Методология проектирования рабочих нагрузок ИИ в Azure

При разработке рабочих нагрузок ИИ код и данные, которые вы интегрируете, заменяет детерминированное поведение. Этот сдвиг упрощает такие задачи, как прогнозирование, классификация и другие функциональные цели. Архитектура рабочей нагрузки ИИ часто может быть сложной и должна соответствовать бизнес-ограничениям. Azure Well-Architected Framework обеспечивает надежную основу для архитектурного превосходства, но следует также рассмотреть принципы проектирования, относящиеся к искусственному интеллекту.

В этой статье представлена методология проектирования на основе принципов ИИ. Принципы искусственного интеллекта систематически направляют разработку и оптимизацию решений. Еще одним преимуществом методологии является сотрудничество с владельцами продуктов и заинтересованными лицами, чтобы оправдать технические решения. Если вам нужна помощь в принятии решений, обратитесь к этой методологии, чтобы соотнести курс проектирования с общими принципами ИИ.

Если вы разрабатываете возможность или вводите улучшение, оцените изменение с точки зрения методологии. Влияет ли ваше изменение на взаимодействие с пользователем? Является ли ваше изменение достаточно гибким, чтобы адаптироваться к будущим инновациям? Нарушает ли он поток экспериментирования?

Проектирование с экспериментальным мышлением

Разработка с экспериментальным мышлением, чтобы достичь релевантности с помощью итеративных и статистически управляемых процессов на основе реальных вариантов использования.

Экспериментирование в ИИ включает непрерывную корректировку с результатами, которые можно измерять с учетом целевых показателей качества после каждой итерации. Выполняйте цикл экспериментов во время начальной оценки модели и текущего уточнения. Внутренний цикл улучшает предсказательную способность модели в среде разработки. Внешний цикл отслеживает производственное использование и может инициировать дальнейшее уточнение или подготовку данных. Оба цикла используют непрерывный мониторинг и оценку для выявления улучшений.

Не каждый эксперимент завершается успешно. Рассмотрите наихудшие сценарии и имейте планы на случай непредвиденных ситуаций для неудачных экспериментов.

Проектирование ответственно

Когда пользователи взаимодействуют с вашей системой ИИ, они доверяют её этическому функционированию, даже если они не понимают лежащую в основе логику и принятие решений модели ИИ. Вы несете ответственность за разработку системы, которая предотвращает неэтическое поведение, такое как манипуляции, токсичное содержание, нарушение интеллектуальной собственности и сфабрикованные ответы. Необходимо внедрить ответственные принципы ИИ в системные операции и в культуру вашей команды. Методы должны расширяться на протяжении всего жизненного цикла взаимодействия с пользователем— от первоначального намерения пользователей использовать систему, во время сеансов и даже во время сбоев, вызванных системными ошибками.

Модерация содержимого — это ключевая стратегия ответственного проектирования создания искусственного интеллекта. Модерация содержимого оценивает запросы и ответы в режиме реального времени, чтобы обеспечить безопасность и соответствие. В рамках циклов экспериментирования старайтесь сделать алгоритмы справедливыми и инклюзивными, чтобы свести к минимуму смещение. Предвзятость может входить в систему через различные каналы, в том числе во время фактических сеансов или при сборе отзывов.

Этичное управление данными является центральным для ответственной разработки. Принимать обоснованные решения о том, когда следует использовать или избегать использования данных пользователя. Пользователи доверяют вам, чтобы личная информация была удалена из системы или сохранена только с их согласием. Если хранение неизбежно, убедитесь, что вы используете надежную технологию для защиты данных, что помогает обеспечить конфиденциальность и безопасность.

Проектирование для объяснимости

Результаты модели искусственного интеллекта должны быть объяснимыми и оправданными. Вы должны иметь возможность отслеживать происхождение данных, процессы вывода заключений и путь данных от их источника до слоя обслуживания. В дискриминируемом ИИ решения могут быть оправданы с каждым шагом. В генеривных моделях объясняемость может быть сложной. Задокументируйте процесс принятия решений вручную и с помощью технических возможностей.

Объясняемые результаты помогают обеспечить прозрачность и подотчетность системы для получения доверия пользователей.

Оставайтесь впереди распада модели

Разложение модели является уникальной задачей в ИИ, которая влияет на решения по проектированию. качество выходных данных модели ИИ может ухудшаться со временем, даже без изменений в коде. Иногда ухудшение может произойти даже из-за изменений данных или внешних факторов.

Это ухудшение влияет на различные аспекты системы. К этим аспектам относятся скорость приема данных, качество данных, потребности мониторинга, процессы оценки и время реакции на исправление проблем. Реализуйте раннее обнаружение с помощью сочетания автоматизированных процессов для непрерывного мониторинга и оценки моделей. Воспользуйтесь преимуществами отзывов пользователей для выявления распада модели.

Независимо от методов, используемых для выявления распада модели, группа операций должна привлечь специалистов по обработке и анализу данных для оперативного исследования и решения потенциальных проблем распада.

Проектирование для адаптации

ИИ продвигается в быстром темпе с точки зрения технологического прогресса и внедрения. Помните, что то, что вы создаете сегодня, может стать устаревшим быстро. Помните об этом при принятии решений по проектированию и созданию процессов.

Улучшение искусственного интеллекта подчеркивает необходимость гибкости и адаптивности. Признайте, что некоторые компоненты могут иметь ограниченный срок службы. Примите подход 'остановись и подумай', который фокусируется на исследованиях поиска моделей, библиотек программирования, фреймворков и технологий обработки.

Следующий шаг

Узнайте о принципах проектирования для создания рабочих нагрузок ИИ и управления ими в Azure.