) eljárásokat használ. A fő feladatok közé tartozik az adatmodellek finomítása, a kötegek kiértékelése, a végpontok üzembe helyezése, a modellek valós idejű kiértékelése és a modellek finomhangolása. A példaszemélyek részt vesznek a teljes munkafolyamatban.
Használati eset: Personas architektúratervezéshez
A folyamatok a támogató architektúrához való csatlakoztatásával azonosíthatja azokat a szolgáltatásokat, amelyekkel a személynek kapcsolatba kell lépnie, és kiemelheti a lehetséges továbbképzési területeket.
A kapcsolat megjelenítéséhez hozzon létre egy grafikus képet, amely bemutatja az architektúra-összetevők csatlakoztatását. Ez a vizuális segédeszköz bemutatja az adatfolyamokat és a szolgáltatások közötti interakciókat, valamint azt, hogy a folyamatok hogyan automatizálhatók az üzembe helyezés során. Segít az érdekelt feleknek megérteni az architektúrát és a benne lévő különböző személyiségek szerepkörét.
Az alábbi képen egy Lambda-architektúra látható az Azure modern elemzéséhez.
Következő lépés
Ezután lépjen az értékelési eszközre a terv kiértékeléséhez.