Sdílet prostřednictvím


Metodologie návrhu pro úlohy AI v Azure

Návrh úloh AI zahrnuje integraci kódu a dat za účelem nahrazení deterministického chování, což umožňuje úlohy, jako jsou predikce, klasifikace a další funkční cíle. Architektura úloh AI může být často složitá a musí být navržena v rámci obchodních omezení. I když dobře navržená architektura poskytuje solidní základ pro vynikající architekturu, měly by se také zvážit principy návrhu specifické pro AI.

Tento článek představuje navrženou metodologii návrhu zaměřenou na tyto principy AI, které systematicky řídí návrh a optimalizaci řešení. Pokud si nejste jistí při rozhodování, vraťte se k této metodologii a zvýrazněte směr návrhu prostřednictvím principů umělé inteligence vysoké úrovně. Pokud navrhujete funkci nebo zavádíte vylepšení, vyhodnoťte změnu z hlediska metodologie. Týká se to bezpečného uživatelského prostředí? Je dostatečně flexibilní, aby se přizpůsobila budoucím inovacím? Naruší tok experimentování? Další výhodou metodologie je spolupráce s vlastníky produktů a zúčastněnými stranami k odůvodnění technických rozhodnutí.

Návrh s experimentálním myšlením

Navrhování s experimentálními cíli myšlení dosahuje relevance prostřednictvím iterativních a statisticky řízených procesů založených na reálných případech použití.

Experimentování v AI zahrnuje průběžné úpravy s měřitelnými výsledky oproti cílům kvality po každé iteraci. Během počátečního vyhodnocení modelu a průběžného upřesnění je nutná smyčka experimentování. Vnitřní smyčka vylepšuje prediktivní výkon modelu ve vývojovém prostředí, zatímco vnější smyčka monitoruje využití produkce a může aktivovat další upřesnění nebo přípravu dat. Obě smyčky se spoléhají na průběžné monitorování a vyhodnocování k identifikaci vylepšení.

Ne každý experiment je úspěšný. Vezměte v úvahu scénáře nejhorších případů a mají plány nepředvídaných událostí pro neúspěšné experimenty.

Zodpovědně navrhovat

Když uživatelé komunikují s vaším systémem AI, důvěřují svým etickým funkcím i přes neprůspěšnou logiku modelů AI. Tento vztah důvěryhodnosti vám odpovídá za návrh systému, aby se zabránilo neetickému chování, jako je manipulace, toxicita obsahu, porušení IP adres a zpracování odpovědí. Zodpovědná umělá inteligence by měla být vložena nejen do operací systémů, ale také do kultury týmu. Postupy se musí rozšířit po celý životní cyklus interakce uživatelů – od počátečního záměru uživatele používat systém, během relací a dokonce i během přerušení způsobených systémovými chybami.

Con režim stanu ration je klíčovou strategií při zodpovědném návrhu generující umělé inteligence, kde se požadavky a odpovědi v reálném čase vyhodnocují, aby se zajistila bezpečnost a vhodnost. V rámci experimentačních smyček se snažte, aby algoritmy byly spravedlivé a inkluzivní, aby se minimalizovaly předsudky. Předsudky mohou vstoupit do systému prostřednictvím různých kanálů, včetně během skutečných relací nebo při shromažďování zpětné vazby.

Etická správa dat je ústředním cílem zodpovědného návrhu, včetně pečlivého rozhodování o tom, kdy je použít nebo se vyhnout spoléhat na uživatelská data. Uživatelé vám důvěřují, abyste měli jistotu, že všechny osobní údaje se ze systému odeberou nebo se zachovají jenom s jejich souhlasem. Pokud je uchovávání nevyhnutelné, ujistěte se, že jsou data chráněná důvěryhodnou technologií pro ochranu osobních údajů a zabezpečení.

Návrh pro vysvětlení

Výsledky modelu AI musí být vysvětlitelné, vyžadují odůvodnění a trasování původu dat, procesy odvozování a cestu dat ze zdroje do obsluhy. U nerozlišující umělé inteligence je možné rozhodnutí ospravedlnit jednotlivými kroky, zatímco vysvětlitelnost v generačních modelech může být složitá. Dokumentování rozhodovacího procesu, a to jak ručně, tak prostřednictvím technických schopností, je nezbytné.

Cílem tohoto principu je zajistit transparentnost a odpovědnost systému za získání důvěry uživatelů.

Zůstaňte před rozpadem modelu

Rozklad modelu je jedinečná výzva v AI, která výrazně ovlivňuje rozhodnutí o návrhu. Kvalita výstupů modelu AI se může v průběhu času zhoršovat bez jakýchkoli změn kódu, někdy i náhle, kvůli změnám dat nebo externích faktorů.

Toto zhoršení ovlivňuje různé aspekty systému. To zahrnuje rychlost příjmu dat, kvalitu dat, potřeby monitorování, procesy vyhodnocení a doby reakce, aby se opravily problémy. Včasné zjišťování se doporučuje prostřednictvím kombinace automatizovaných procesů pro průběžné monitorování a vyhodnocování modelů. Zpětná vazba uživatelů je také efektivní metodou identifikace rozpadu modelu.

Bez ohledu na signály používané k identifikaci rozpadu modelu musí provozní tým zapojit datové vědce, aby mohli rychle zkoumat a řešit potenciální problémy s rozpadem.

Návrh pro přizpůsobení

AI postupuje rychlým tempem z hlediska technologického pokroku a přijetí. Mějte na paměti, že to, co dnes vytváříte, se může rychle stát zastaralým, což má vliv na rozhodnutí a procesy návrhu.

Tento princip zdůrazňuje potřebu flexibility a flexibility a uznává, že některé komponenty mohou mít kratší životnost. Přijměte přístup k pozastavení a myšlení, kde je klíčový důkladný výzkum zjišťování modelů, programovacích knihoven a architektur a technologií zpracování.

Další krok

Seznamte se s principy návrhu pro sestavování a provoz úloh AI v Azure.