Persona tim beban kerja untuk beban kerja AI
Dalam konteks membangun beban kerja AI, berbeda dengan penyebaran kode tradisional, model nondeterministik memerlukan eksperimen dan kolaborasi berulang di beberapa peran dan tim. Integrasi awal operasi, pengembangan aplikasi, dan tim data sangat penting untuk menumbuhkan pemahaman bersama. Kolaborasi ini menuntut beragam keterampilan dan pembelajaran berkelanjutan untuk mengimbangi kemajuan teknologi.
Kolaborasi yang efektif bergantung pada dengan mengintegrasikan alat, proses, dan orang serta didorong oleh kebutuhan beban kerja dan tujuan tertentu. Strategi yang direkomendasikan meliputi:
- Menetapkan peran dan akuntabilitas yang jelas.
- Memanfaatkan keahlian tim Anda untuk tugas yang tepat.
- Menstandarkan proses dan subproses, seperti melacak pekerjaan sebagai bagian dari backlog bersama.
- Mengandalkan otomatisasi untuk mencapai konsistensi dan reproduktifitas.
Persona dapat menjadi alat yang efektif untuk mewujudkan strategi tersebut dan menstandarkan tanggung jawab. Artikel ini menjelaskan persona untuk beban kerja AI dan manfaatnya dalam desain beban kerja. Ini juga menyediakan contoh dan alat untuk menentukan dan menggunakan persona tingkat tim ini secara efektif.
Apa itu persona?
Persona mewakili subset manusia dan proses yang terlibat dalam pembuatan dan pengoperasian beban kerja. Berbagai persona mencerminkan berbagai peran, perilaku nyata, serta akuntabilitas dari individu-individu dan berbagai proses ini. Seseorang dapat mewujudkan satu atau beberapa persona, tergantung pada konteks. Persona tidak harus menjadi seseorang. Ini juga bisa menjadi proses tanpa pengawas, seperti proses agen dalam arsitektur.
Beban kerja Anda mungkin memiliki persona pengguna yang mendorong pengembangan fitur. Persona tersebut tidak berada dalam cakupan untuk artikel ini.
Tidak seperti peran, yang merupakan fungsi atau posisi yang relatif statis dalam organisasi, persona berorientasi dinamis dan berorientasi pada tujuan. Mereka dapat digunakan untuk memetakan persyaratan keterampilan ke proses dan alat, seperti komponen arsitektur. Persona terutama membantu menentukan cakupan tanggung jawab dan menetapkan konteks dalam proyek. Mereka memberikan beberapa manfaat lain, seperti:
- Identifikasi kesenjangan sumber daya. Mengidentifikasi kesenjangan membantu Anda memutuskan apakah akan merekrut atau melatih sumber daya atau mendesain ulang solusi. Jika tim beban kerja Anda tidak memiliki individu yang sesuai dengan persona yang diperlukan, Anda mungkin perlu menyesuaikan arsitektur, memodifikasi proses, atau onboarding personel baru. Misalnya, jika persona ilmu data senior hilang, Anda dapat mendesain ulang arsitektur untuk lebih mengandalkan solusi AI perangkat lunak tujuan umum sebagai layanan (SaaS) atau menggabungkan solusi AI non-Microsoft.
- Keterampilan yang ditingkatkan. Memetakan persona ke komponen arsitektur tertentu juga memfasilitasi peluang pendidikan, seperti sesi dan kursus online untuk meningkatkan keterampilan.
- Memastikan tingkat akses yang sesuai. Anda harus menggunakan persona untuk menentukan kebutuhan keamanan dan akses dengan memetakan persona ke proses, arsitektur, dan layanan. Pemetaan ini membantu memastikan tingkat akses yang sesuai.
- Memfasilitasi perencanaan dan komunikasi proyek. Dalam perencanaan proyek, persona membantu mengidentifikasi interaksi utama untuk memfasilitasi penyiapan rapat sinkronisasi dan perencanaan keseluruhan. Biasanya, persona diintegrasikan ke dalam hierarki pelacakan cerita, fitur, dan persyaratan pengguna untuk menyederhanakan manajemen proyek.
Cara menentukan persona
Identifikasi spesialisasi anggota tim Anda dan selaraskan dengan peran yang sesuai dalam operasi atau desain AI Anda. Buat templat untuk mendokumen ekspektasi keterampilan persona, informasi tim, dan proses di mana mereka akan terlibat.
Berikut adalah contoh templat garis besar:
| Templat persona |
|---|
| nama Persona 🔹: [Nama] tim 🔹: [Tim yang bertanggung jawab atas persona] 🔹Interaksi utama: [Tim lain yang berinteraksi dengan persona tersebut] 🔹Akses komponen: [Persyaratan keamanan dan akses untuk proses dan komponen sistem] 🔹Proses: [Memproses persona bertanggung jawab atau berkontribusi pada] 🔹Skills: [Keterampilan yang diperlukan untuk menyelesaikan tugas, termasuk domain dan teknologi khusus seperti pelatihan model atau pengoptimalan indeks pencarian] |
Alat
Anda dapat menggunakan tabel untuk menata dan memvisualisasikan informasi untuk setiap persona. Salah satu keuntungan dari metode ini adalah Anda dapat membuat dan menautkan ke tabel lain yang memberikan informasi yang lebih spesifik. Misalnya, Anda dapat menautkan komponen arsitektur ke tabel lain di mana kontrol akses berbasis identitas ditentukan untuk setiap layanan dan lingkungan (Dev, Stage, Production).
Tradeoff. Memiliki terlalu sedikit persona dapat menyulitkan penerapan kontrol akses berbasis peran dengan akses dengan hak istimewa paling sedikit dan untuk mendistribusikan tanggung jawab kerja secara efektif. Sebaliknya, memiliki terlalu banyak persona menambahkan overhead manajemen. Dimulai dengan antara 5 dan 10 persona adalah keseimbangan yang baik, dan Anda hanya boleh menambahkan persona yang diperlukan untuk operasi Anda.
Anda juga dapat menggunakan kartu untuk menentukan persona. Kartu-kartu ini berisi informasi yang sama dengan tabel, atau ringkasan cepat. Anda bisa menggunakan PowerPoint atau membuat sekumpulan file Markdown untuk membuat kartu ini.
Dalam kasus tertentu, Anda dapat menggunakan kombinasi alat. Misalnya, setiap komponen arsitektur dalam kartu persona dapat membuka file Markdown yang menyertakan tabel yang memetakan keamanan dan kontrol akses berbasis peran untuk setiap layanan dan lingkungan. Misalnya, lihat akselerator MLOps : Identity RBACini.
Contoh persona
Anda dapat menggunakan kartu untuk menentukan layanan yang diperlukan persona untuk dapat mengakses dalam proses dan menguraikan keterampilan yang diperlukan untuk setiap persona (baik itu seseorang atau agen).
Penting
Meskipun persona yang didefinisikan di sini berfungsi sebagai contoh garis besar, kami sarankan Anda membuat persona Anda sendiri dengan menggunakan alat seperti tabel, kartu templat persona, dan grafik.
Penting bahwa persona ini selaras dengan proses, organisasi, dan pengguna Anda.
| Insinyur Data AI (P001) |
|---|
| Tim: Tim Penyerapan Data 🔹 Interaksi utama: Tim Pengembangan AI 🔹 Akses komponen: Azure Data Factory, Azure Databricks, Azure SQL Database, Azure Storage 🔹 Proses: DataOps, ETL, ELT 🔹 Keterampilan: SQL, Python, PySpark |
| Analis BI (P003) |
|---|
| Tim: Tim Analitik 🔹 Interaksi utama: Tim Penyerapan Data 🔹 Akses komponen: Power BI, Azure Data Explorer, Azure Storage proses 🔹: Analisis data, pergudangan data 🔹 Keterampilan: SQL, Python, PySpark |
| Ilmuwan Data AI Diskriminatif (P004) |
|---|
| Tim: Tim AI 🔹 Interaksi utama: Tim Penyerapan Data, Tim DevOps 🔹 Akses komponen: Azure Machine Learning, Azure Databricks, Azure Storage, Azure Key Vault 🔹 Proses: MLOps, MLflow 🔹Keterampilan: Pelatihan Azure Pembelajaran Mesin, Python, Model |
| Ilmuwan Data GenAI (P006) |
|---|
| Tim: Tim AI 🔹 Interaksi utama: Tim Penyerapan Data, Tim DevOps 🔹 Akses komponen: portal Azure AI Foundry, Azure OpenAI Service, Azure AI Search, Azure Storage, Azure Key Vault 🔹 Proses: GenAIOps 🔹 Skills: Azure Machine Learning, Python, pengetahuan model (LLM, SLM), fine-tuning, RAG, dan konsep agen |
| Pengembang Obrolan GenAI (P007) |
|---|
| Tim: Tim Teknik Interaksi Utama 🔹: Tim AI 🔹 Akses komponen: Azure Web Apps, Azure API Management, Azure Cosmos DB, Azure Container Apps, Azure Functions 🔹 Proses: DevOps, pemrosesan berbasis peristiwa, layanan mikro 🔹 Skills: Arsitektur aplikasi web (front end/back end), React, Node.js, HTML, CSS |
| Agen MLOps Build (P009) |
|---|
| Tim: Tim Teknik interaksi utama 🔹: Tim AI 🔹 Akses komponen: Azure Machine Learning, Azure DevOps, GitHub Proses 🔹: Pemrosesan dan penyajian Lambda, MLOps dengan outer loop 🔹 Keterampilan: Python, Pyspark |
Kasus penggunaan: Persona untuk proses AI
Proses utama ini digunakan dalam beban kerja AI:
- DataOps adalah penyerapan dan persiapan data.
- MLOps adalah operasionalisasi model pembelajaran mesin.
- GenAIOps adalah penemuan dan evaluasi model yang ada dan penyempurnaan model ini ke konteks beban kerja.
- Perulangan dalam adalah proses penyempurnaan solusi dalam lingkungan pengembangan, baik selama penelitian atau ketika dipicu oleh pemantauan perulangan luar.
- Outer loop adalah pergerakan solusi dari pengembangan ke produksi. Perulangan ini menggunakan pemantauan dan evaluasi berkelanjutan untuk mengidentifikasi peningkatan yang diperlukan.
Memetakan persona ke proses tersebut memberikan konteks untuk setiap persona. Langkah ini dapat membantu mengidentifikasi proses di mana persona mungkin memerlukan peningkatan keterampilan.
Gambar menunjukkan alur kerja untuk DataOps, MLOps, dan GenAIOps dalam lingkungan produksi. Aliran data dari penyerapan ke penyebaran dan evaluasi model. Alur kerja menggunakan integrasi berkelanjutan dan praktik pengiriman berkelanjutan (CI/CD). Tugas utama termasuk menyempurnakan model data, mengevaluasi batch, menyebarkan titik akhir, mengevaluasi model secara real time, dan menyempurnakan model. Contoh persona berpartisipasi dalam seluruh alur kerja.
Kasus penggunaan: Persona untuk desain arsitektur
Menghubungkan proses ke arsitektur pendukung membantu Anda mengidentifikasi layanan yang dibutuhkan untuk berinteraksi dengan persona dan mencakup area-area untuk potensi peningkatan keterampilan.
Untuk memvisualisasikan koneksi ini, buat gambar grafis yang memperlihatkan bagaimana komponen arsitektur tersambung. Bantuan visual ini dapat mengilustrasikan aliran data dan interaksi antara layanan dan bagaimana alur diotomatisasi dalam penyebaran. Ini membantu pemangku kepentingan memahami arsitektur dan peran persona yang berbeda di dalamnya.
Gambar berikut menunjukkan arsitektur Lambda untuk analitik modern di Azure.
diagram 
Langkah selanjutnya
Selanjutnya, lanjutkan ke alat penilaian untuk mengevaluasi desain Anda.