Методология проектирования рабочих нагрузок ИИ в Azure
Проектирование рабочих нагрузок ИИ включает интеграцию кода и данных для замены детерминированного поведения и включения таких задач, как прогнозирование, классификация и другие функциональные цели. Архитектура рабочей нагрузки ИИ часто сложна и должна быть разработана в рамках бизнес-ограничений. Azure Well-Architected Framework обеспечивает надежную основу для архитектурного превосходства, но также необходимо рассмотреть принципы проектирования, относящиеся к ИИ.
В этой статье представлена предлагаемая методология проектирования, сосредоточенная на этих принципах ИИ, которые систематически направляют проектирование и оптимизацию решений. Если вы не уверены в принятии решений, обратитесь к этой методологии, чтобы подчеркнуть направление проектирования с помощью принципов ИИ высокого уровня.
Если вы разрабатываете возможность или вводите улучшение, оцените изменение с точки зрения методологии. Влияет ли безопасное взаимодействие с пользователем? Достаточно ли гибко адаптироваться к будущим инновациям? Будет ли он нарушить поток экспериментов? Еще одним преимуществом методологии является сотрудничество с владельцами продуктов и заинтересованными лицами, чтобы оправдать технические решения.
Проектирование с экспериментальным мышлением
При разработке с экспериментальным мышлением цель заключается в том, чтобы достичь релевантности с помощью итеративных и статистически управляемых процессов на основе реальных вариантов использования.
Экспериментирование в ИИ включает непрерывные корректировки с измеримыми результатами в отношении целевых показателей качества после каждой итерации. Цикл экспериментов необходим во время начальной оценки модели и текущего уточнения. Внутренний цикл улучшает прогностическую способность модели в среде разработки. Внешний цикл отслеживает производственное использование и может инициировать дальнейшее уточнение или подготовку данных. Оба цикла используют непрерывный мониторинг и оценку для выявления улучшений.
Не каждый эксперимент завершается успешно. Рассмотрим худшие сценарии и планы на непредвиденные случаи для неудачных экспериментов.
Проектирование ответственно
Когда пользователи взаимодействуют с системой ИИ, они доверяют своим этическим функциям, несмотря на непрозрачную логику моделей ИИ. Это доверие отвечает за разработку системы, чтобы предотвратить неэтичное поведение, например манипуляцию, токсичные содержимое, нарушение IP-адресов и сконструированные ответы.
Внедрение ответственного ИИ в системные операции и культуру команды. Эти методики должны распространяться на протяжении всего жизненного цикла взаимодействия с пользователем. Он начинается с первоначального намерения пользователя использовать систему, продолжается через сеансы и даже включает нарушения, вызванные системными ошибками.
Модерация содержимого — это ключевая стратегия в ответственном проектировании генерированного искусственного интеллекта, где запросы и ответы оцениваются в режиме реального времени, чтобы обеспечить безопасность и соответствие требованиям. В рамках циклов экспериментирования старайтесь сделать алгоритмы справедливыми и инклюзивными, чтобы свести к минимуму смещение. Предвзятость может входить в систему через фактические сеансы или при сборе отзывов.
Этичное управление данными является центральным для ответственной разработки. Он включает в себя тщательное решение о том, когда следует использовать или избегать использования данных пользователя. Пользователи доверяют вам, чтобы любая личная информация была удалена из системы или сохранена только с их согласием. Если хранение неизбежно, убедитесь, что данные защищены доверенными технологиями для конфиденциальности и безопасности.
Проектирование для объяснимости
Результаты модели ИИ должны быть объяснимыми. Они требуют обоснования и отслеживания источников данных, выводимых процессов и пути данных из источника до слоя обслуживания. В дискриминируемом ИИ вы можете оправдать свои решения с каждым шагом, но объяснимость в генерирующих моделях может быть сложной. Важно документировать процесс принятия решений вручную и с помощью технических возможностей.
Цель этого принципа заключается в обеспечении прозрачности и подотчетности системы для получения доверия пользователя.
Оставайтесь впереди распада модели
Разложение модели — это уникальная проблема в искусственном интеллекте, которая значительно влияет на решения по проектированию. Качество выходных данных модели ИИ может ухудшаться с течением времени без каких-либо изменений в коде, иногда даже внезапно из-за изменений в данных или внешних факторах.
Ухудшение состояния влияет на различные аспекты системы и включает в себя:
- Скорость приема данных.
- Качество данных.
- Потребности в мониторинге.
- Процессы оценки.
- Время реакции на исправление проблем.
Мы рекомендуем раннее обнаружение с помощью сочетания автоматизированных процессов для непрерывного мониторинга и оценки моделей. Отзывы пользователей также являются эффективным способом выявления распада модели.
Независимо от сигналов, используемых для выявления распада модели, группа операций должна привлечь специалистов по обработке и анализу данных для оперативного исследования и решения потенциальных проблем распада.
Проектирование для адаптации
Технологический прогресс и внедрение ИИ продвигается в быстром темпе. Помните, что то, что вы создаете сегодня, может стать устаревшим быстро и повлиять на ваши решения и процессы проектирования.
Этот принцип подчеркивает необходимость ловкости и гибкости и распознавания того, что некоторые компоненты могут иметь короткий срок службы. Примите подход остановки и размышления, где тщательное исследование обнаружения моделей, библиотек программирования и фреймворков, а также технологии обработки являются ключевыми.
Следующий шаг
Узнайте о принципах проектирования для создания и эксплуатации рабочих нагрузок ИИ в Azure.