Ontwerpmethodologie voor AI-workloads in Azure
Wanneer u AI-workloads ontwerpt, vervangt de code en gegevens die u integreert het deterministische gedrag. Deze verschuiving vereenvoudigt taken zoals voorspelling, classificatie en andere functionele doelstellingen. Architectuur van AI-werkbelastingen kan vaak complex zijn en moet zijn afgestemd op zakelijke beperkingen. Het Azure Well-Architected Framework biedt een solide basis voor uitstekende architectuur, maar u moet ook rekening houden met ai-specifieke ontwerpprincipes.
In dit artikel wordt een ontwerpmethodologie gepresenteerd op basis van AI-principes. De AI-principes begeleiden systematisch het ontwerp en de optimalisatie van oplossingen. Een ander voordeel van de methodologie is samenwerking met producteigenaren en belanghebbenden om technische beslissingen te rechtvaardigen. Als u hulp nodig hebt bij het nemen van beslissingen, raadpleegt u deze methodologie om uw ontwerprichting te uit te lijnen met AI-principes op hoog niveau.
Als u een mogelijkheid ontwerpt of een verbetering introduceert, evalueert u de wijziging vanuit het perspectief van de methodologie. Heeft uw wijziging invloed op de gebruikerservaring? Is uw verandering flexibel genoeg om zich aan toekomstige innovaties aan te passen? Verstoort het de experimentenstroom?
Ontwerpen met een experimentele mindset
Ontwerp met een experimentele mindset, zodat u relevantie kunt bereiken via iteratieve en statistisch gestuurde processen op basis van praktijkgebruiksscenario's.
Experimenten in AI zijn doorlopende aanpassingen met resultaten die u na elke iteratie kunt meten op basis van kwaliteitsdoelen. Voer een experimentenlus uit tijdens de eerste modelevaluatie en doorlopende verfijning. De binnenste lus verfijnt de voorspellende kracht van een model in een ontwikkelomgeving. De buitenste lus bewaakt het productiegebruik en kan verdere verfijning of gegevensvoorbereiding activeren. Beide lussen zijn afhankelijk van continue bewaking en evaluatie om verbeteringen te identificeren.
Niet elk experiment slaagt. Houd rekening met slechtste scenario's en heb plannen voor onvoorziene gebeurtenissen voor mislukte experimenten.
Op verantwoorde wijze ontwerpen
Wanneer gebruikers interactie hebben met uw AI-systeem, plaatsen ze hun vertrouwen in de ethische functionaliteit, zelfs als ze de onderliggende logica en besluitvorming van het AI-model niet begrijpen. Deze vertrouwensrelatie houdt u verantwoordelijk voor het ontwerpen van een systeem dat onethisch gedrag voorkomt, zoals manipulatie, inhoudsvergiftiging, IP-inbreuk en ge fabriceerde reacties. U moet verantwoorde AI-principes insluiten in systeembewerkingen en in de cultuur van uw team. De procedures moeten gedurende de gehele levenscyclus van gebruikersinteractie worden uitgebreid, van de oorspronkelijke intentie van de gebruikers om het systeem, tijdens sessies en zelfs tijdens onderbrekingen veroorzaakt door systeemfouten te gebruiken.
Inhoudsbeheer is een belangrijke strategie in het verantwoorde ontwerp van generatieve AI. Met inhoudsbeheer worden aanvragen en antwoorden in realtime geëvalueerd om de veiligheid en geschiktheid te waarborgen. Als onderdeel van de experimentele lussen streeft u ernaar om algoritmen eerlijk en inclusief te maken om vooroordelen te minimaliseren. Bias kan via verschillende kanalen het systeem binnensluipen, inclusief tijdens echte sessies of wanneer u feedback verzamelt.
Ethisch gegevensbeheer is centraal in verantwoord ontwerp. Neem weloverwogen beslissingen over wanneer u gebruikersgegevens moet gebruiken of vermijden. Gebruikers vertrouwen u erop dat persoonlijke gegevens worden verwijderd uit het systeem of alleen worden bewaard met hun toestemming. Als retentie onvermijdelijk is, moet u ervoor zorgen dat u vertrouwde technologie gebruikt om gegevens te beschermen, zodat u de privacy en beveiliging kunt waarborgen.
Ontwerp voor uitleg
Ai-modelresultaten moeten verklaarbaar en rechtvaardig zijn. U moet de oorsprong van de gegevens, de deductieprocessen en het traject van gegevens van de bron naar de servicelaag kunnen
Verklarende resultaten helpen de transparantie en verantwoordelijkheid van het systeem te waarborgen om het vertrouwen van gebruikers te verkrijgen.
Blijf vooruit op modelverval
Modelverval is een unieke uitdaging in AI die van invloed is op ontwerpbeslissingen. De kwaliteit van de uitvoer van AI-modellen kan na verloop van tijd verslechteren zonder dat er wijzigingen in de code worden aangebracht. Soms kan verslechtering zelfs plotseling optreden vanwege wijzigingen in gegevens of externe factoren.
Deze verslechtering is van invloed op verschillende aspecten van het systeem. Deze aspecten omvatten snelheid van gegevensopname, gegevenskwaliteit, bewakingsbehoeften, evaluatieprocessen en reactietijden om problemen op te lossen. Implementeer vroege detectie via een combinatie van geautomatiseerde processen voor continue bewaking en modelevaluatie. Profiteer van feedback van gebruikers om modelverval te identificeren.
Ongeacht de methoden die u gebruikt om modelverval te identificeren, moet het operationele team gegevenswetenschappers betrekken om onmiddellijk onderzoek te doen en potentiële vervalproblemen op te lossen.
Ontwerp voor aanpassingsvermogen
AI gaat in een snel tempo vooruit op het gebied van technologische vooruitgang en acceptatie. Houd er rekening mee dat wat u vandaag bouwt, snel verouderd kan worden. Houd rekening met deze overweging wanneer u ontwerpbeslissingen neemt en processen maakt.
AI-vooruitgang benadrukt de noodzaak voor wendbaarheid en flexibiliteit. Erken dat sommige onderdelen mogelijk een beperkte levensduur hebben. Gebruik een pauzeer-en-denk benadering die zich richt op het onderzoek van modelontdekking, programmeerbibliotheken en frameworks, en verwerkingstechnologieën.
Volgende stap
Meer informatie over ontwerpprincipes voor het bouwen en gebruiken van AI-workloads in Azure.