Azure での AI ワークロードの設計手法
AI ワークロードを設計する場合、統合するコードとデータによって決定論的な動作が置き換えられます。 このシフトにより、予測、分類、その他の機能目標などのタスクが容易になります。 多くの場合、AI ワークロード アーキテクチャは複雑になる可能性があり、ビジネス上の制約に合わせる必要があります。 Azure Well-Architected Framework は、アーキテクチャの卓越性のための強固な基盤を提供しますが、AI 固有の設計原則も考慮する必要があります。
この記事では、AI の原則に基づく設計手法について説明します。 AI の原則は、ソリューションの設計と最適化を体系的に導きます。 この手法のもう 1 つの利点は、技術的な意思決定を正当化するために、製品の所有者や利害関係者とのコラボレーションです。 意思決定でサポートが必要な場合はこの方法論を参照して、設計の方向性を高レベルの AI の原則に合わせてください。
機能を設計する場合、または改善点を導入する場合は、方法論の観点から変更を評価します。 変更はユーザー エクスペリエンスに影響しますか? あなたの変化は、将来のイノベーションに適応するのに十分な柔軟性がありますか? 実験フローが中断されますか?
実験的な考え方を使用した設計
実際のユース ケースに基づいて 反復的で統計的に駆動されるプロセスを通じて関連性を
AI での実験には、各イテレーション後に品質目標に対して測定できる結果を継続的に調整する必要があります。 最初のモデル評価と継続的な改良の間に実験ループを実行します。 内部ループは、開発環境でモデルの予測能力を調整します。 外側のループは運用環境の使用状況を監視し、さらに絞り込みやデータ準備をトリガーできます。 どちらのループも継続的な監視と評価に依存して、改善点を特定します。
すべての実験が成功するわけではありません。 最悪のシナリオを検討し、失敗した実験のコンティンジェンシー計画を作成します。
責任を持って設計する
ユーザーが AI システムとやり取りする場合、AI モデルの基になるロジックと意思決定を理解していない場合でも、その倫理的機能に
コンテンツ モデレーションは、ジェネレーティブ AI の責任ある設計における重要な戦略です。 コンテンツ モデレーションは、要求と応答をリアルタイムで評価し、安全性と適切性を確保します。 実験ループの一環として、アルゴリズムを公平かつ包括的にし、バイアスを最小限に抑えるように努めます。 バイアスは、実際のセッション中やフィードバックを収集するときなど、さまざまなチャネルを通じてシステムに入ることができます。
倫理的なデータ管理は、責任ある設計の中心です。 ユーザー データの使用または使用を回避するタイミングについて、情報に基づいた意思決定を行います。 ユーザーは、個人情報がシステムから削除されるか、または同意がある場合にのみ保持されることを保証するために、お客様を信頼します。 保持が避けられない場合は、信頼できるテクノロジを使用してデータを保護し、プライバシーとセキュリティを確保してください。
説明性のための設計
AI モデルの結果は、説明可能で正当である必要があります。 データの原点、推論プロセス、データ のソースからサービス レイヤーへの過程を
説明可能な結果は、ユーザーの信頼を得るためにシステムの透明性と説明責任を確保するのに役立ちます。
モデルの減衰を先取りする
モデルの減衰は、設計上の決定に影響を与える AI における固有の課題です。 AI モデル出力の 品質は、コードを変更することなく、時間の経過と 低下する可能性があります。 データや外部要因の変化により、突然劣化が発生する場合もあります。
この劣化は、システムのさまざまな側面に影響します。 これらの側面には、データ インジェスト速度、データ品質、監視ニーズ、評価プロセス、問題を修正するための反応時間が含まれます。 継続的な監視とモデル評価のための自動化されたプロセスの組み合わせを通じて早期検出を実装します。 ユーザー フィードバックを利用して、モデルの減衰を特定します。
モデルの減衰を特定するために使用する方法に関係なく、運用チームはデータ サイエンティストと連携して、潜在的な減衰の問題を迅速に調査し、対処する必要があります。
適応性のための設計
AI は、技術的な進歩と導入の面で急速なペースで進められています。 現在構築した はすぐに廃止される可能性があることに注意してください。 設計上の決定を行い、プロセスを作成するときは、この考慮事項に留意してください。
AI の進歩は、機敏性と柔軟性の必要性を強調しています。 一部のコンポーネントの有効期間が限られている可能性があることを認識します。 モデルの検出、プログラミング ライブラリとフレームワーク、および処理テクノロジの研究に焦点を当てた、の一時停止と思考の アプローチを採用します。
次のステップ
Azure で AI ワークロードを構築して運用するための設計原則について説明します。