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 工作负载涉及集成代码和数据来替换确定性行为、实现预测、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，必须在业务约束内进行设计。 虽然精心构建的框架为体系结构卓越提供了坚实的基础，但还应考虑特定于 AI 的设计原则。
本文提供了以这些 AI 原则为中心的建议设计方法，这些原则系统地指导解决方案的设计和优化。 在决策方面不确定时，请回顾此方法 ，通过高级 AI 原则强调设计方向。 如果要设计功能或引入改进，请从方法角度评估更改。 安全用户体验是否受到影响？ 它是否足够灵活，以适应未来的创新？ 它会中断试验流吗？ 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。
使用实验性思维模式进行设计
通过基于真实用例的迭代和统计驱动的流程，通过实验思维模式进行设计，实现相关性。
AI 中的试验涉及每次迭代后针对质量目标的可度量结果进行连续调整。 在初始模型评估和正在进行的优化过程中，需要试验循环。 内部循环在开发环境中优化模型的预测能力，而外部循环监视生产使用情况，并可以触发进一步优化或数据准备。 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 AI 系统交互时，尽管 AI 模型的逻辑不透明，但他们仍 信任其道德功能。 此信任要求你负责设计系统，以防止操作、内容毒性、IP 侵权和捏造响应等不道德行为。 负责任的 AI 不仅应嵌入到系统操作中，还应嵌入到团队的文化中。 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。
Con帐篷模式ration 是生成式 AI 负责任的设计的关键策略，可在其中实时评估请求和响应，以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，包括在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，涉及有关何时使用或避免依赖用户数据的谨慎决策。 用户信任你，以确保从系统中删除任何个人信息，或仅保留其同意。 如果保留是不可避免的，请确保使用受信任的技术保护数据，以确保隐私和安全。
可解释性设计
AI 模型结果必须能够解释，需要 对数据源、推理过程以及从源到服务层的数据 旅程进行理由和跟踪。 在歧视 AI 中，每个步骤都可以证明决策合理，而生成模型中的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至关重要。
此原则的目的是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。 由于数据或外部因素的变化，AI 模型输出的质量可能会随时间推移而恶化，而无需对代码进行任何更改，有时甚至突然发生。
这种恶化会影响系统的各个方面。 这包括数据引入速度、数据质量、监视需求、评估过程和更正问题的反应时间。 建议通过自动化过程组合进行早期检测，以便进行持续监视和模型评估。 用户反馈也是识别模型衰减的有效方法。
无论用于识别模型衰减的信号如何，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， 今天生成的内容可能会很快过时，从而影响设计决策和流程。
此原则强调需要 敏捷性和灵活性，并认识到某些组件可能具有较短的寿命。 采用暂停和思考方法，彻底研究模型发现、编程库和框架以及处理技术至关重要。
下一步
了解在 Azure 上生成和操作 AI 工作负载的设计原则。