Designmetod för AI-arbetsbelastningar i Azure
När du utformar AI-arbetsbelastningar ersätter koden och data som du integrerar deterministiskt beteende. Det här skiftet underlättar uppgifter som förutsägelse, klassificering och andra funktionella mål. AI-arbetsbelastningsarkitektur kan ofta vara komplex och måste anpassas efter affärsbegränsningar. Azure Well-Architected Framework ger en solid grund för arkitekturens utmärkthet, men du bör också överväga AI-specifika designprinciper.
I den här artikeln presenteras en designmetod baserad på AI-principer. AI-principerna vägleder systematiskt utformningen och optimeringen av lösningar. En annan fördel med metoden är samarbete med produktägare och intressenter för att motivera tekniska beslut. Om du behöver hjälp med att fatta beslut kan du gå tillbaka till den här metodiken för att anpassa designriktningen till AI-principer på en hög nivå.
Om du utformar en funktion eller introducerar en förbättring utvärderar du ändringen från metodperspektivet. Påverkar ändringen användarupplevelsen? Är din förändring tillräckligt flexibel för att anpassas till framtida innovationer? Stör det experimenteringsflödet?
Designa med ett experimentellt tänkesätt
Utforma med ett experimentellt tänkesätt så att du kan uppnå relevans genom iterativa och statistiskt drivna processer baserat på verkliga användningsfall.
Experimentering i AI innebär kontinuerliga justeringar med resultat som du kan mäta mot kvalitetsmål efter varje iteration. Utför en experimenteringsloop under den inledande modellutvärderingen och pågående förfining. Den inre loopen förfinar en modells förutsägelsekraft i en utvecklingsmiljö. Den yttre slingan övervakar produktionsanvändningen och kan utlösa ytterligare förfining eller förberedelse av data. Båda looparna förlitar sig på kontinuerlig övervakning och utvärdering för att identifiera förbättringar.
Alla experiment lyckas inte. Överväg värsta tänkbara scenarier och ha beredskapsplaner för misslyckade experiment.
Utforma ansvarsfullt
När användarna interagerar med ditt AI-system litar de på dess etiska funktioner, även om de inte förstår AI-modellens underliggande logik och beslutsfattande. Det här förtroendet håller dig ansvarig för att utforma ett system som förhindrar oetiska beteenden, till exempel manipulation, innehålls toxicitet, IP-intrång och fabricerade svar. Du bör bädda in ansvarsfulla AI-principer i systemdriften och i kulturen i ditt team. Metoderna måste utökas under hela livscykeln för användarinteraktion – från användarnas ursprungliga avsikt att använda systemet, under sessioner och även under störningar som orsakas av systemfel.
Innehållsmoderering är en viktig strategi för ansvarsfull design av generativ AI. Innehållsmoderering utvärderar begäranden och svar i realtid för att säkerställa säkerhet och lämplighet. Som en del av experimenteringslooparna strävar du efter att göra algoritmer rättvisa och inkluderande för att minimera bias. Bias kan komma in i systemet via olika kanaler, bland annat under faktiska sessioner eller när du samlar in feedback.
Etisk datahantering är centralt för ansvarsfull design. Fatta välgrundade beslut om när du ska använda eller undvika att förlita dig på användardata. Användarna litar på att du ser till att personlig information antingen tas bort från systemet eller behålls endast med deras medgivande. Om kvarhållning är oundvikligt bör du se till att du använder betrodd teknik för att skydda data, vilket bidrar till att säkerställa sekretess och säkerhet.
Design för förklaring
AI-modellresultat måste vara förklarande och berättigade. Du bör kunna spåra ursprunget till data, slutsatsdragningsprocesserna och dataresan från källan till serverlagret. I diskriminerande AI kan beslut motiveras med varje steg. I generativa modeller kan förklaring vara komplex. Dokumentera beslutsprocessen, både manuellt och via tekniska funktioner.
Förklarande resultat hjälper till att säkerställa systemets transparens och ansvarsskyldighet för att få användarnas förtroende.
Håll dig före modellförfall
Modellförfall är en unik utmaning inom AI som påverkar designbeslut. Kvaliteten på AI-modellens utgångar kan försämras med tiden utan några ändringar i koden. Ibland kan försämring till och med inträffa plötsligt på grund av ändringar i data eller externa faktorer.
Denna försämring påverkar olika aspekter av systemet. Dessa aspekter omfattar datainmatningshastighet, datakvalitet, övervakningsbehov, utvärderingsprocesser och reaktionstider för att korrigera problem. Implementera tidig identifiering genom en kombination av automatiserade processer för kontinuerlig övervakning och modellutvärdering. Dra nytta av användarfeedback för att identifiera modellförfall.
Oavsett vilka metoder du använder för att identifiera modellförfall måste driftteamet kontakta dataexperter för att snabbt undersöka och åtgärda potentiella problem med förfall.
Design för anpassningsbarhet
AI utvecklas snabbt när det gäller tekniska framsteg och implementering. Tänk på att det du skapar i dag kan bli föråldrat snabbt. Tänk på det här när du fattar designbeslut och skapar processer.
AI-framsteg betonar behovet av rörlighet och flexibilitet. Identifiera att vissa komponenter kan ha en begränsad livslängd. Anta ett paus-och-reflektera- förhållningssätt som fokuserar på forskning om modellidentifiering, programmeringsbibliotek och ramverk samt bearbetningstekniker.
Gå vidare
Lär dig mer om designprinciper för att skapa och använda AI-arbetsbelastningar i Azure.