你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
Azure 上 AI 工作负载的设计方法
设计 AI 工作负载时，集成的代码和数据将取代确定性行为。 这种转变有助于预测、分类和其他功能目标等任务。 AI 工作负荷体系结构通常可能比较复杂，并且必须与业务约束保持一致。 Azure Well-Architected 框架为体系结构卓越提供了坚实的基础，但还应考虑 AI 特定的设计原则。
本文介绍基于 AI 原则的设计方法。 AI 原则系统地指导解决方案的设计和优化。 该方法的另一个好处是与产品所有者和利益干系人合作，以证明技术决策的合理性。 如果你在做决策时需要帮助，请参考此方法，将设计方向与高级人工智能原则保持一致。
如果设计功能或引入改进，请从方法角度评估更改。 你的更改是否会影响用户体验？ 你的变革是否足够灵活，以适应未来的创新？ 它会中断试验流吗？
使用实验性思维模式进行设计
使用实验性思维模式进行设计，以便你可以根据实际用例的迭代和统计驱动的过程来实现相关性。
AI 中的试验涉及持续调整，结果可在每次迭代后根据质量目标进行度量。 在初始模型评估和持续优化期间进行实验循环。 内部循环在开发环境中优化模型的预测能力。 外部循环监控生产使用情况，并可以触发进一步的改进或数据准备。 这两个循环都依赖于持续监视和评估来确定改进。
并非每个试验都成功。 考虑最坏的情况，并制定失败试验的应变计划。
负责任地设计
当用户与您的 AI 系统交互时，即使他们不了解 AI 模型的基础逻辑和决策，也会信任其道德功能。 这种信任使你负责设计一个系统，防止不道德的行为，如操纵、内容毒性、IP 侵权和捏造的反应。 应在系统操作和团队文化中嵌入负责任的 AI 原则。 这些做法必须在整个用户交互生命周期内进行扩展，从用户的初始意图到使用系统、会话期间，甚至在系统错误导致的中断期间也是如此。
内容审核是负责任的生成式 AI 设计的关键策略。 内容审查实时评估请求和响应，以帮助确保安全性和适当性。 作为试验循环的一部分，努力使算法公平和包容，以尽量减少偏见。 偏差可以通过各种渠道进入系统，包括实际会话期间或收集反馈时。
道德数据管理是负责任的设计的核心。 就何时使用或避免依赖用户数据做出明智的决策。 用户信任您以确保个人信息要么从系统中删除，要么仅在获得他们的同意后保留。 如果保留是不可避免的，请确保使用受信任的技术来保护数据，这有助于确保隐私和安全性。
可解释性设计
AI 模型结果必须可解释且合理。 应该能够跟踪数据的来源、推理过程以及从其源到服务层面的数据流动。 在歧视 AI 中，每个步骤都可以证明决策合理。 在生成模型中，可解释性可能比较复杂。 手动和通过技术功能记录决策过程。
可解释的结果有助于确保系统的透明度和责任，以获得用户的信任。
保持模型衰减的前面
模型衰减是 AI 中影响设计决策的独特挑战。 AI 模型输出的 质量可能会随着时间推移而恶化，而无需对代码进行任何更改。 有时，由于数据或外部因素的变化，有时甚至可能发生恶化。
这种恶化会影响系统的各个方面。 这些方面包括数据引入速度、数据质量、监视需求、评估过程和纠正问题的反应时间。 通过自动化过程的组合实现早期检测，以便进行持续监视和模型评估。 利用用户反馈来帮助识别模型衰减。
无论用于识别模型衰减的方法如何，运营团队都必须让数据科学家及时研究并解决潜在的衰减问题。
可适应性设计
AI 在技术进步和采用方面正在迅速推进。 请注意，当前生成的内容可能会很快过时。 做出设计决策和创建流程时，请记住这一考虑。
AI 进步强调了对敏捷性和灵活性的需求。 认识到某些组件可能具有有限的生命周期。 采用 暂停和思考 方法，重点研究模型发现、编程库和框架以及处理技术。
下一步
了解在 Azure 上生成和操作 AI 工作负载的设计原则。