Delen via

Inleiding tot het bouwen van generatieve AI-oplossingen voor ontwikkelaars

  • Artikel

Generatieve AI, ingeschakeld door LLM's (Large Language Models), opent spannende nieuwe mogelijkheden voor softwareontwikkelaars en organisaties. Services zoals Azure OpenAI democratiseren AI-ontwikkeling door gebruiksvriendelijke API's aan te bieden, zodat ontwikkelaars van elk vaardigheidsniveau geavanceerde AI-functionaliteit kunnen integreren in hun toepassingen zonder dat hiervoor speciale kennis nodig is of organisaties moeten investeren in hardware.

Als ontwikkelaar van toepassingen kan het lastig zijn om te begrijpen in welke rol u kunt spelen en waar u zich bevindt. Misschien vraagt u zich bijvoorbeeld af op welk niveau in de 'AI-stack' moet u zich richten op uw leerproces? Of u vraagt zich misschien af wat u in staat bent om de bestaande technologieën te bouwen?

Om deze vragen te beantwoorden, is het belangrijk dat u eerst een mentaal model ontwikkelt dat aangeeft hoe alle nieuwe terminologie en technologieën passen in wat u al begrijpt. Het ontwikkelen van een mentaal model helpt u bij het ontwerpen en bouwen van generatieve AI-functies in uw toepassingen. Daarom is het doel van deze reeks artikelen om u te laten zien hoe uw huidige softwareontwikkelingservaring van toepassing is op generatieve AI. De artikelen bieden ook een level-set op trefwoorden en concepten wanneer u begint met het ontwikkelen van uw eerste generatieve AI-oplossingen.

Wat hopen bedrijven te bereiken met generatieve AI?

Om te begrijpen hoe uw huidige softwareontwikkelingservaring van toepassing is op generatieve AI, is het belangrijk om te beginnen door te begrijpen hoe bedrijven hiervan willen profiteren.

Bedrijven zien generatieve AI als een middel om klantbetrokkenheid te verbeteren, operationele efficiëntie te verhogen en probleemoplossing en creativiteit te verbeteren. Het integreren van generatieve AI in bestaande systemen biedt bedrijven de mogelijkheid om hun software-ecosystemen te verbeteren. Het kan een aanvulling vormen op traditionele softwarefuncties met geavanceerde AI-mogelijkheden, zoals persoonlijke aanbevelingen voor gebruikers of een intelligente agent die organisatie- of productspecifieke vragen kan beantwoorden.

Hier volgen enkele veelvoorkomende scenario's waarbij generatieve AI bedrijven kan helpen:

  • Inhoudsgeneratie
    • Tekst, code, afbeeldingen en geluid genereren. Dit kan handig zijn voor marketing, verkoop, IT, interne communicatie en meer.
  • Verwerking van natuurlijke taal
    • Stel zakelijke communicatie op of verbeter deze via suggesties of volledige generatie van berichten.
    • "Chatten met uw gegevens", of met andere woorden, zodat een gebruiker vragen kan stellen in een chat-ervaring met behulp van gegevens die zijn opgeslagen in databases of in documenten als basis voor antwoorden.
    • Samenvatting, organisatie en vereenvoudiging van grote inhoudsteksten om de inhoud toegankelijker te maken.
    • 'Semantisch zoeken' of liever, zodat gebruikers documenten en gegevens kunnen doorzoeken zonder exacte trefwoordovereenkomsten te gebruiken.
    • Taal vertalen om het bereik en de toegankelijkheid van inhoud te vergroten.
  • Gegevensanalyse
    • Analyseer markten en identificeer trends in gegevens.
    • Modelleer 'what if'-scenario's om bedrijven te helpen bij het plannen van mogelijke wijzigingen of uitdagingen op elk gebied van het bedrijf.
    • Analyseer code om verbeteringen voor te stellen, fouten op te lossen en documentatie te genereren.

Zoals u kunt zien, hebben softwareontwikkelaars de mogelijkheid om hun impact aanzienlijk te vergroten door generatieve AI-toepassingen en -functionaliteit te integreren in de software waarop hun organisaties vertrouwen.

Hoe bouwt u deze soorten toepassingen?

Terwijl het LLM (Large Language Model) het zware werk doet, bouwt u systemen die de resultaten integreren, organiseren en bewaken. Hoewel er veel te leren is, kunt u de vaardigheden toepassen die u al kent:

  • Aanroepen naar API's maken met REST, JSON of taalspecifieke Software Development Kits (SDK's)
  • Aanroepen naar API's organiseren en bedrijfslogica uitvoeren
  • Opslaan naar en ophalen uit gegevensarchieven
  • Invoer en resultaten integreren in de gebruikerservaring
  • API's maken die kunnen worden aangeroepen vanuit LLM's

Op deze manier bouwt het ontwikkelen van generatieve AI-oplossingen voort op uw bestaande vaardigheden.

Welke hulpprogramma's en services zijn beschikbaar?

Microsoft investeert in het ontwikkelen van hulpprogramma's, services, API's, voorbeelden en leerbronnen om u te helpen bij het beginnen met uw ontwikkeltraject voor AI. Elk geeft een belangrijke zorg of verantwoordelijkheid aan die nodig zijn om een generatieve AI-oplossing te bouwen. Als u een bepaalde service, API of resource effectief wilt gebruiken, zorgt de uitdaging ervoor dat u het volgende doet:

  • Inzicht krijgen in de typische functies, rollen en verantwoordelijkheden in een bepaald type generatieve AI-functie? Als we bijvoorbeeld uitvoerig bespreken in conceptuele artikelen waarin chatsystemen op basis van RAG (Retrieval-Augmented Generation) worden beschreven, zijn er veel verantwoordelijkheden voor architectuur in het systeem. Het is belangrijk dat u het probleemdomein en de beperkingen intiem begrijpt voordat u een systeem ontwerpt waarmee het probleem wordt opgelost.
  • Inzicht in de API's, services en hulpprogramma's voor een bepaalde functie, rol of verantwoordelijkheid? Nu u het probleemdomein en de beperkingen begrijpt, kunt u ervoor kiezen om dat aspect van het systeem zelf te bouwen met aangepaste code of bestaande hulpprogramma's voor weinig code/geen code te gebruiken of API's aan te roepen voor bestaande services.
  • Krijg inzicht in de opties, waaronder codegerichte en no-code /low-code-oplossingen. Je kunt alles zelf bouwen, maar is dat een efficiënt gebruik van je tijd en vaardigheid? Afhankelijk van uw vereisten kunt u meestal een combinatie van technologieën en benaderingen samenvoegen (code, no-code, low-code, tools).

Het punt hier is dat er geen enkele juiste manier is om generatieve AI-functies in uw toepassingen te bouwen. Er bestaan veel hulpprogramma's en benaderingen. Het is belangrijk om de afwegingen te evalueren.

Beginnen met een focus op de toepassingslaag

U hoeft niet alles te begrijpen over generatieve AI-werken om aan de slag te gaan en productief te zijn. Zoals eerder vermeld, weet u waarschijnlijk al genoeg omdat u API's kunt gebruiken en bestaande vaardigheden kunt toepassen.

U hoeft bijvoorbeeld uw eigen LLM helemaal zelf niet te trainen. Het trainen van een LLM vergt tijd en middelen die de meeste bedrijven niet willen doorvoeren. In plaats daarvan bouwt u voort op bestaande vooraf getrainde basismodellen, zoals GPT-4, door API-aanroepen uit te voeren naar bestaande gehoste services, zoals de Azure OpenAI-API. Op deze manier is het toevoegen van generatieve AI-functies aan een bestaande toepassing niet anders dan het toevoegen van andere functionaliteit op basis van een API-aanroep.

Onderzoek hoe LLM's worden getraind of hoe ze werken, kunnen uw intellectuele nieuwsgierigheid bevredigen, maar echt begrijpen hoe LLM's werken, vergen grondige kennis van gegevenswetenschap en de wiskundige achtergrond om dit te ondersteunen. Dit kan bestaan uit cursussen op diplomaniveau over statistieken, waarschijnlijkheden en informatietheorie.

Als u afkomstig bent van een computerwetenschapsachtergrond, kunt u waarderen dat de meeste toepassingsontwikkeling plaatsvindt op een "hogere laag in de stapel van onderzoek en technologieën". Mogelijk hebt u enig inzicht in elke laag, maar u bent waarschijnlijk gespecialiseerd in de laag voor toepassingsontwikkeling, met een focus op een specifieke programmeertaal en platform (beschikbare API's, hulpprogramma's, patronen, enzovoort).

Hetzelfde geldt voor het veld AI. U kunt de theorie begrijpen en waarderen die ingaat op het bouwen van LLM's, maar u richt zich waarschijnlijk op de toepassingslaag of helpt bij het implementeren van patronen of processen om een generatieve AI-inspanning in uw bedrijf mogelijk te maken.

Hier volgt een te vereenvoudigde weergave van de kennislagen die nodig zijn voor het implementeren van generatieve AI-functies in een nieuwe of bestaande toepassing:

Diagram van kennislagen. Onderaan een vak met de woorden fundamentele gegevenswetenschap, kunstmatig intelligent onderzoek, statistieken en waarschijnlijkheidstheorie. Het volgende niveau omhoog, de woorden die grote taalmodellen trainen. Het volgende niveau omhoog, het bouwen van services, hulpprogramma's en het ontwikkelen van API's. En op het hoogste niveau, toepassingslaag, patronen en processen.

Op het laagste niveau hebt u gegevenswetenschappers die data science-onderzoek doen om AI op te lossen of te verbeteren op basis van een diep wiskundig begrip van statistieken, waarschijnlijkheidstheorie, enzovoort. Eén laag omhoog, op basis van de laagste basislaag, hebt u gegevenswetenschappers die theoretische concepten implementeren in LLM's, de neurale netwerken bouwen en de gewichten en vooroordelen trainen om een praktisch stukje software te bieden dat invoer (prompts) kan accepteren en resultaten (voltooiingen) kan genereren. Het rekenproces voor het opstellen van voltooiingen op basis van prompts wordt deductie genoemd. Er zijn degenen die verantwoordelijk zijn voor het implementeren van de wijze waarop de neuronen van het neurale netwerk het volgende woord of pixel voorspellen dat moet worden gegenereerd.

Gezien de hoeveelheid verwerkingskracht die nodig is om modellen te trainen en resultaten te genereren op basis van een invoer. De modellen worden vaak getraind en gehost in grote datacenters. Het is mogelijk om een model op een lokale computer te trainen of hosten, maar de resultaten zijn vaak traag (zonder toegewezen GPU-videokaarten om de rekenkracht af te handelen die nodig is om resultaten te genereren).

Wanneer deze worden gehost in grote datacenters, wordt programmatische toegang tot deze modellen geboden via REST API's. Deze worden soms 'verpakt' door SDK's en beschikbaar voor ontwikkelaars van toepassingen voor gebruiksgemak. Andere hulpprogramma's kunnen helpen de ontwikkelaarservaring te verbeteren, waarneembaarheid of andere hulpprogramma's te bieden. Toepassingsontwikkelaars kunnen aanroepen naar deze API's uitvoeren om bedrijfsfunctionaliteit te implementeren.

Naast het vragen aan de modellen programmatisch zijn er patronen en processen die opkomen om bedrijven te helpen betrouwbare bedrijfsfunctionaliteit te bouwen op basis van generatieve AI. Er zijn bijvoorbeeld patronen opkomen om bedrijven te helpen ervoor te zorgen dat de gegenereerde tekst, code, afbeeldingen en geluid voldoen aan ethische en veiligheidsnormen, evenals toezeggingen voor de privacy van de gegevens van klanten.

Als u in deze stapel problemen of lagen bent die verantwoordelijk is voor het bouwen van bedrijfsfunctionaliteit, kunt u uw eigen LLM ontwikkelen en trainen buiten de toepassingslaag. Maar dit begripsniveau vereist een nieuwe set vaardigheden die vaak alleen academisch beschikbaar zijn. Als u zich niet kunt inzetten voor het ontwikkelen van competenties in data science, om de 'volgende laag omlaag in de stack' te bouwen (om te spreken), kunt u zich richten op onderwerpen over toepassingslagen, zoals:

  • Inzicht in beschikbare API's en SDK's, wat er beschikbaar is, wat de verschillende eindpunten produceren, enzovoort.
  • Informatie over gerelateerde hulpprogramma's en services om u te helpen bij het bouwen van alle functies die nodig zijn voor een generatieve AI-oplossing die gereed is voor productie.
  • Informatie over promptengineering, zoals hoe u de beste resultaten kunt bereiken door vragen te stellen of te herformuleren.
  • Inzicht in waar knelpunten ontstaan en hoe u een oplossing kunt schalen. Inzicht in wat betrokken is bij het vastleggen van logboekregistratie of het verkrijgen van telemetrie zonder dat de privacyproblemen van klanten worden geschonden.
  • Inzicht in de kenmerken van de verschillende LLM's (hun sterke punten, use cases, wat zijn de benchmarks en wat ze meten, belangrijke differentiaties tussen leveranciers en modellen die door elke leverancier worden geproduceerd, enzovoort) om het juiste model te kiezen voor de behoeften van uw bedrijf.
  • Inzicht in de nieuwste patronen, werkstromen en processen die worden gebruikt om effectieve en tolerante AI-functies in uw toepassingen te bouwen.

Beschikbare services en hulpprogramma's van Microsoft

Er zijn weinig code en no-code generatieve AI-hulpprogramma's en -services beschikbaar van Microsoft om u te helpen bij het bouwen van een deel of uw hele oplossing. Verschillende Azure-services kunnen draaitabelrollen spelen, die elk bijdragen aan de efficiëntie, schaalbaarheid en robuustheid van de oplossing:

API en SDK's voor codegerichte benadering

Het hart van elke generatieve AI-oplossing is een LLM-model en Azure OpenAI biedt toegang tot alle functies die beschikbaar zijn in modellen zoals GPT-4.

Product Beschrijving
Azure OpenAI Een gehoste service die toegang biedt tot krachtige taalmodellen, zoals GPT-4. Er zijn verschillende API's waarmee u alle typische functies van een LLM kunt uitvoeren, zoals het maken van insluitingen, het maken van een chatervaring, enzovoort, met volledige toegang tot instellingen en aanpassingen om de resultaten naar behoefte aan te passen.

Uitvoeringsomgevingen

Omdat u bedrijfslogica, presentatielogica of API's bouwt om generatieve AI te integreren in de toepassingen van uw organisatie, moet u die logica hosten en uitvoeren.

Product Beschrijving
Azure-app Service (of een van de verschillende cloudservices op basis van containers) Dit platform kan de webinterfaces of API's hosten waarmee gebruikers communiceren met het RAG-chatsysteem. Het biedt ondersteuning voor snelle ontwikkeling, implementatie en schaalaanpassing van webtoepassingen, waardoor het eenvoudiger is om de front-endonderdelen van het systeem te beheren.
Azure Functions Gebruik serverloze rekenkracht om gebeurtenisgestuurde taken in het RAG-chatsysteem af te handelen. Gebruik deze bijvoorbeeld om processen voor het ophalen van gegevens te activeren, gebruikersquery's te verwerken of achtergrondtaken af te handelen, zoals gegevenssynchronisatie en opschoning. Het biedt een modulaire, schaalbare benadering voor het bouwen van de back-end van het systeem.

Weinig code/ geen code

Een deel van de logica die door de oplossing is vereist, kan ook snel worden gebouwd en betrouwbaar worden gehost door oplossingen met weinig code of geen code.

Product Beschrijving
Azure AI Studio Azure AI Studio kan worden gebruikt voor het trainen, testen en implementeren van aangepaste machine learning-modellen die het RAG-chatsysteem kunnen verbeteren. Gebruik bijvoorbeeld Azure AI Studio om het genereren van reacties aan te passen of de relevantie van opgehaalde gegevens te verbeteren.

Vectordatabase

Bepaalde generatieve AI-oplossingen vereisen mogelijk opslag en het ophalen van gegevens die worden gebruikt voor het genereren van gegevens (bijvoorbeeld op RAG gebaseerde chatsystemen waarmee gebruikers kunnen chatten met de gegevens van uw organisatie). In dit geval hebt u een vectorgegevensarchief nodig.

Product Beschrijving
Azure AI Search Deze service kan worden gebruikt voor het efficiënt doorzoeken van grote gegevenssets om relevante informatie te vinden die kan worden gebruikt om de antwoorden te informeren die zijn gegenereerd door de taalmodellen. Het is handig voor het ophalen van een RAG-systeem, zodat de gegenereerde antwoorden zo informatief en contextueel mogelijk relevant zijn.
Cosmos DB Deze wereldwijd gedistribueerde databaseservice met meerdere modellen kan de enorme hoeveelheden gestructureerde en ongestructureerde gegevens opslaan waartoe het RAG-chatsysteem toegang nodig heeft. Dankzij de snelle lees- en schrijfmogelijkheden is het ideaal voor het leveren van realtime gegevens aan het taalmodel en het opslaan van gebruikersinteracties voor verdere analyse.
Azure Cache voor Redis Dit volledig beheerde gegevensarchief in het geheugen kan worden gebruikt voor het opslaan van veelgebruikte informatie in de cache, waardoor de latentie wordt verminderd en de prestaties van het RAG-chatsysteem worden verbeterd. Het is vooral handig voor het opslaan van sessiegegevens, gebruikersvoorkeuren en algemene query's.
Flexibele azure Database for PostgreSQL-server Deze beheerde databaseservice kan toepassingsgegevens opslaan, waaronder logboeken, gebruikersprofielen en historische chatgegevens. De flexibiliteit en schaalbaarheid ondersteunen de dynamische behoeften van een RAG-chatsysteem, zodat gegevens consistent beschikbaar en veilig zijn.

Elk van deze Azure-services draagt bij aan het maken van een uitgebreide, schaalbare en efficiënte architectuur voor een generatieve AI-oplossing, zodat ontwikkelaars de beste cloudmogelijkheden en AI-technologieën van Azure kunnen gebruiken.

Codegerichte AI-ontwikkeling met de Azure OpenAI-API

In deze sectie richten we ons op de Azure OpenAI-API. Zoals eerder vermeld, hebt u programmatisch toegang tot LLM-functionaliteit via een RESTful-web-API. U kunt letterlijk elke moderne programmeertaal gebruiken om deze API's aan te roepen. In veel gevallen werken taal- of platformspecifieke SDK's als 'wrappers' rond de REST API-aanroepen om de ervaring meer idiomatisch te maken.

Als een taal of platform-SDK niet beschikbaar is, is het slechtste scenario dat u REST-aanroepen rechtstreeks naar de web-API moet uitvoeren. De meeste ontwikkelaars zijn echter bekend met het aanroepen van web-API's.

Azure OpenAI biedt een reeks API's die zijn ontworpen om verschillende soorten AI-taken mogelijk te maken, zodat ontwikkelaars geavanceerde AI-functies in hun toepassingen kunnen integreren. Hier volgt een overzicht van de belangrijkste API's die beschikbaar zijn via OpenAI:

  • API voor voltooiing van chat: deze API is gericht op scenario's voor het genereren van tekst, waaronder gespreksmogelijkheden, waardoor chatbots en virtuele assistenten kunnen worden gemaakt die kunnen deelnemen aan natuurlijke, menselijke dialoog. Het is geoptimaliseerd voor interactieve gebruiksvoorbeelden, waaronder klantondersteuning, persoonlijke assistenten en interactieve leeromgevingen. Het wordt echter ook gebruikt voor alle scenario's voor het genereren van tekst, waaronder samenvatting, automatisch aanvullen, documenten schrijven, tekst analyseren, vertalen, enzovoort. Het is het toegangspunt voor visuele mogelijkheden die momenteel in de preview-fase zijn (upload een afbeelding en stel daar vragen over).
  • Beheer-API: deze API is ontworpen om ontwikkelaars te helpen mogelijk schadelijke inhoud in tekst te identificeren en eruit te filteren, waardoor een hulpprogramma wordt geboden om veiligere gebruikersinteracties te garanderen door automatisch aanstootgevende, onveilige of anderszins ongepaste materialen te detecteren.
  • Insluitings-API: Met de Insluitings-API worden vectorweergaven van tekstinvoer gegenereerd, woorden, zinnen of alinea's geconverteerd naar hoogdimensionale vectoren. Deze insluitingen kunnen worden gebruikt voor semantische zoekopdrachten, clustering, overeenkomsten met inhoud en meer. Hiermee worden de onderliggende betekenis en semantische relaties in de tekst vastgelegd.
  • Api voor het genereren van afbeeldingen: met deze API kunt u originele, hoogwaardige afbeeldingen en illustraties genereren op basis van tekstbeschrijvingen. Het is gebaseerd op DALL van OpenAI· E-model, dat afbeeldingen kan maken die overeenkomen met een breed scala aan stijlen en onderwerpen op basis van de prompts die het ontvangt.
  • Audio-API: Deze API biedt toegang tot het audiomodel van OpenAI, ontworpen voor automatische spraakherkenning. Het kan gesproken taal transcriberen in tekst of tekst in spraak, die verschillende talen en dialecten ondersteunt. Het is handig voor toepassingen die spraakopdrachten, transcriptie van audio-inhoud en meer vereisen.

Hoewel generatieve AI kan worden gebruikt om te werken met veel verschillende mediamodaliteiten, besteden we de rest van dit artikel aan tekstgebaseerde AI-oplossingen. Dit omvat scenario's zoals chatten, samenvatting, enzovoort.

Toepassingen ontwikkelen met generatieve AI

Softwareontwikkelaars die niet bekend zijn met een onbekende taal, API of technologie, beginnen het meestal te leren door zelfstudies of trainingsmodules te volgen om kleine toepassingen te bouwen. Sommige softwareontwikkelaars kiezen voor een zelfgestuurde benadering en bouwen kleine experimentele toepassingen. Beide benaderingen zijn geldig en nuttig.

Wanneer u aan de slag gaat, kunt u het beste klein beginnen, weinig beloven, herhalen en uw begrip en vaardigheid opbouwen, omdat het ontwikkelen met generatieve AI unieke uitdagingen heeft. In traditionele softwareontwikkeling kunt u bijvoorbeeld afhankelijk zijn van deterministische uitvoer. Voor elke set invoer kunt u elke keer exact dezelfde uitvoer verwachten. Generatie is echter niet-deterministisch– u krijgt nooit exact hetzelfde antwoord twee keer voor een bepaalde prompt, wat de hoofdoorzaak is van veel nieuwe uitdagingen. Houd rekening met de volgende tips voordat u te ver gaat:

Tip 1: Maak duidelijk wat u wilt bereiken.

  • Krijg specifieke informatie over het probleem dat u probeert op te lossen: Generatieve AI kan een breed scala aan problemen oplossen, maar succes komt van het duidelijk definiëren van het specifieke probleem dat u wilt oplossen. Wilt u tekst, afbeeldingen, code of iets anders genereren? Hoe specifieker u bent, hoe beter u de AI kunt aanpassen aan uw behoeften.
  • Inzicht in uw doelgroep: als u uw doelgroep kent, kunt u de uitvoer van de AI aanpassen aan hun verwachtingen, ongeacht of het om informele gebruikers of experts in een bepaald veld gaat.

Tip 2: Speel af op de sterke punten van LLM's.

  • Inzicht krijgen in de beperkingen en vooroordelen van LLM's: hoewel LLM's krachtig zijn, hebben ze beperkingen en inherente vooroordelen. Als u de beperkingen en vooroordelen kent, kunt u er omheen ontwerpen of oplossingen opnemen.
  • Begrijpen waar LLM's exceleren: LLM's excelleren bij taken zoals het maken van inhoud, samenvatting, taalomzetting, enzovoort. Hoewel hun besluitvormingsmogelijkheden en discriminerende mogelijkheden sterker worden met elke nieuwe versie, zijn er mogelijk andere typen AI die geschikter zijn voor uw scenario of use-case. Kies het juiste hulpprogramma voor de taak.

Tip 3: De beste resultaten beginnen met goede aanwijzingen.

  • Best practices voor leerprompt engineering: effectieve prompts maken is een kunst. Experimenteer met verschillende prompts om te zien hoe deze van invloed zijn op de uitvoer. Wees beknopt en beschrijvend.
  • Doorvoeren naar iteratieve verfijning: vaak levert de eerste prompt mogelijk niet het gewenste resultaat op. Het is een proces van evaluatie en fout. Gebruik de uitvoer om uw prompts verder te verfijnen.

Uw eerste generatieve AI-oplossing bouwen

Als u direct wilt experimenteren met het bouwen van een generatieve AI-oplossing, raden we u aan om aan de slag te gaan met de chat met behulp van uw eigen gegevensvoorbeeld voor Python. Er zijn ook versies van de zelfstudie beschikbaar in .NET, Java en JavaScript.

Laatste overwegingen die van invloed kunnen zijn op uw ontwerpbeslissingen voor toepassingen

Hier volgt een korte lijst met zaken die u kunt overwegen en andere punten uit dit artikel die van invloed zijn op uw ontwerpbeslissingen voor toepassingen:

  • Definieer de probleemruimte en doelgroep duidelijk om de mogelijkheden van AI af te stemmen op de gebruikersverwachtingen, waardoor de effectiviteit van de oplossing wordt geoptimaliseerd voor de beoogde use-case.
  • Gebruik platformen met weinig code/geen code voor snelle prototypen en ontwikkeling als ze voldoen aan de vereisten van uw project, en evalueren de afweging tussen ontwikkelingssnelheid en aanpasbaarheid. Verken de mogelijkheden van oplossingen met weinig code en geen code voor onderdelen van uw toepassing om de ontwikkeling te versnellen en niet-technische teamleden in staat te stellen bij te dragen aan het project.