Metodologia projektowania obciążeń sztucznej inteligencji na platformie Azure
Podczas projektowania obciążeń sztucznej inteligencji kod i dane, które integrujesz, zastępuje zachowanie deterministyczne. Ta zmiana ułatwia zadania, takie jak przewidywanie, klasyfikacja i inne cele funkcjonalne. Architektura obciążenia sztucznej inteligencji może być często złożona i musi być zgodna z ograniczeniami biznesowymi. Platforma Azure Well-Architected Framework zapewnia solidne podstawy do doskonałości architektury, ale należy również wziąć pod uwagę zasady projektowania specyficzne dla sztucznej inteligencji.
W tym artykule przedstawiono metodologię projektowania opartą na zasadach sztucznej inteligencji. Zasady sztucznej inteligencji systematycznie kierują projektowaniem i optymalizacją rozwiązań. Kolejną zaletą metodologii jest współpraca z właścicielami produktów i uczestnikami projektu w celu uzasadnienia decyzji technicznych. Jeśli potrzebujesz pomocy w podejmowaniu decyzji, zapoznaj się z tą metodologią, aby dostosować kierunek projektowania do zasad sztucznej inteligencji wysokiego poziomu.
Jeśli projektujesz możliwości lub wprowadzasz ulepszenia, oceń zmianę z perspektywy metodologii. Czy zmiana ma wpływ na środowisko użytkownika? Czy twoja zmiana jest wystarczająco elastyczna, aby dostosować się do przyszłych innowacji? Czy zakłóca przepływ eksperymentowania?
Projektowanie przy użyciu eksperymentalnego myślenia
Projektowanie przy użyciu eksperymentalnego sposobu myślenia, dzięki czemu można osiągnąć trafność dzięki iteracyjnym i statystycznie sterowanym procesom na podstawie rzeczywistych przypadków użycia.
Eksperymentowanie w sztucznej inteligencji obejmuje ciągłe korekty z wynikami, które można zmierzyć z celami jakości po każdej iteracji. Wykonaj pętlę eksperymentowania podczas początkowej oceny modelu i ciągłego uściślenia. Pętla wewnętrzna doskonali zdolność predykcyjną modelu w środowisku projektowym. Pętla zewnętrzna monitoruje użycie środowiska produkcyjnego i może wyzwolić dalsze uściślenie lub przygotowanie danych. Obie pętle polegają na ciągłym monitorowaniu i ocenie w celu zidentyfikowania ulepszeń.
Nie każdy eksperyment kończy się powodzeniem. Rozważ najgorsze scenariusze i miej plany awaryjne na eksperymenty, które zakończyły się niepowodzeniem.
Odpowiedzialne projektowanie
Gdy użytkownicy wchodzą w interakcję z systemem sztucznej inteligencji, pokładają swoje zaufanie w jego etycznym działaniu, nawet jeśli nie rozumieją logiki działania i podejmowania decyzji przez model sztucznej inteligencji. To zaufanie zapewnia, że jesteś odpowiedzialny za projektowanie systemu, który zapobiega nieetycznym zachowaniom, takim jak manipulowanie, toksyczność zawartości, naruszenie adresów IP i skonstruowane odpowiedzi. Należy osadzić zasady odpowiedzialnego używania sztucznej inteligencji w operacjach systemów i w kulturze zespołu. Praktyki muszą być rozszerzane w całym cyklu życia interakcji użytkownika — od początkowej intencji użytkowników do korzystania z systemu, podczas sesji, a nawet podczas zakłóceń spowodowanych przez błędy systemowe.
Moderowanie zawartości to kluczowa strategia w zakresie odpowiedzialnego projektowania generowania sztucznej inteligencji. Moderowanie zawartości ocenia żądania i odpowiedzi w czasie rzeczywistym, aby zapewnić bezpieczeństwo i odpowiednie działanie. W ramach pętli eksperymentów staraj się, aby algorytmy są sprawiedliwe i inkluzywne, aby zminimalizować stronniczość. Stronniczość może dostać się do systemu za pośrednictwem różnych kanałów, w tym podczas rzeczywistych sesji lub podczas zbierania informacji zwrotnej.
Etyczne zarządzanie danymi ma kluczowe znaczenie dla odpowiedzialnego projektowania. Podejmij świadome decyzje dotyczące tego, kiedy należy używać lub unikać polegania na danych użytkownika. Użytkownicy ufają Tobie, aby upewnić się, że dane osobowe zostaną usunięte z systemu lub zachowane tylko przy ich zgody. Jeśli przechowywanie jest nieuniknione, upewnij się, że używasz zaufanej technologii do ochrony danych, co pomaga zapewnić prywatność i bezpieczeństwo.
Projektowanie pod kątem możliwości wyjaśnienia
Wyniki modelu sztucznej inteligencji muszą być wyjaśnialne i możliwe do wyjaśnienia. Powinno być możliwe śledzenie pochodzenia danych, procesów wnioskowania i podróży danych ze źródła do warstwy serwera. W przypadku dyskryminacyjnej sztucznej inteligencji decyzje mogą być uzasadnione przy każdym kroku. W modelach generowania wyjaśnienie może być złożone. Udotwórz proces podejmowania decyzji, zarówno ręcznie, jak i za pośrednictwem możliwości technicznych.
Objaśnialne wyniki pomagają zapewnić przejrzystość i odpowiedzialność systemu w celu uzyskania zaufania użytkowników.
Wyprzedzaj rozkład modelu
Rozkład modelu to unikatowe wyzwanie w zakresie sztucznej inteligencji, które wpływa na decyzje projektowe. jakość danych wyjściowych modelu sztucznej inteligencji może ulec pogorszeniu w czasie bez żadnych zmian w kodzie. Czasami pogorszenie może nawet wystąpić nagle z powodu zmian danych lub czynników zewnętrznych.
Pogorszenie to wpływa na różne aspekty systemu. Te aspekty obejmują szybkość pozyskiwania danych, jakość danych, potrzeby monitorowania, procesy oceny i czasy reakcji w celu rozwiązania problemów. Zaimplementuj wczesne wykrywanie za pomocą kombinacji zautomatyzowanych procesów na potrzeby ciągłego monitorowania i oceny modelu. Skorzystaj z opinii użytkowników, aby ułatwić identyfikację rozkładu modelu.
Niezależnie od metod używanych do identyfikowania rozpadu modelu zespół operacyjny musi zaangażować analityków danych, aby szybko zbadać i rozwiązać potencjalne problemy z rozpadem.
Projektowanie pod kątem adaptacji
Sztuczna inteligencja rozwija się w szybkim tempie pod względem postępu technologicznego i wdrażania. Należy pamiętać, że , co tworzysz dzisiaj, może stać się przestarzałe szybko. należy pamiętać o tym podczas podejmowania decyzji projektowych i tworzenia procesów.
Rozwój sztucznej inteligencji podkreśla potrzebę elastyczności i elastyczności. Należy pamiętać, że niektóre składniki mogą mieć ograniczoną żywotność. Adoptuj podejście , które koncentruje się na badaniach nad odkrywaniem modeli, bibliotekach programowania, frameworkach oraz technologiach przetwarzania.
Następny krok
Dowiedz się więcej na temat zasad projektowania w celu tworzenia i obsługi obciążeń sztucznej inteligencji na platformie Azure.