Metodologie návrhu pro úlohy AI v Azure
Při návrhu úloh AI nahrazuje kód a data, která integrujete, deterministické chování. Tento posun usnadňuje úkoly, jako jsou predikce, klasifikace a další funkční cíle. Architektura úloh AI může být často složitá a musí být v souladu s obchodními omezeními. Architektura Azure Well-Architected poskytuje solidní základ pro vynikající architekturu, ale měli byste také zvážit principy návrhu specifické pro AI.
Tento článek představuje metodologii návrhu založenou na principech AI. Principy AI systematicky řídí návrh a optimalizaci řešení. Další výhodou metodologie je spolupráce s vlastníky produktů a zúčastněnými stranami k odůvodnění technických rozhodnutí. Pokud potřebujete pomoc s rozhodováním, vraťte se k této metodologii a sladit směr návrhu s principy umělé inteligence vysoké úrovně.
Pokud navrhujete schopnost nebo zavádíte vylepšení, vyhodnoťte změnu z hlediska metodologie. Má vaše změna vliv na uživatelské prostředí? Je vaše změna dostatečně flexibilní, aby se přizpůsobila budoucím inovacím? Naruší tok experimentování?
Návrh s experimentálním myšlením
Návrh s experimentálním myšlením, abyste mohli dosáhnout relevance prostřednictvím iterativních a statisticky řízených procesů na základě případů použití z reálného světa.
Experimentování v AI zahrnuje průběžné úpravy s výsledky, které můžete měřit proti cílům kvality po každé iteraci. Proveďte experimentální smyčku během počátečního vyhodnocení modelu a průběžného doladění. Vnitřní smyčka vylepší prediktivní výkon modelu ve vývojovém prostředí. Vnější smyčka monitoruje provozní využití 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. Zvažte nejhorší scénáře a připravte si plány pro případ neúspěchu experimentů.
Zodpovědně navrhovat
Když uživatelé pracují s vaším systémem AI, vkládají svou důvěru do jeho etické funkčnosti, i když nerozumí základní logice a rozhodování modelu AI. Tato důvěra vás zavazuje k návrhu systému, který brání neetickému chování, jako je manipulace, toxicita obsahu, porušování duševního vlastnictví a vymyšlené odpovědi. Zodpovědné principy AI byste měli vložit do provozu systémů a do kultury vašeho týmu. Postupy musí být rozšířeny po celý životní cyklus interakce uživatelů – od počátečního záměru uživatele používat systém, během relací a dokonce i během přerušení způsobených systémovými chybami.
Moderování obsahu je klíčovou strategií zodpovědného návrhu generující umělé inteligence. Moderování obsahu vyhodnocuje požadavky a odpovědi v reálném čase, 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 shromáždění zpětné vazby.
Etické řízení dat je ústředním cílem zodpovědného návrhu. Informovaná rozhodnutí o tom, kdy použít nebo se vyhnout spoléhání na uživatelská data. Uživatelé vám důvěřují, abyste zajistili, že se osobní údaje buď odeberou ze systému, nebo se zachovají jenom s jejich souhlasem. Pokud je uchovávání nevyhnutelné, ujistěte se, že používáte důvěryhodnou technologii k ochraně dat, což pomáhá zajistit ochranu osobních údajů a zabezpečení.
Návrh pro vysvětlení
Výsledky modelu AI musí být vysvětlitelné a odůvodnitelné. Měli byste být schopni trasování původu dat, procesů odvozování a cesty dat ze zdroje do obsluhy. U nerozlišující umělé inteligence je možné rozhodnutí odůvodnit jednotlivými kroky. V generativních modelech může být vysvětlitelnost složitá. Zdokumentujte rozhodovací proces ručně i prostřednictvím technických možností.
Vysvětlitelné výsledky pomáhají zajistit transparentnost a odpovědnost systému za získání důvěry uživatelů.
Zůstaňte před rozpadem modelu
Rozklad modelu je jedinečná výzva v AI, která ovlivňuje rozhodnutí o návrhu. Kvalita výstupů modelu AI může v průběhu času zhoršovat bez jakýchkoli změn kódu. Někdy může dojít ke zhoršení dokonce náhle kvůli změnám dat nebo externích faktorů.
Toto zhoršení ovlivňuje různé aspekty systému. Mezi tyto aspekty patří rychlost příjmu dat, kvalita dat, potřeby monitorování, procesy vyhodnocení a doby reakce, aby se opravily problémy. Implementujte včasné zjišťování prostřednictvím kombinace automatizovaných procesů pro průběžné monitorování a vyhodnocování modelů. Využijte zpětnou vazbu uživatelů, která pomáhá identifikovat rozpad modelu.
Bez ohledu na metody, které používáte k identifikaci rozpadu modelu, musí provozní tým zapojit datové vědce, aby mohli okamžitě zkoumat a řešit potenciální problémy s rozpadem.
Návrh pro přizpůsobení
AI postupuje rychlým tempem z hlediska technologického pokroku a přijetí. Buďte si vědomi toho, že to, co dnes vytváříte, může rychle zastarat. Tuto skutečnost zvažte při rozhodování o návrhu a vytváření procesů.
Rozvoj umělé inteligence zdůrazňuje potřebu flexibility a flexibility. Uvědomte si, že některé komponenty můžou mít omezenou životnost. Osvojte si přístup založený na pozastavení a myšlení, který se zaměřuje na 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.