Metodología de diseño para cargas de trabajo de IA en Azure
Al diseñar cargas de trabajo de IA, el código y los datos que integra reemplazan el comportamiento determinista. Este cambio facilita tareas como la predicción, la clasificación y otros objetivos funcionales. La arquitectura de la carga de trabajo de IA a menudo puede ser compleja y debe alinearse con las restricciones empresariales. Azure Well-Architected Framework proporciona una base sólida para la excelencia arquitectónica, pero también debe tener en cuenta los principios de diseño específicos de la inteligencia artificial.
En este artículo se presenta una metodología de diseño basada en principios de inteligencia artificial. Los principios de inteligencia artificial guían sistemáticamente el diseño y la optimización de las soluciones. Otra ventaja de la metodología es la colaboración con los propietarios de productos y las partes interesadas para justificar decisiones técnicas. Si necesita ayuda para tomar decisiones, consulte esta metodología para ajustar la dirección de diseño con principios de inteligencia artificial de alto nivel.
Si diseña una funcionalidad o introduce una mejora, evalúe el cambio desde la perspectiva de la metodología. ¿El cambio afecta a la experiencia del usuario? ¿Su cambio es lo suficientemente flexible como para adaptarse a las innovaciones futuras? ¿Interrumpe el flujo de experimentación?
Diseño con una mentalidad experimental
Diseñe con una mentalidad experimental para que pueda lograr relevancia a través de procesos iterativos y basados en estadísticas basados en casos de uso reales.
La experimentación en IA implica ajustes continuos con resultados que se pueden medir en función de los objetivos de calidad después de cada iteración. Realice un bucle de experimentación durante la evaluación inicial del modelo y el refinamiento continuo. El bucle interno refina la potencia predictiva de un modelo en un entorno de desarrollo. El bucle externo supervisa el uso de producción y puede desencadenar más refinamiento o preparación de datos. Ambos bucles se basan en la supervisión y evaluación continuas para identificar mejoras.
No todos los experimentos se realizan correctamente. Tenga en cuenta los peores escenarios y tenga planes de contingencia para experimentos con errores.
Diseño responsable
Cuando los usuarios interactúan con el sistema de inteligencia artificial, depositan su confianza en su funcionalidad ética, incluso si no comprenden la lógica subyacente y la toma de decisiones del modelo de IA. Esta confianza le hace responsable del diseño de un sistema que impide comportamientos no éticos, como la manipulación, la toxicidad del contenido, la infracción de ip y las respuestas fabricadas. Debe insertar principios de inteligencia artificial responsables en las operaciones de los sistemas y en la cultura de su equipo. Las prácticas deben extenderse durante todo el ciclo de vida de la interacción del usuario, desde la intención inicial de los usuarios para usar el sistema, durante las sesiones e incluso durante las interrupciones causadas por errores del sistema.
La moderación de contenido es una estrategia clave en el diseño responsable de la inteligencia artificial generativa. La moderación de contenido evalúa las solicitudes y respuestas en tiempo real para ayudar a garantizar la seguridad y la idoneidad. Como parte de los bucles de experimentación, intente hacer que los algoritmos sean justos e inclusivos para minimizar el sesgo. El sesgo puede entrar en el sistema a través de varios canales, incluidos durante sesiones reales o cuando se recopilan comentarios.
La administración de datos éticos es fundamental para el diseño responsable. Tome decisiones informadas sobre cuándo usar o evitar confiar en los datos de usuario. Los usuarios confían en usted para asegurarse de que la información personal se quita del sistema o solo se conserva con su consentimiento. Si la retención es inevitable, asegúrese de usar la tecnología de confianza para proteger los datos, lo que ayuda a garantizar la privacidad y la seguridad.
Diseño para la explicación
Los resultados del modelo de IA deben ser explicables y justificables. Debe poder realizar un seguimiento de los orígenes de los datos, los procesos de inferencia y el recorrido de los datos desde su origen hasta la capa de servicio. En la inteligencia artificial discriminativa, las decisiones se pueden justificar con cada paso. En los modelos generativos, la explicación puede ser compleja. Documente el proceso de toma de decisiones, tanto manualmente como a través de funcionalidades técnicas.
Los resultados explicables ayudan a garantizar la transparencia y la responsabilidad del sistema para obtener la confianza de los usuarios.
Mantenerse al día de la descomposición del modelo
La descomposición del modelo es un desafío único en la inteligencia artificial que afecta a las decisiones de diseño. La calidad de las salidas del modelo de IA puede deteriorarse con el tiempo sin cambios en el código. A veces, el deterioro puede incluso producirse repentinamente debido a cambios en los datos o factores externos.
Este deterioro afecta a diversos aspectos del sistema. Estos aspectos incluyen la velocidad de ingesta de datos, la calidad de los datos, las necesidades de supervisión, los procesos de evaluación y los tiempos de reacción para corregir los problemas. Implemente la detección temprana a través de una combinación de procesos automatizados para la supervisión continua y la evaluación del modelo. Aproveche los comentarios del usuario para ayudar a identificar la degradación del modelo.
Independientemente de los métodos que use para identificar la degradación del modelo, el equipo de operaciones debe involucrar a los científicos de datos para investigar rápidamente y solucionar posibles problemas de descomposición.
Diseño para la adaptación
La inteligencia artificial avanza a un ritmo rápido en términos de avance tecnológico y adopción. Tenga en cuenta que lo que cree hoy podría quedar obsoleto rápidamente. Tenga en cuenta esta consideración al tomar decisiones de diseño y crear procesos.
El avance en la inteligencia artificial hace hincapié en la necesidad de agilidad y flexibilidad. Reconocer que algunos componentes pueden tener una duración limitada. Adopte un enfoque de pausa para reflexionar que se centre en la investigación del descubrimiento de modelos, las bibliotecas y marcos de programación, y las tecnologías de procesamiento.
Paso siguiente
Obtenga información sobre los principios de diseño para crear y operar cargas de trabajo de inteligencia artificial en Azure.