Azure 上 AI 工作負載的設計方法
當您設計 AI 工作負載時，您整合的程式代碼和數據會取代具決定性的行為。 此轉變有助於預測、分類及其他功能性目標等工作。 AI 工作負載架構通常相當複雜，且必須符合商務限制。 Azure Well-Architected 架構為架構卓越提供了堅實的基礎，但您也應該考慮 AI 特定的設計原則。
本文提供以 AI 原則為基礎的設計方法。 人工智能原則系統地引導解決方案的設計和優化。 方法的另一個優點是與產品擁有者和項目關係人共同作業，以證明技術決策的合理性。 如果您需要協助做出決策，請參閱此方法，將您的設計方向與高層次的AI原則對齊 。
如果您設計功能或引進改進功能，請從方法的觀點來評估變更。 您的變更是否會影響用戶體驗？ 您的變更是否有足夠的彈性來適應未來的創新？ 它會中斷實驗流程嗎？
以實驗思維進行設計
以實驗思維設計，讓您可以根據真實世界使用案例，
在 AI 實驗中牽涉到持續的調整，您可以在每次迭代後依據品質目標進行測量。 在初始模型評估和持續精簡期間執行實驗迴圈。 內部迴圈會在開發環境中精簡模型的預測能力。 外部迴圈會監視生產使用狀況，並可觸發進一步精簡或數據準備。 這兩個迴圈都依賴持續監視和評估來識別改進。
並非每個實驗都成功。 請考慮最壞的情況，並有失敗實驗的應變計劃。
設計負責任
當使用者與您的 AI 系統互動時，即使他們不瞭解 AI 模型的基礎邏輯和決策，他們也會將其 信任於其道德功能。 你有責任設計一個系統來防止不道德行為，例如操作、內容有害性、IP 侵權和捏造的回應。 您應該在系統作業和小組文化中內嵌負責任的 AI 原則。 這些做法必須在用戶互動的整個生命週期中延伸，從使用者的初始意圖到使用系統、會話期間，甚至是在系統錯誤所造成的中斷期間。
內容審查是生成式人工智慧的負責任設計中的重要策略。 內容仲裁會即時評估要求和回應，以協助確保安全性和適當性。 作為實驗迴圈的一部分，努力讓演算法公平且包容，以將偏差降到最低。 偏差可以透過各種通道進入系統，包括實際會話期間或收集意見反應時。
道德數據管理是負責任設計的核心。 針對何時使用或避免依賴用戶數據做出明智的決策。 使用者信任您，以確保他們的個人資訊會從系統中移除，或僅在獲得他們的同意後才保留。 如果保留是不可避免的，請確定您使用信任的技術來保護數據，這有助於確保隱私權和安全性。
可解釋性的設計
AI 模型結果必須可解釋且合理。 您應該能夠 追蹤數據的來源、推理過程，以及數據從其來源到服務層的 旅程。 在區分 AI 中，每個步驟的決策都可以得到合理的解釋。 在產生模型中，可解釋性可能相當複雜。 手動和透過技術能力記錄決策過程。
可解釋的結果有助於確保系統的透明度和責任，以取得使用者的信任。
在模型衰變之前保持領先
模型衰變是 AI 中影響設計決策的獨特挑戰。 AI 模型輸出 品質可能會隨著時間而惡化，而不需要變更程序代碼。 有時候，由於數據或外部因素的變化，有時甚至可能會突然發生惡化。
這種惡化會影響系統的各個層面。 這些層面包括數據擷取速度、數據品質、監視需求、評估程式，以及修正問題的反應時間。 透過自動化程序的組合來實作早期偵測，以進行持續監視和模型評估。 利用使用者意見反應來協助識別模型衰變。
不論您用來識別模型衰變的方法為何，作業小組都必須讓數據科學家及時研究並解決潛在的衰變問題。
可調整性的設計
AI 在技術進步和採用方面正以快速的速度前進。 請注意，您今天建置的內容可能會很快過時。 當您做出設計決策並建立程式時，請記住此考慮。
AI 進步強調 靈活度和彈性的需求。 辨識某些元件可能具有有限的生命週期。 採用 暫停和思考 方法，著重於模型探索、程式設計連結庫和架構以及處理技術的研究。
後續步驟
瞭解在 Azure 上建置及操作 AI 工作負載的設計原則。