Designmethodik für KI-Workloads in Azure

Wenn Sie KI-Workloads entwerfen, ersetzen die von Ihnen integrierten Code- und Datenkomponenten das deterministische Verhalten. Diese Schicht erleichtert Aufgaben wie Vorhersage, Klassifizierung und andere funktionale Ziele. Die KI-Workload-Architektur kann häufig komplex sein und muss sich an Geschäftseinschränkungen orientieren. Das Azure Well-Architected Framework bietet eine solide Grundlage für architektonische Exzellenz, aber Sie sollten auch KI-spezifische Designprinzipien berücksichtigen.

In diesem Artikel wird eine Designmethodik basierend auf KI-Prinzipien beschrieben. Die KI-Prinzipien leiten systematisch das Design und die Optimierung von Lösungen. Ein weiterer Vorteil der Methodik ist die Zusammenarbeit mit Produktbesitzern und Projektbeteiligten, um technische Entscheidungen zu rechtfertigen. Wenn Sie Hilfe bei der Entscheidungsfindung benötigen, wenden Sie sich an diese Methodik, um Ihre Entwurfsrichtung mit allgemeinen KI-Prinzipien auszurichten.

Wenn Sie eine Funktion entwerfen oder eine Verbesserung einführen, bewerten Sie die Änderung aus der Methodologieperspektive. Wirkt sich Ihre Änderung auf die Benutzererfahrung aus? Sind Ihre Veränderungen flexibel genug, um sich an zukünftige Innovationen anzupassen? Stört es den Experimentierfluss?

Design mit experimenteller Denkweise

Entwerfen Sie mit einer experimentellen Denkweise, sodass Sie Relevanz durch iterative und statistisch gesteuerte Prozesse, die auf realen Anwendungsfällen basieren, Relevanz zu erreichen.

Das Experimentieren in KI umfasst kontinuierliche Anpassungen mit Ergebnissen, die Sie nach jeder Iteration mit Qualitätszielen messen können. Führen Sie während der anfänglichen Bewertung des Modells und der laufenden Verfeinerung eine Versuchsschleife durch. Die innere Schleife optimiert die Vorhersagekraft eines Modells in einer Entwicklungsumgebung. Die äußere Schleife überwacht den Produktionseinsatz und kann eine weitere Verfeinerung oder Datenvorbereitung auslösen. Beide Schleifen basieren auf einer kontinuierlichen Überwachung und Auswertung, um Verbesserungen zu identifizieren.

Nicht jedes Experiment ist erfolgreich. Berücksichtigen Sie Worst-Case-Szenarien und haben Alternativpläne für fehlgeschlagene Experimente.

Verantwortungsvolles Design

Wenn Benutzer mit Ihrem KI-System interagieren, setzen sie ihr Vertrauen in die ethische Funktionalität, auch dann, wenn sie die zugrunde liegende Logik und Entscheidungsprozesse des KI-Modells nicht verstehen. Diese Vertrauensstellung hält Sie für das Entwerfen eines Systems verantwortlich, das unethische Verhaltensweisen verhindert, z. B. Manipulation, Inhaltstoxizität, IP-Verletzung und erstellte Reaktionen. Sie sollten verantwortungsvolle KI-Prinzipien in die Betriebsabläufe der Systeme und in die Kultur Ihres Teams einbetten. Die Methoden müssen sich über den gesamten Lebenszyklus der Benutzerinteraktion erstrecken – von der anfänglichen Absicht des Benutzers bis zur Verwendung des Systems, während Sitzungen und sogar während Störungen, die durch Systemfehler verursacht werden.

Die Inhaltsmoderation ist eine Schlüsselstrategie bei der verantwortungsvollen Gestaltung von generativen KI. Die Inhaltsmoderation wertet Anforderungen und Antworten in Echtzeit aus, um die Sicherheit und Angemessenheit zu gewährleisten. Als Teil der Experimentierschleifen bemühen Sie sich, Algorithmen fair und inklusive zu machen, um Verzerrungen zu minimieren. Vorurteile können auf verschiedene Weise in das System eindringen, einschließlich bei tatsächlichen Sitzungen oder wenn Sie Feedback sammeln.

Ethische Datenverwaltung ist für verantwortungsvolles Design von zentraler Bedeutung. Treffen Sie fundierte Entscheidungen darüber, wann Benutzerdaten verwendet oder vermieden werden sollen. Benutzer vertrauen Ihnen, um sicherzustellen, dass persönliche Informationen entweder aus dem System entfernt oder nur mit ihrer Zustimmung aufbewahrt werden. Wenn die Aufbewahrung unvermeidlich ist, stellen Sie sicher, dass Sie vertrauenswürdige Technologien verwenden, um Daten zu schützen, wodurch Datenschutz und Sicherheit gewährleistet werden.

Design zur Erläuterung

KI-Modellergebnisse müssen zu erklären und zu rechtfertigen sein. Sie sollten in der Lage sein, die Ursprünge der Daten, die Ableitungsprozesse und den Weg von Daten von der Quelle zur Serve-Ebene nachzuverfolgen. Bei diskriminativer KI können Entscheidungen mit jedem Schritt gerechtfertigt werden. Bei generativen Modellen kann die Erläuterung komplex sein. Dokumentieren Sie den Entscheidungsprozess sowohl manuell als auch durch technische Funktionen.

Erklärende Ergebnisse tragen dazu bei, die Transparenz und Rechenschaftspflicht des Systems zu gewährleisten, um das Vertrauen der Benutzer zu gewinnen.

Bleiben Sie vor dem Modellverfall

Der Modellverfall ist eine einzigartige Herausforderung in KI, die Designentscheidungen beeinflusst. Die Qualität der KI-Modellausgaben kann sich im Laufe der Zeit verschlechtern, ohne dass Änderungen am Code vorgenommen werden. Manchmal kann eine Verschlechterung sogar plötzlich auftreten, weil sich Daten oder externe Faktoren ändern.

Diese Verschlechterung betrifft verschiedene Aspekte des Systems. Zu diesen Aspekten gehören Datenaufnahmegeschwindigkeit, Datenqualität, Überwachungsanforderungen, Auswertungsprozesse und Reaktionszeiten zur Behebung von Problemen. Implementieren Sie die frühzeitige Erkennung durch eine Kombination automatisierter Prozesse für die kontinuierliche Überwachung und Modellauswertung. Nutzen Sie das Benutzerfeedback, um den Modellverfall zu identifizieren.

Unabhängig von den Methoden, die Sie zum Identifizieren des Modellverfalls verwenden, muss das Betriebsteam Datenwissenschaftler einbeziehen, um potenzielle Verfallsprobleme umgehend zu erforschen und zu beheben.

Design zur Anpassungsfähigkeit

KI schreitet in rasantem Tempo in Bezug auf technologische Fortschritte und Akzeptanz voran. Beachten Sie, dass was Sie heute entwickeln, schnell veraltet werden könnte. Berücksichtigen Sie diese Überlegung, wenn Sie Entwurfsentscheidungen treffen und Prozesse erstellen.

KI-Fortschritte fordern Agilität und Flexibilität. Erkennen Sie, dass einige Komponenten möglicherweise eine begrenzte Lebensdauer haben. Übernehmen Sie einen Ansatz zum Anhalten und Denken, der sich auf die Forschung von Modellermittlung, Programmierbibliotheken und Frameworks und Verarbeitungstechnologien konzentriert.

Nächster Schritt

Erfahren Sie mehr über Designprinzipien zum Erstellen und Betreiben von KI-Workloads in Azure.