Metodologia de design para cargas de trabalho de IA no Azure
Quando você cria cargas de trabalho de IA, o código e os dados integrados substituem o comportamento determinístico. Essa mudança facilita tarefas como previsão, classificação e outras metas funcionais. A arquitetura da carga de trabalho de IA geralmente pode ser complexa e deve se alinhar com restrições de negócios. O Azure Well-Architected Framework fornece uma base sólida para a excelência arquitetônica, mas você também deve considerar os princípios de design específicos da IA.
Este artigo apresenta uma metodologia de design com base nos princípios de IA. Os princípios de IA guiam sistematicamente o design e a otimização das soluções. Outro benefício da metodologia é a colaboração com proprietários de produtos e partes interessadas para justificar decisões técnicas. Se precisar de ajuda para tomar decisões, consulte esta metodologia para alinhar sua orientação de design com princípios de IA de alto nível.
Se você criar uma funcionalidade ou introduzir uma melhoria, avalie a alteração da perspectiva da metodologia. Sua alteração afeta a experiência do usuário? Sua mudança é flexível o suficiente para se adaptar às inovações futuras? Isso interrompe o fluxo de experimentação?
Design com uma mentalidade experimental
Projete com uma mentalidade experimental para que você possa obter relevância por meio de processos iterativos e controlados estatisticamente com base em casos de uso do mundo real.
A experimentação na IA envolve ajustes contínuos com resultados que você pode medir em relação a metas de qualidade após cada iteração. Faça um loop de experimentação durante a avaliação inicial do modelo e o refinamento contínuo. O loop interno refina o poder preditivo de um modelo em um ambiente de desenvolvimento. O loop externo monitora o uso em produção e pode acionar refinamentos adicionais ou preparação adicional de dados. Ambos os loops dependem de monitoramento e avaliação contínuos para identificar melhorias.
Nem todo experimento é bem-sucedido. Considere os piores cenários e tenha planos de contingência para experimentos com falha.
Projete com responsabilidade
Quando os usuários interagem com seu sistema de IA, eles confiam em sua funcionalidade ética, mesmo que não entendam a lógica subjacente e a tomada de decisões do modelo de IA. Essa confiança o responsabiliza por criar um sistema que impeça comportamentos antiéticos, como manipulação, toxicidade de conteúdo, violação de IP e respostas fabricadas. Você deve inserir princípios de IA responsáveis em operações de sistemas e na cultura de sua equipe. As práticas devem se estender por todo o ciclo de vida da interação do usuário, desde a intenção inicial dos usuários de usar o sistema, durante as sessões e até mesmo durante interrupções causadas por erros do sistema.
A moderação de conteúdo é uma estratégia fundamental no design responsável da IA generativa. A moderação de conteúdo avalia solicitações e respostas em tempo real para ajudar a garantir a segurança e a adequação. Como parte dos loops de experimentação, esforce-se para tornar os algoritmos justos e inclusivos para minimizar o viés. O viés pode entrar no sistema por meio de vários canais, inclusive durante sessões reais ou quando você coleta comentários.
O gerenciamento de dados éticos é central para o design responsável. Tome decisões informadas sobre quando usar ou evitar depender de dados do usuário. Os usuários confiam em você para garantir que as informações pessoais sejam removidas do sistema ou retidas apenas com seu consentimento. Se a retenção for inevitável, certifique-se de usar a tecnologia confiável para proteger os dados, o que ajuda a garantir a privacidade e a segurança.
Design para explicabilidade
Os resultados do modelo de IA devem ser explicados e justificáveis. Você deve ser capaz de rastrear as origens dos dados, os processos de inferência e a trajetória dos dados de sua origem até a camada de serviço. Na IA discriminativa, as decisões podem ser justificadas a cada etapa. Em modelos generativos, a explicabilidade pode ser complexa. Documente o processo de tomada de decisão, manualmente e por meio de recursos técnicos.
Os resultados explicaveis ajudam a garantir a transparência e a responsabilidade do sistema para obter a confiança dos usuários.
Fique à frente da deterioração do modelo
A decadência do modelo é um desafio exclusivo na IA que afeta as decisões de design. A qualidade das saídas do modelo de IA pode deteriorar ao longo do tempo sem nenhuma alteração no código. Às vezes, a deterioração pode ocorrer repentinamente devido a alterações em dados ou fatores externos.
Essa deterioração afeta vários aspectos do sistema. Esses aspectos incluem velocidade de ingestão de dados, qualidade dos dados, necessidades de monitoramento, processos de avaliação e tempos de reação para corrigir problemas. Implemente a detecção antecipada por meio de uma combinação de processos automatizados para monitoramento contínuo e avaliação de modelo. Aproveite os comentários do usuário para ajudar a identificar a decadência do modelo.
Independentemente dos métodos que você usa para identificar a decadência do modelo, a equipe de operações deve envolver cientistas de dados para pesquisar e resolver rapidamente possíveis problemas de decadência.
Design para adaptabilidade
A IA está avançando em ritmo acelerado em termos de avanço tecnológico e adoção. Lembre-se de que o que você cria hoje pode se tornar obsoleto rapidamente. tenha essa consideração em mente ao tomar decisões de design e criar processos.
O avanço da IA enfatiza a necessidade de agilidade e flexibilidade. Reconheça que alguns componentes podem ter uma vida útil limitada. Adote uma abordagem de pausar e pensar que se concentra na pesquisa de modelagem, bibliotecas e frameworks de programação e tecnologias de processamento.
Próxima etapa
Saiba mais sobre os princípios de design para criar e operar cargas de trabalho de IA no Azure.