AI-számítási feladatok az Azure-ban

Ez a cikk az AI-számítási feladatok tervezésének architekturális kihívásaival foglalkozik. A nemdeterminisztikus funkciókra, az adatokra és az alkalmazástervezésre és a műveletekre összpontosít. A javaslatok az Azure Well-Architected-keretrendszer alapelvein alapulnak, és a sikeres Azure-implementációkból származó megállapításokat is tartalmazzák.

Ezek a cikkek a számítási feladatok tulajdonosainak és a műszaki érdekelt feleknek szólnak, például az építészeknek, a fejlesztési érdeklődőknek és az informatikai vezetőknek. A speciális AI- és adatszerepköröknek, például az adattudósoknak is tisztában kell lenniük ezzel az útmutatással, mivel a különböző szerepkörök és csapatok közötti együttműködés kulcsfontosságú szempont.

Mi az AI-számítási feladat?

A Well-Architected Keretrendszer kontextusában az AI-számítási feladatok megfelelnek a prediktív, diszkriminatív vagy generatív feladatok igényeinek. Az etikai funkciókra, a gyorsan fejlődő AI-technológiákhoz való alkalmazkodásra, valamint a releváns és magyarázható funkciókra összpontosít. Alkalmazza a Well-Architected keretrendszer pilléreit minden döntési ponton annak biztosítása érdekében, hogy a rendszer megbízható, biztonságos, hatékony és költséghatékony legyen.

Az AI-számítási feladatok eltérnek a hagyományostól, mivel a számítási feladat egyes részeiben a determinisztikus funkciókat nemdeterminista viselkedésre cserélik, amelyek olyan helyzetekben oldódnak meg, amikor a rögzített eredmények nem praktikusak. Ehelyett kódokat és adatokat egyesítenek egy entitásba vagy egy modellbe, hogy egyedi élményeket biztosítsanak, amelyeket a hagyományos rendszerek nem tudnak biztosítani.

Mielőtt elkezdené a tervezési stratégiákat, először vegye figyelembe ezeket a kulcsfontosságú szempontokat.

A modellek széles kategóriáinak megismerése

• Generatív AI-: Gépi tanulással önállóan hoz létre új tartalmakat. Olyan nyelvi modelleket tartalmaz, amelyek felhasználói adatokkal testre szabhatók, vagy olyan szolgáltatásként használhatók, mint az Azure OpenAI Service. A GPT például egy nyelvi modell, amely az emberi beszélgetési nyelv utánzására specializálódott, és ideális a csevegéshez és a természetes nyelvi élményekhez.

  Használati esetek: A Generatív AI cikkeket, történeteket és művészeteket hozhat létre. Emellett szintetikus adatokat is képes létrehozni az adathalmazok kiegyensúlyozásához és a csevegőrobotok emberibbé alakításához.

• Diszkriminatív AI-: Explicit programozással hajt végre meghatározott feladatokat szabályok és algoritmusok alapján. A következő részekre oszlik:

  • Modellalapú: A prediktív rendszerek a korábbi megfigyelésekből végzett betanítások alapján találnak mintákat, hogy előrejelzéseket készítsenek, de nem hozhatnak létre új tartalmakat, és nem tudnak önállóan alkalmazkodni.
  • Nem modellalapú: Az autonóm ügynökök előre meghatározott szabályokat követnek a rendszerekkel, például videojáték-karakterekkel való interakcióhoz.

  Használati eset: A diszkriminatív AI prediktív elemzésekhez, javaslati rendszerekhez és csalások észleléséhez használatos.

Ez a cikksorozat különböző AI-számítási feladatokat tartalmaz, és adott típusokra, például szükség esetén nyelvi modellekre összpontosít.

A build és a vásárlási lehetőségek kiértékelése

Ha az általános válaszok elfogadhatók, egy előre összeállított modellnek vagy egy átlátszatlan feldolgozást használó AI-szolgáltatásalapú megoldásnak elegendőnek kell lennie a számítási feladathoz. Ha azonban a vállalatra jellemző adatokra van szüksége, vagy megfelelőségi követelményekkel rendelkezik, hozzon létre egy egyéni modellt.

Ha egyéni modell, előre összeállított modell vagy szolgáltatás közül választ, vegye figyelembe az alábbi tényezőket:

• Adatvezérlési: Az egyéni modellek nagyobb vezérlést biztosítanak a bizalmas adatok felett. Az előre összeállított modellek egyszerűbbek az általános feladatokhoz.
• Testreszabási: Az egyéni modellek jobbak az egyedi igényekhez. Előfordulhat, hogy az előre összeállított modellek nem rugalmasak.
• Költségek és karbantartás: Az egyéni modelleknek folyamatos karbantartásra és erőforrásokra van szükségük. Az előre összeállított modellek általában alacsonyabb kezdeti költségekkel és kisebb infrastruktúrával rendelkeznek.
• Teljesítmény: Az előre összeállított szolgáltatások optimalizált infrastruktúrát és méretezhetőséget kínálnak. Alacsony késésű vagy nagy méretezhetőségi igényekhez ideálisak.
• Szakértelem: Az egyéni modellekhez képzett csapat szükséges. Az előre összeállított modellek gyakran gyorsabban üzembe helyezhetők és könnyebben használhatók, ha a szakértelem korlátozott.

Mik a gyakori kihívások?

• számítási költségek: Az AI-függvények költségesek lehetnek a nagy számítási igények miatt, és a számítási igények a számítási feladatok kialakításától függően változhatnak. Ismerje meg a követelményeket, és válassza ki a megfelelő szolgáltatást a költségek kezeléséhez.
• biztonsági és megfelelőségi követelmények: Előfordulhat, hogy a polcon kívüli megoldások nem felelnek meg a biztonsági és megfelelőségi követelményeknek. Kutatási lehetőségek a szükségtelen terhek elkerülése érdekében.
• Adatmennyiség: A nagy adatmennyiségek különböző formátumokban való kezelése kihívást jelent a bizalmas információk védelme és a hatékony feldolgozás terén. A tárolási, feldolgozási és átviteli költségek optimalizálásának folyamatos tevékenységnek kell lennie.
• modell romlása: A modellek idővel csökkenhetnek, ami pontatlan eredményekhez vezet. Az AI-rendszerek tesztelése a véletlenszerűségük miatt kihívást jelent.
• Képességekkel kapcsolatos kihívások: Az új AI-számítási feladatokhoz speciális szerepkörökre és olyan új üzemeltetési folyamatokra lehet szükség, amelyek széles körű képzést igényelnek.
• MI-innováció üteme: A legújabb technológiák bevezetése vonzó lehet, hogy az élvonalban maradjunk. Gondosan értékelje ki az új technológiákat annak érdekében, hogy javíthassák a felhasználói élményt, és ne csak összetettebbé tegyük őket a naprakészség érdekében.
• etikai követelmények: Egyértelműen meghatározza, hogy a használati eset etikai cél-e a mesterséges intelligencia számára. Az etikai szabványok fenntartása a tervezési és megvalósítási fázisok során szükséges ahhoz, hogy felelősségteljes rendszert alakítson ki.

Útmutató használata

✔ Kezdje a Tervezési módszertannal, amely a technikai és működési területekre vonatkozó indokokat és ismétlődő témákat ismerteti. Ez a szisztematikus megközelítés segít meghatározni a követelményeket és a tervezési stratégiákat. Ezt a módszertant akkor érdemes újra áttekinteni, ha bizonytalan döntésekkel szembesül, hogy igazodjon a számítási feladat általános céljaihoz. Emellett keretrendszert biztosít az érdekelt felekkel való együttműködéshez a technikai döntések indoklása és a folyamatos fejlesztés érdekében az ügyfelek visszajelzéseinek beépítése érdekében.

✔ Folytassa a tervezési alapelvek annak megtekintéséhez, hogy a tervezési módszertan hogyan igazodik az alapvető Well-Architected Keretrendszer alappilléreihez. Fontolja meg a növekedés fejlődését. Értékelje ki az alapul szolgáló alapelveket az összes pillérre vonatkozóan, beleértve a kompromisszumokat is.

✔ Összpontosítson azokra a tervezési területekre , amelyek a legnagyobb hatással vannak a megoldásra. Minden terület olyan szempontokat és javaslatokat tartalmaz, amelyek végigvezetik a tervezési döntéseken.

✔ Az Assessment Review Tool használatával értékelheti az optimalizált AI-számítási feladatok éles környezetben való készültségét.

Jellemző architektúraminta és tervezési területek

Az alábbi ábra bemutatja, hogyan haladnak át az adatok a rendszeren a kezdeti gyűjteménytől a végső felhasználói interakcióig.

Az architektúra kiemeli a különböző összetevők integrálását, hogy hatékony adatfeldolgozást, modelloptimalizálást és valós idejű alkalmazástelepítést lehessen lehetővé tenni az AI-alapú megoldásokban. Olyan modulokat tartalmaz, mint az adatforrások, az adatfeldolgozás, a modell betanítása, a modell üzembe helyezése és a felhasználói felületek.

Az alábbi táblázat az adott mintához kapcsolódó főbb tervezési területeket ismerteti.

Következő lépés