Azure'da yapay zeka iş yükleri için tasarım metodolojisi

Yapay zeka iş yüklerini tasarlarken, tümleştirdiğiniz kod ve veriler belirlenimci davranışın yerini alır. Bu vardiya tahmin, sınıflandırma ve diğer işlevsel hedefler gibi görevleri kolaylaştırır. Yapay zeka iş yükü mimarisi genellikle karmaşık olabilir ve iş kısıtlamalarıyla uyumlu olmalıdır. Azure Well-Architected Framework, mimari mükemmellik için sağlam bir temel sağlar, ancak yapay zekaya özgü tasarım ilkelerini de göz önünde bulundurmalısınız.

Bu makale, yapay zeka ilkelerine dayalı bir tasarım metodolojisi sunar. Yapay zeka ilkeleri, çözümlerin tasarımına ve iyileştirilmesine sistematik olarak yol gösterir. Metodolojinin bir diğer avantajı da teknik kararları gerekçelendirmek için ürün sahipleri ve paydaşlarla işbirliği yapmaktır. Karar alma konusunda yardıma ihtiyacınız varsa, tasarım yönünüzüüst düzey yapay zeka ilkeleriyle hizalamak için bu metodolojiye geri dönün.

Bir özellik tasarlar veya bir geliştirme eklerseniz, metodoloji perspektifinden değişikliği değerlendirin. Değişikliğiniz kullanıcı deneyimini etkiliyor mu? Değişikliğiniz gelecekteki yeniliklere uyum sağlayacak kadar esnek mi? Deneme akışını kesintiye uğratıyor mu?

Deneysel bir düşünce yapısıyla tasarlama

Gerçek dünyadaki kullanım örneklerine göre yinelemeli ve istatistiksel olarak yönlendiren işlemler ile ilgililiğe ulaşabilmeniz için deneysel bir düşünce yapısıyla tasarlayın.

Yapay zeka denemeleri, her yinelemeden sonra kalite hedeflerine karşı ölçebileceğiniz sonuçlarla sürekli ayarlamalar içerir. İlk model değerlendirmesi ve devam eden iyileştirme sırasında bir deneme döngüsü yapın. İç döngü, modelin geliştirme ortamındaki tahmine dayalı gücünü iyileştirir. Dış döngü, üretim kullanımını izler ve daha fazla iyileştirme veya veri hazırlığı tetikleyebilir. Her iki döngü de iyileştirmeleri belirlemek için sürekli izleme ve değerlendirmeye dayanır.

Her deneme başarılı olmaz. En kötü senaryoları göz önünde bulundurun ve başarısız denemeler için acil durum planlarına sahip olun.

Sorumlu bir şekilde tasarlama

Kullanıcılar yapay zeka sisteminizle etkileşime geçtiğinde, yapay zeka modelinin temel mantığını ve karar verme sürecini anlamasalar bile etik işlevselliğine güvenir. Bu güven sizi manipülasyon, içerik toksisitesi, IP ihlali ve fabrikatasyon yanıtları gibi etik olmayan davranışları önleyen bir sistem tasarlamaktan sorumlu tutar. Sorumlu yapay zeka ilkelerini sistem operasyonlarına ve ekibinizin kültürüne eklemelisiniz. Uygulamalar, kullanıcı etkileşiminin yaşam döngüsüne yayılmalı; bu, kullanıcıların sistemi kullanma konusundaki ilk niyetinden, oturumlar sırasında ve sistem hatalarından kaynaklanan kesintiler esnasında dahi uygun hale getirilmelidir.

İçerik moderasyonu, üretken yapay zekanın sorumlu tasarımında önemli bir stratejidir. İçerik denetimi, güvenlik ve uygunluk sağlamaya yardımcı olmak için istekleri ve yanıtları gerçek zamanlı olarak değerlendirir. Deneme döngülerinin bir parçası olarak, yanlılığı en aza indirmek için algoritmaları adil ve kapsayıcı hale getirmek için çaba gösterin. Yanlılık, sisteme gerçek oturumlar sırasında veya geri bildirim topladığınızda da dahil olmak üzere çeşitli kanallar aracılığıyla girebilir.

Etik veri yönetimi, sorumlu tasarımın merkezinde yer alır. Ne zaman kullanılacağı hakkında bilinçli kararlar alın veya kullanıcı verilerine güvenmekten kaçının. Kullanıcılar, kişisel bilgilerin sistemden kaldırıldığından veya yalnızca kendi onaylarıyla korundığından emin olmak için size güvenir. Bekletme kaçınılmazsa, verileri korumak için güvenilir teknoloji kullandığınızdan emin olun. Bu, gizlilik ve güvenliğin sağlanmasına yardımcı olur.

Açıklanabilirlik için tasarım

Yapay zeka modeli sonuçları açıklanabilir ve gerekçeli olmalıdır. Verilerin çıkış noktalarını, çıkarım işlemlerini ve veri kaynağından hizmet katmanına yolculuğunu izleyebilmelisiniz. Ayrımcı yapay zekada kararlar her adımda gerekçelendirilebilir. Üretken modellerde, açıklanabilirlik karmaşık olabilir. Hem el ile hem de teknik özellikler aracılığıyla karar alma sürecini belgeleyin.

Açıklanabilir sonuçlar, kullanıcıların güvenini kazanmak için sistemin saydamlığını ve sorumluluklarını sağlamaya yardımcı olur.

Model bozunmasından önde olun

Model bozulması, yapay zekada tasarım kararlarını etkileyen benzersiz bir zorluktır. Yapay zeka modeli çıkışlarının kalitesi, kodda değişiklik yapmadan zaman içinde bozulabilir. Bazen verilerdeki veya dış faktörlerdeki değişiklikler nedeniyle bozulmalar aniden ortaya çıkabilir.

Bu bozulma sistemin çeşitli yönlerini etkiler. Bu özellikler arasında veri alma hızı, veri kalitesi, izleme ihtiyaçları, değerlendirme süreçleri ve sorunları düzeltmeye yönelik tepki süreleri yer alır. Sürekli izleme ve model değerlendirmesi için otomatikleştirilmiş işlemlerin bir birleşimiyle erken algılamayı uygulayın. Model bozulmasını tanımlamaya yardımcı olmak için kullanıcı geri bildirimlerinden yararlanın.

Model bozulmasını tanımlamak için kullandığınız yöntemlerden bağımsız olarak operasyon ekibinin olası bozulma sorunlarını araştırmak ve çözmek için veri bilimciler ile etkileşim kurması gerekir.

Uyarlanabilirlik için tasarım

Yapay zeka, teknolojik ilerleme ve benimseme açısından hızla ilerliyor. Bugün oluşturduğunuz hızla kullanımdan kalkabileceğini unutmayın. Tasarım kararları alırken ve süreçler oluştururken bu konuda dikkate alın.

Yapay zeka ilerlemesi,çeviklik ve esneklik gereksinimini vurgular. Bazı bileşenlerin kullanım ömrü sınırlı olabilir. Model keşfi, programlama kitaplıkları ve çerçeveleri ve işleme teknolojileri araştırmalarına odaklanan bir durma ve düşünme yaklaşımını benimseyin.

Sonraki adım

Azure'da yapay zeka iş yükleri oluşturmaya ve çalıştırmaya yönelik tasarım ilkeleri hakkında bilgi edinin.