Yapay zeka iş yükleri için iş yükü ekibi kişilikleri

Yapay zeka iş yükleri oluşturma bağlamında, geleneksel kod dağıtımının aksine, belirsiz olmayan modeller birden çok rol ve ekip arasında yinelemeli denemeler ve işbirliği gerektirir. Operasyonların, uygulama geliştirmenin ve veri ekiplerinin erken tümleştirilmesi, karşılıklı anlayışı teşvik etmek için gereklidir. Bu işbirliği, teknolojik gelişmelere ayak uydurmak için çeşitli beceriler ve sürekli öğrenme gerektirir.

Etkili işbirliği, araçları, süreçleri ve kişileri tümleştirmeye bağlıdır ve iş yükü gereksinimleri ile belirli hedefler tarafından yönlendirilir. Önerilen stratejiler şunlardır:

• Net roller ve sorumluluklar oluşturma.
• Uygun görevler için ekibinizin beceri kümesinden yararlanma.
• Paylaşılan kapsamın bir parçası olarak çalışmayı izleme gibi işlemleri ve alt işlemleri standartlaştırma.
• Tutarlılık ve yeniden üretilebilirlik elde etmek için otomasyona güvenme.

Kişilikler, bu stratejilerin gerçekleştirilmesi ve sorumlulukların standartlaştırılması için etkili bir araç olabilir. Bu makalede yapay zeka iş yüklerinin kişilikleri ve iş yükü tasarımındaki avantajları açıklanmaktadır. Ayrıca bu ekip düzeyindeki kişilikleri etkili bir şekilde tanımlamak ve kullanmak için örnekler ve araçlar sağlar.

Kişilikler nedir?

Kişilikler, bir iş yükünün oluşturulması ve çalıştırılmasında yer alan insanların ve işlemlerin alt kümelerini temsil eder. Kişilikler, bu kişilerin ve süreçlerin hem rollerini hem de gerçek davranışlarını ve sorumluluklarını yakalar. Bir kişi, bağlama bağlı olarak bir veya birden çok kişiyi birleştirebilir. Bir persona bir kişi olmak zorunda değildir. Ayrıca, mimarideki aracı işlemi gibi katılımsız bir işlem de olabilir.

İş yükünüz, özellik geliştirmeyi yönlendiren kullanıcı kişiliklerine sahip olabilir. Bu kişiler bu makalenin kapsamında değildir.

Bir kuruluş içindeki nispeten statik işlevler veya konumlar olan rollerden farklı olarak, kişilikler dinamiktir ve hedef odaklıdır. Beceri gereksinimlerini mimari bileşenler gibi süreçler ve araçlarla eşlemek için kullanılabilir. Kişilikler öncelikli olarak sorumluluk kapsamını tanımlamaya ve proje içinde bağlam ayarlamaya yardımcı olur. Aşağıdakiler gibi başka birçok avantaj sağlar:

• Kaynak boşluklarının tanımlanması. Boşlukları belirlemek, kaynakları işe almaya veya eğitmeye ya da çözümü yeniden tasarlamaya karar vermenize yardımcı olur. İş yükü ekibinizde gerekli kişiliklere uyan kişiler yoksa mimariyi ayarlamanız, süreci değiştirmeniz veya yeni personel eklemeniz gerekebilir. Örneğin, üst düzey bir veri bilimi kişisi eksikse mimariyi yeniden tasarlayabilir ve genel amaçlı hizmet olarak yazılım (SaaS) yapay zeka çözümlerine daha fazla güvenebilir veya Microsoft dışı yapay zeka çözümleri ekleyebilirsiniz.
• Gelişmiş beceriler. Kişilikleri belirli mimari bileşenlere eşlemek, becerileri geliştirmek için oturumlar ve çevrimiçi kurslar gibi eğitim fırsatlarını da kolaylaştırır.
• Uygun erişim düzeylerini sağlama. Kişileri süreçlere, mimarilere ve hizmetlere eşleyerek güvenlik ve erişim gereksinimlerini tanımlamak için kişilikleri kullanmalısınız. Bu eşleme, uygun erişim düzeylerinin sağlanmasına yardımcı olur.
• Proje planlama ve iletişimi kolaylaştırma. Proje planlamasında, kullanıcı profilleri, eşitleme toplantılarının ve genel planlamanın düzenlenmesini kolaylaştırmak için önemli etkileşimleri belirlemeye yardımcı olur. Kişilikler, genellikle proje yönetimini kolaylaştırmak amacıyla, kullanıcı hikayeleri, özellikler ve gereksinimlerin takip edilmesi hiyerarşisine entegre edilir.

Kişilikleri tanımlama

Ekip üyelerinizin uzmanlık alanlarını belirleyin ve bunları yapay zeka işlemlerinizde veya tasarımınızda uygun rollerle hizalayın. Kişilerin beceri beklentilerini, ekip bilgilerini ve bunların dahil olacağı süreçleri belgeleyen bir şablon oluşturun.

Aşağıda örnek bir temel şablonu verilmiştir:

Araçlar

Her kişilik için bilgileri düzenlemek ve görselleştirmek için bir tablo kullanabilirsiniz. Bu yöntemin bir avantajı, daha özel bilgiler sağlayan diğer tablolar oluşturup bunlara bağlanabilmenizdir. Örneğin, mimari bileşenlerini, her hizmet ve ortam (Geliştirme, Aşama, Üretim) için kimlik tabanlı erişim denetiminin belirtildiği başka bir tabloya bağlayabilirsiniz.

Tradeoff. Çok az kişi olması, rol tabanlı erişim denetimini en az ayrıcalıklı erişimle uygulamayı ve iş sorumluluklarını etkili bir şekilde dağıtmayı zorlaştırabilir. Buna karşılık, çok fazla kişi olması yönetim yükü ekler. 5 ila 10 kişilikle başlamak iyi bir dengedir ve yalnızca işlemleriniz için gerekli olan kişilikleri eklemeniz gerekir.

Kişilikleri tanımlamak için kartları da kullanabilirsiniz. Bu kartlar tabloyla aynı bilgileri veya hızlı bir özeti içerir. Bu kartları oluşturmak için PowerPoint'i kullanabilir veya bir dizi Markdown dosyası oluşturabilirsiniz.

Bazı durumlarda, araçların bir bileşimini kullanabilirsiniz. Örneğin, bir kişi kartındaki her mimari bileşeni, her hizmet ve ortam için güvenlik ve rol tabanlı erişim denetimini eşleyen bir tablo içeren bir Markdown dosyası açabilir. Örnek için bkz. MLOps hızlandırıcısı: Kimlik RBAC.

Örnek kişilikler

Bir kişinin bir işlem içinde erişebilmesi için ihtiyaç duyduğu hizmetleri tanımlamak ve her kişi için gerekli becerileri (kişi veya temsilci) ana hatlarıyla belirlemek için kartları kullanabilirsiniz.

Kullanım örneği: Yapay zeka işlemleri için kişilikler

Bu ana işlemler yapay zeka iş yüklerinde kullanılır:

• DataOps, verilerin alımı ve hazırlanmasıdır.
• MLOps, makine öğrenmesi modellerinin kullanıma hazır hale getirilmesidir.
• GenAIOps, mevcut modellerin bulunması ve değerlendirilmesi ve bu modellerin iş yükü bağlamı açısından iyileştirilmesidir.
• İç döngü, araştırma sırasında veya dış döngü izleme tarafından tetiklendiği şekilde geliştirme ortamındaki çözümlerin geliştirilmesidir.
• Dış döngü, çözümlerin geliştirmeden üretime taşınmasıdır. Bu döngü, gerekli iyileştirmeleri belirlemek için sürekli izleme ve değerlendirme kullanır.

Bu işlemlere kişi eşlemek, her kişilik için bağlam sağlar. Bu adım, hangi süreçlerde bir personanın becerilerini geliştirmeye ihtiyacı olabileceğini belirlemeye yardımcı olabilir.

Üretim ortamında DataOps, MLOps ve GenAIOps'ı gösteren

Görüntüde üretim ortamında DataOps, MLOps ve GenAIOps iş akışı gösterilmektedir. Veri alımından model dağıtımına ve değerlendirmesine kadar veri akışları. İş akışı sürekli tümleştirme ve sürekli teslim (CI/CD) uygulamalarını kullanır. Temel görevler arasında veri modellerini iyileştirme, toplu işlemleri değerlendirme, uç noktaları dağıtma, modelleri gerçek zamanlı olarak değerlendirme ve modellerde ince ayar yapma yer alır. Örnek kişiler iş akışının tamamına katılır.

Kullanım örneği: Mimari tasarımı için kişilikler

İşlemleri destekleyici mimariye bağlamak, bir kişinin etkileşim kurması gereken hizmetleri belirlemenize ve olası geçiş alanlarını vurgulamanıza yardımcı olur.

Bu bağlantıyı görselleştirmek için mimari bileşenlerinin nasıl bağlandığını gösteren bir grafik görüntüsü oluşturun. Bu görsel yardım, veri akışını ve hizmetler arasındaki etkileşimleri ve dağıtımda akışların nasıl otomatikleştirilmiş olduğunu gösterir. Paydaşların mimariyi ve içindeki farklı kişiliklerin rollerini anlamasına yardımcı olur.

Aşağıdaki görüntüde Azure'da modern analize yönelik bir Lambda mimarisi gösterilmektedir.

Azure'da modern analiz için Lambda mimarisini gösteren

Sonraki adım

Ardından, tasarımınızı değerlendirmek için değerlendirme aracına geçin.