Méthodologie de conception pour les charges de travail IA sur Azure
Lorsque vous concevez des charges de travail IA, le code et les données que vous intégrez remplacent le comportement déterministe. Ce changement facilite les tâches telles que la prédiction, la classification et d’autres objectifs fonctionnels. L’architecture de charge de travail IA peut souvent être complexe et doit s’aligner sur les contraintes métier. Azure Well-Architected Framework fournit une base solide pour l’excellence architecturale, mais vous devez également prendre en compte les principes de conception propres à l’IA.
Cet article présente une méthodologie de conception basée sur les principes de l’IA. Les principes d’IA guident systématiquement la conception et l’optimisation des solutions. Un autre avantage de la méthodologie est la collaboration avec les propriétaires de produits et les parties prenantes pour justifier les décisions techniques. Si vous avez besoin d’aide pour prendre des décisions, reportez-vous à cette méthodologie pour aligner votre orientation de conception avec des principes d’IA de haut niveau.
Si vous concevez une fonctionnalité ou introduisez une amélioration, évaluez le changement du point de vue de la méthodologie. Votre modification affecte-t-elle l’expérience utilisateur ? Votre changement est-il suffisamment flexible pour s’adapter aux innovations futures ? Cela perturbe-t-il le flux d’expérimentation ?
Conception avec un état d’esprit expérimental
Conception avec un état d’esprit expérimental afin que vous puissiez atteindre la pertinence par le biais de processus itératifs et statistiquement pilotés en fonction des cas d’usage réels.
L’expérimentation dans l’IA implique des ajustements continus avec des résultats que vous pouvez mesurer par rapport aux cibles de qualité après chaque itération. Effectuez une boucle d’expérimentation pendant l’évaluation initiale du modèle et l’affinement continu. La boucle interne affine la puissance prédictive d’un modèle dans un environnement de développement. La boucle extérieure contrôle l'utilisation de la production et peut déclencher un raffinement supplémentaire ou une préparation des données. Les deux boucles s’appuient sur la surveillance et l’évaluation continues pour identifier les améliorations.
Toutes les expériences ne réussissent pas. Envisagez les scénarios les plus défavorables et prévoyez des plans d’urgence pour les expériences ayant échoué.
Concevoir de manière responsable
Lorsque les utilisateurs interagissent avec votre système IA, ils placent leur confiance dans ses fonctionnalités éthiques, même s’ils ne comprennent pas la logique sous-jacente et la prise de décision du modèle IA. Cette confiance vous tient responsable de la conception d’un système qui empêche les comportements non éthiques, tels que la manipulation, la toxicité du contenu, l’atteinte aux adresses IP et les réponses fabriquées. Vous devez incorporer des principes d’IA responsables dans les opérations des systèmes et dans la culture de votre équipe. Les pratiques doivent s’étendre tout au long du cycle de vie de l’interaction utilisateur, à partir de l’intention initiale des utilisateurs d’utiliser le système, pendant les sessions et même pendant les interruptions causées par des erreurs système.
La modération du contenu est une stratégie clé dans la conception responsable de l’IA générative. La modération du contenu évalue les demandes et les réponses en temps réel pour garantir la sécurité et la pertinence. Dans le cadre des boucles d’expérimentation, s’efforcez de rendre les algorithmes justes et inclusifs pour minimiser les biais. Le biais peut entrer dans le système par le biais de différents canaux, notamment pendant les sessions réelles ou lorsque vous recueillez des commentaires.
La gestion éthique des données est au cœur de la conception responsable. Prenez des décisions éclairées sur la façon d’utiliser ou d’éviter de vous appuyer sur des données utilisateur. Les utilisateurs vous font confiance pour vous assurer que les informations personnelles sont supprimées du système ou conservées uniquement avec leur consentement. Si la rétention est inévitable, veillez à utiliser la technologie approuvée pour protéger les données, ce qui permet de garantir la confidentialité et la sécurité.
Conception pour l’explication
Les résultats du modèle IA doivent être expliqués et justifiables. Vous devez pouvoir suivre les origines des données, les processus d’inférence et le parcours des données de sa source vers la couche de service. Dans l’IA discriminatoire, les décisions peuvent être justifiées à chaque étape. Dans les modèles génératifs, l’explication peut être complexe. Documentez le processus décisionnel, manuellement et par le biais de fonctionnalités techniques.
Les résultats expliqués permettent de garantir la transparence et la responsabilité du système pour obtenir la confiance des utilisateurs.
Rester à l’avance de la désintégration du modèle
La désintégration du modèle est un défi unique dans l’IA qui affecte les décisions de conception. La qualité des résultats des modèles d'IA peut se détériorer au fil du temps sans qu'aucune modification n'ait été apportée au code. Parfois, la détérioration peut même se produire soudainement en raison de changements dans les données ou les facteurs externes.
Cette détérioration affecte différents aspects du système. Ces aspects incluent la vitesse d’ingestion des données, la qualité des données, les besoins de surveillance, les processus d’évaluation et les temps de réaction pour corriger les problèmes. Implémentez la détection anticipée grâce à une combinaison de processus automatisés pour la surveillance continue et l’évaluation du modèle. Tirez parti des commentaires des utilisateurs pour vous aider à identifier la dégradation du modèle.
Quelles que soient les méthodes que vous utilisez pour identifier la désintégration du modèle, l’équipe des opérations doit impliquer les scientifiques des données pour rechercher rapidement et résoudre les problèmes potentiels de désintégration.
Conception pour l’adaptabilité
L’IA progresse à un rythme rapide en termes d’avancement technologique et d’adoption. N’oubliez pas que ce que vous créez aujourd’hui peut devenir obsolète rapidement. Gardez à l’esprit cette considération lorsque vous prenez des décisions de conception et créez des processus.
L’avancement de l’IA met l’accent sur la nécessité d'agilité et de flexibilité. Reconnaissez que certains composants peuvent avoir une durée de vie limitée. Adoptez une approche pause-and-think qui se concentre sur la découverte de modèles, les bibliothèques de programmation, les cadres, et les technologies de traitement.
Étape suivante
Découvrez les principes de conception pour créer et exploiter des charges de travail IA sur Azure.