Metodologia di progettazione per i carichi di lavoro di intelligenza artificiale in Azure
Quando si progettano carichi di lavoro di intelligenza artificiale, il codice e i dati integrati sostituiscono il comportamento deterministico. Questo turno facilita attività come stima, classificazione e altri obiettivi funzionali. L'architettura del carico di lavoro di intelligenza artificiale può spesso essere complessa e deve essere allineata ai vincoli aziendali. Azure Well-Architected Framework offre una solida base per l'eccellenza dell'architettura, ma è consigliabile considerare anche i principi di progettazione specifici dell'intelligenza artificiale.
Questo articolo presenta una metodologia di progettazione basata sui principi di intelligenza artificiale. I principi di intelligenza artificiale guidano sistematicamente la progettazione e l'ottimizzazione delle soluzioni. Un altro vantaggio della metodologia è la collaborazione con i proprietari dei prodotti e gli stakeholder per giustificare le decisioni tecniche. Se hai bisogno di aiuto per prendere decisioni, fare riferimento a questa metodologia per allineare la direzione di progettazione ai principi di intelligenza artificiale di alto livello.
Se si progetta una funzionalità o si introduce un miglioramento, valutare la modifica dal punto di vista della metodologia. La modifica influisce sull'esperienza utente? Il cambiamento è abbastanza flessibile da adattarsi alle innovazioni future? Interrompe il flusso di sperimentazione?
Progettare con una mentalità sperimentale
Progettare con una mentalità sperimentale in modo che sia possibile ottenere la pertinenza tramite processi iterativi e basati statisticamente basati su casi d'uso reali.
La sperimentazione nell'intelligenza artificiale prevede modifiche continue con risultati che è possibile misurare rispetto agli obiettivi di qualità dopo ogni iterazione. Eseguire un ciclo di sperimentazione durante la valutazione iniziale del modello e il perfezionamento continuo. Il ciclo interno affina la potenza predittiva di un modello in un ambiente di sviluppo. Il ciclo esterno monitora l'utilizzo della produzione e può attivare ulteriore perfezionamento o preparazione dei dati. Entrambi i cicli si basano sul monitoraggio continuo e sulla valutazione per identificare i miglioramenti.
Non tutti gli esperimenti hanno esito positivo. Prendere in considerazione scenari peggiori e prevedere piani di emergenza per esperimenti non riusciti.
Progettare in modo responsabile
Quando gli utenti interagiscono con il sistema di intelligenza artificiale, ripongono la loro fiducia nella funzionalità etica, anche se non comprendono la logica e il processo decisionale sottostanti del modello di intelligenza artificiale. Questa fiducia ti rende responsabile della progettazione di un sistema che impedisce comportamenti non etici, come la manipolazione, la tossicità dei contenuti, la violazione della proprietà intellettuale e le risposte fabbricate. È consigliabile incorporare principi di IA responsabili nelle operazioni dei sistemi e nella cultura del team. Le procedure devono estendere tutto il ciclo di vita dell'interazione dell'utente, dalla finalità iniziale degli utenti di usare il sistema, durante le sessioni e anche durante le interruzioni causate da errori di sistema.
La moderazione dei contenuti è una strategia chiave nella progettazione responsabile dell'IA generativa. La moderazione del contenuto valuta le richieste e le risposte in tempo reale per garantire sicurezza e appropriatezza. Come parte dei cicli di sperimentazione, cercare di rendere gli algoritmi equi e inclusivi per ridurre al minimo la distorsione. La distorsione può accedere al sistema tramite vari canali, tra cui durante le sessioni effettive o quando si raccolgono commenti e suggerimenti.
La gestione etica dei dati è fondamentale per la progettazione responsabile. Prendere decisioni informate su quando usare o evitare di basarsi sui dati utente. Gli utenti si affidano a te per garantire che le informazioni personali vengano rimosse dal sistema o mantenute solo con il loro consenso. Se la conservazione è inevitabile, assicurarsi di usare una tecnologia attendibile per proteggere i dati, garantendo così privacy e sicurezza.
Progettazione per la spiegazione
I risultati del modello di intelligenza artificiale devono essere spiegabili e giustificabili. Dovrebbe essere possibile tracciare le origini dei dati, i processi di inferenza e il percorso dei dati dall'origine al livello di servizio. Nell'intelligenza artificiale discriminante, le decisioni possono essere giustificate con ogni passaggio. Nei modelli generativi la spiegazione può essere complessa. Documentare il processo decisionale, sia manualmente che tramite funzionalità tecniche.
I risultati spiegabili consentono di garantire la trasparenza e la responsabilità del sistema per ottenere la fiducia degli utenti.
Rimanere al passo con il decadimento del modello
Il decadimento del modello è una sfida unica nell'intelligenza artificiale che influisce sulle decisioni di progettazione. La qualità degli output del modello di intelligenza artificiale può peggiorare nel tempo senza apportare modifiche al codice. A volte il deterioramento può verificarsi improvvisamente a causa di modifiche nei dati o fattori esterni.
Questo deterioramento influisce su vari aspetti del sistema. Questi aspetti includono velocità di inserimento dati, qualità dei dati, esigenze di monitoraggio, processi di valutazione e tempi di reazione per correggere i problemi. Implementare il rilevamento anticipato tramite una combinazione di processi automatizzati per il monitoraggio continuo e la valutazione del modello. Sfruttare i commenti e i suggerimenti degli utenti per identificare il decadimento del modello.
Indipendentemente dai metodi usati per identificare il decadimento del modello, il team operativo deve coinvolgere i data scientist per cercare tempestivamente e risolvere potenziali problemi di decadimento.
Progettare per adattarsi
L'IA sta avanzando rapidamente in termini di progresso tecnologico e adozione. Sii consapevole che ciò che costruisci oggi potrebbe diventare obsoleto rapidamente. Tenere presente questa considerazione quando prendi decisioni di progettazione e crei processi.
Il progresso dell'IA sottolinea la necessità di agilità e flessibilità . Riconoscere che alcuni componenti potrebbero avere una durata limitata. Adottare un approccio pause-and-think incentrato sulla ricerca per la scoperta di modelli, librerie e framework di programmazione, e tecnologie di elaborazione.
Passaggio successivo
Informazioni sui principi di progettazione per creare e gestire carichi di lavoro di intelligenza artificiale in Azure.