Metodologi desain untuk beban kerja AI di Azure
Saat Anda merancang beban kerja AI, kode dan data yang Anda integrasikan menggantikan perilaku deterministik. Shift ini memfasilitasi tugas seperti prediksi, klasifikasi, dan sasaran fungsional lainnya. Arsitektur beban kerja AI sering kali dapat menjadi kompleks dan harus selaras dengan kendala bisnis. Azure Well-Architected Framework menyediakan fondasi yang kuat untuk keunggulan arsitektur, tetapi Anda juga harus mempertimbangkan prinsip desain khusus AI.
Artikel ini menyajikan metodologi desain berdasarkan prinsip AI. Prinsip AI secara sistematis memandu desain dan pengoptimalan solusi. Manfaat lain dari metodologi ini adalah kolaborasi dengan pemilik produk dan pemangku kepentingan untuk membenarkan keputusan teknis. Jika Anda memerlukan bantuan dalam membuat keputusan, rujuk kembali metodologi ini untuk menyelaraskan arah desain Anda dengan prinsip AI tingkat tinggi.
Jika Anda merancang kemampuan atau memperkenalkan peningkatan, evaluasi perubahan dari perspektif metodologi. Apakah perubahan Anda memengaruhi pengalaman pengguna? Apakah perubahan Anda cukup fleksibel untuk beradaptasi dengan inovasi di masa depan? Apakah mengganggu alur eksperimen?
Mendesain dengan pola pikir eksperimental
Desain dengan pola pikir eksperimental sehingga Anda dapat mencapai relevansi melalui proses yang berulang dan didorong secara statistik berdasarkan kasus penggunaan dunia nyata.
Eksperimen dalam AI melibatkan penyesuaian berkelanjutan dengan hasil yang dapat Anda ukur terhadap target kualitas setelah setiap perulangan. Lakukan perulangan eksperimen selama evaluasi model awal dan penyempurnaan yang sedang berlangsung. Perulangan dalam menyempurnakan daya prediktif dari sebuah model di lingkungan pengembangan. Loop eksternal memantau penggunaan produksi dan dapat memicu peningkatan lebih lanjut atau persiapan data. Kedua perulangan mengandalkan pemantauan dan evaluasi berkelanjutan untuk mengidentifikasi peningkatan.
Tidak setiap eksperimen berhasil. Pertimbangkan skenario terburuk, dan memiliki rencana kontingensi untuk eksperimen yang gagal.
Desain secara bertanggung jawab
Saat pengguna berinteraksi dengan sistem AI Anda, mereka menempatkan kepercayaan mereka pada fungsionalitas etisnya, bahkan jika mereka tidak memahami logika dan pengambilan keputusan yang mendasar dari model AI. Kepercayaan ini membuat Anda bertanggung jawab untuk merancang sistem yang mencegah perilaku tidak etis, seperti manipulasi, toksisitas konten, pelanggaran IP, dan respons fabrikasi. Anda harus menyematkan prinsip AI yang bertanggung jawab dalam operasi sistem dan dalam budaya tim Anda. Praktik harus diperpanjang sepanjang siklus hidup interaksi pengguna—dari niat awal pengguna untuk menggunakan sistem, selama sesi, dan bahkan selama gangguan yang disebabkan oleh kesalahan sistem.
Moderasi konten adalah strategi utama dalam desain AI generatif yang bertanggung jawab. Moderasi konten mengevaluasi permintaan dan respons secara real time untuk membantu memastikan keamanan dan kepatutan. Sebagai bagian dari perulangan eksperimen, berusaha untuk membuat algoritma adil dan inklusif untuk meminimalkan bias. Bias dapat memasuki sistem melalui berbagai saluran, termasuk selama sesi aktual atau ketika Anda mengumpulkan umpan balik.
Manajemen data yang etis sangat penting untuk desain yang bertanggung jawab. Buat keputusan berdasarkan informasi tentang kapan harus menggunakan atau menghindari mengandalkan data pengguna. Pengguna memercayai Anda untuk memastikan bahwa informasi pribadi dihapus dari sistem atau hanya dipertahankan dengan persetujuan mereka. Jika retensi tidak dapat dihindari, pastikan Anda menggunakan teknologi tepercaya untuk melindungi data, yang membantu memastikan privasi dan keamanan.
Desain untuk penjelasan
Hasil model AI harus dapat dijelaskan dan dapat ditegaskan. Anda harus dapat melacak asal mula data, proses inferensi, dan perjalanan data dari sumber asalnya ke lapisan penyajian. Dalam AI diskriminatif, keputusan dapat dibenarkan dengan setiap langkah. Dalam model generatif, kemampuan penjelasan bisa menjadi kompleks. Dokumentasikan proses pengambilan keputusan, baik secara manual maupun melalui kemampuan teknis.
Hasil yang dapat dijelaskan membantu memastikan transparansi dan akuntabilitas sistem untuk mendapatkan kepercayaan pengguna.
Tetap di depan pembuangan model
Penurunan kualitas model adalah tantangan unik dalam AI yang terdampak pada keputusan desain. Kualitas output model AI dapat memburuk dari waktu ke waktu tanpa perubahan pada kode. Terkadang kerusakan bahkan dapat terjadi secara tiba-tiba karena perubahan data atau faktor eksternal.
Kemunduran ini mempengaruhi berbagai aspek sistem. Aspek-aspek ini termasuk kecepatan penyerapan data, kualitas data, kebutuhan pemantauan, proses evaluasi, dan waktu reaksi untuk memperbaiki masalah. Terapkan deteksi dini melalui kombinasi proses otomatis untuk pemantauan berkelanjutan dan evaluasi model. Manfaatkan umpan balik pengguna untuk membantu mengidentifikasi penurunan model.
Terlepas dari metode yang Anda gunakan untuk mengidentifikasi kerusakan model, tim operasi harus melibatkan ilmuwan data untuk segera meneliti dan mengatasi potensi masalah kerusakan.
Desain untuk kemampuan beradaptasi
AI melaju dengan cepat dalam hal kemajuan dan adopsi teknologi. Ketahuilah bahwa apa yang Anda bangun saat ini mungkin menjadi usang dengan cepat. Ingatlah pertimbangan ini saat Anda membuat keputusan desain dan membuat proses.
Kemajuan AI menekankan kebutuhan akan kelincahan dan fleksibilitas . Kenali bahwa beberapa komponen mungkin memiliki umur terbatas. Mengadopsi pendekatan jeda dan pemikiran
Langkah selanjutnya
Pelajari tentang prinsip desain untuk membangun dan mengoperasikan beban kerja AI di Azure.