Metodologia de design para cargas de trabalho de IA no Azure

Quando você projeta cargas de trabalho de IA, o código e os dados integrados substituem o comportamento determinístico. Essa mudança facilita tarefas como previsão, classificação e outros objetivos funcionais. A arquitetura de carga de trabalho de IA muitas vezes pode ser complexa e deve estar alinhada com as restrições de negócios. O Azure Well-Architected Framework fornece uma base sólida para a excelência arquitetônica, mas você também deve considerar os princípios de design específicos da IA.

Este artigo apresenta uma metodologia de design baseada em princípios de IA. Os princípios da IA orientam sistematicamente o desenho e a otimização das soluções. Outro benefício da metodologia é a colaboração com proprietários de produtos e partes interessadas para justificar decisões técnicas. Se precisar de ajuda para tomar decisões, consulte esta metodologia para alinhar sua direção de projeto com os princípios de IA de alto nível.

Se você projetar uma capacidade ou introduzir uma melhoria, avalie a mudança do ponto de vista da metodologia. A sua alteração afeta a experiência do utilizador? A sua mudança é suficientemente flexível para se adaptar a futuras inovações? Isso atrapalha o fluxo de experimentação?

Design com uma mentalidade experimental

Projete com uma mentalidade experimental para que você possa alcançar relevância por meio de processos iterativos e estatisticamente orientados baseados em casos de uso do mundo real.

A experimentação em IA envolve ajustes contínuos com resultados que você pode medir em relação às metas de qualidade após cada iteração. Faça um ciclo de experimentação durante a avaliação inicial do modelo e o refinamento contínuo. O loop interno refina o poder preditivo de um modelo em um ambiente de desenvolvimento. O loop externo monitora a utilização da produção e pode desencadear um maior aprimoramento ou preparação de dados. Ambos os circuitos dependem de monitoramento e avaliação contínuos para identificar melhorias.

Nem todas as experiências são bem-sucedidas. Considere os piores cenários e tenha planos de contingência para experiências falhadas.

Projete de forma responsável

Quando os usuários interagem com seu sistema de IA, eles depositam sua confiança em sua funcionalidade ética, mesmo que não entendam a lógica subjacente e a tomada de decisões do modelo de IA. Essa confiança responsabiliza você por projetar um sistema que previna comportamentos antiéticos, como manipulação, toxicidade de conteúdo, violação de IP e respostas fabricadas. Você deve incorporar princípios de IA responsável nas operações de sistemas e na cultura de sua equipe. As práticas devem se estender por todo o ciclo de vida da interação do usuário — desde a intenção inicial dos usuários de usar o sistema, durante as sessões e até mesmo durante interrupções causadas por erros do sistema.

A moderação de conteúdo é uma estratégia-chave no design responsável de IA generativa. A moderação de conteúdo avalia solicitações e respostas em tempo real para ajudar a garantir a segurança e a adequação. Como parte dos ciclos de experimentação, esforce-se para tornar os algoritmos justos e inclusivos para minimizar o viés. O viés pode entrar no sistema através de vários canais, incluindo durante sessões reais ou quando recolhe opiniões.

A gestão ética de dados é fundamental para um design responsável. Tome decisões informadas sobre quando usar ou evite confiar nos dados do usuário. Os usuários confiam em você para garantir que as informações pessoais sejam removidas do sistema ou retidas apenas com o consentimento deles. Se a retenção for inevitável, certifique-se de usar tecnologia confiável para proteger os dados, o que ajuda a garantir privacidade e segurança.

Design para explicabilidade

Os resultados do modelo de IA devem ser explicáveis e justificáveis. Você deve ser capaz de rastrear as origens dos dados, os processos de inferência e a trajetória dos dados desde a fonte até a camada de servidor. Na IA discriminativa, as decisões podem ser justificadas a cada passo. Em modelos generativos, a explicabilidade pode ser complexa. Documentar o processo de tomada de decisão, tanto manualmente como através de capacidades técnicas.

Resultados explicáveis ajudam a garantir a transparência e a responsabilidade do sistema para ganhar a confiança dos usuários.

Mantenha-se à frente da deterioração do modelo

A deterioração do modelo é um desafio único na IA que afeta as decisões de design. A qualidade das saídas do modelo de IA pode se deteriorar ao longo do tempo sem nenhuma alteração no código. Às vezes, a deterioração pode até ocorrer repentinamente devido a mudanças nos dados ou fatores externos.

Esta deterioração afeta vários aspetos do sistema. Esses aspetos incluem velocidade de ingestão de dados, qualidade dos dados, necessidades de monitoramento, processos de avaliação e tempos de reação para corrigir problemas. Implementar a deteção precoce através de uma combinação de processos automatizados para monitorização contínua e avaliação de modelos. Aproveite os comentários dos usuários para ajudar a identificar a deterioração do modelo.

Independentemente dos métodos usados para identificar o decaimento do modelo, a equipe de operações deve envolver cientistas de dados para pesquisar e resolver prontamente possíveis problemas de decaimento.

Design para adaptabilidade

A IA está a avançar a um ritmo acelerado em termos de avanço tecnológico e adoção. Esteja ciente de que o que você constrói hoje pode se tornar obsoleto rapidamente. Tenha essa consideração em mente ao tomar decisões de design e criar processos.

O avanço da IA enfatiza a necessidade de agilidade e flexibilidade. Reconheça que alguns componentes podem ter uma vida útil limitada. Adote uma abordagem de pausa e reflexão que se concentre na descoberta de modelos através de pesquisa, bibliotecas e estruturas de programação e tecnologias de processamento.

Próximo passo

Saiba mais sobre os princípios de design para criar e operar cargas de trabalho de IA no Azure.