Azure'da yapay zeka iş yükleri
Bu makale, yapay zeka iş yüklerini tasarlamanın mimari zorluklarını ele alır. Belirsiz işlevlere, verilere ve uygulama tasarımına ve işlemlere odaklanır. Öneriler Azure Well-Architected Framework ilkelerini temel alır ve başarılı Azure uygulamalarından içgörüler içerir.
Bu makaleler iş yükü sahiplerine ve mimarlar, geliştirme liderleri ve BT liderleri gibi teknik paydaşlara yöneliktir. Veri bilimcileri gibi özel yapay zeka ve veri rolleri de bu kılavuzun farkında olmalıdır çünkü çeşitli roller ve ekipler arasında işbirliği önemli bir unsurdur.
Not
Azure, iş yükünüzle tümleştirebileceğiniz veya bunun etrafında derleme yapabileceğiniz çeşitli yapay zeka hizmetleri sunar. İş gereksinimlerinize bağlı olarak, tam olarak yönetilen hizmet olarak yazılım (SaaS) çözümleri, hizmet olarak platform (PaaS) çözümleri arasında seçim yapabilir veya kendi yapay zeka çözümünüzü oluşturabilirsiniz. Belirli Azure hizmetleri ve bunların özellikleri burada ele alınmamıştır. Bu bilgiler için ilgili ürün belgelerine başvurmanızı öneririz.
Ayrıca, aşağıdakiler gibi belirli yapay zeka iş yükleri kapsam içinde değildir:
- Copilot Studio gibi düşük kodlu ve kod içermeyen teklifler aracılığıyla gerçekleştirilen iş yükleri.
- Yüksek performanslı bilgi işlem gerektiren iş yükleri.
- Oluşturucu veya ayrımcı yapay zeka kullanım örnekleri uygulamayan iş yükleri.
Yapay zeka iş yükü nedir?
Well-Architected Framework bağlamında yapay zeka iş yükü tahmine dayalı, ayrımcı veya üretken görevlerin gereksinimlerini karşılar. Etik işlevlere odaklanır, hızlı gelişen yapay zeka teknolojilerine uyum sağlar ve ilgili ve açıklanabilir kalır. Sistemin güvenilir, güvenli, verimli ve uygun maliyetli olduğundan emin olmak için her karar noktasına
Yapay zeka iş yükleri geleneksel iş yüklerinden farklıdır çünkü iş yükünün bazı bölümlerindeki belirleyici işlevselliği, sabit sonuçların pratik olmadığı durumlarda çözen belirsiz davranışlarla değiştirir. Bunun yerine, geleneksel sistemlerin sağlayamadığı benzersiz deneyimleri etkinleştirmek için kod ve verileri bir varlıkta veya modelibirleştirir.
Tasarım stratejilerinize başlamadan önce bu önemli noktaları göz önünde bulundurun.
Geniş model kategorileri hakkında bilgi edinin
Oluşturmalı Yapay Zeka: Otonom olarak yeni içerik oluşturmak için makine öğrenmesini kullanır. Kullanıcı verileriyle özelleştirilebilen veya Azure OpenAI Hizmeti gibi hizmetler olarak kullanılabilen dil modellerini içerir. Örneğin, bir dil modeli türü olan GPT, insan konuşma dilini taklit etme konusunda uzmanlaşmıştır ve sohbet ve doğal dil deneyimleri için idealdir.
Kullanım örnekleri: Üretken yapay zeka makale, hikaye ve sanat üretebilir. Ayrıca veri kümelerini dengelemek ve sohbet botlarını daha insansı hale getirmek için yapay veriler oluşturabilir.
Ayrımcı Yapay Zeka: Kurallar ve algoritmalar temelinde belirli görevleri gerçekleştirmek için açık programlamayı kullanır. Şu bölümlere ayrılmıştır:
- Model tabanlı: Tahmine dayalı sistemler, tahminde bulunmak için önceki gözlemlerden gerçekleştirilen eğitimi temel alan desenler bulur, ancak yeni içerik oluşturamaz veya kendi kendilerine uyarlayamaz.
- Model tabanlı olmayan: Otonom aracılar, video oyunu karakterleri gibi sistemlerle etkileşime geçmek için önceden tanımlanmış kuralları izler.
Kullanım örneği: Tahmine dayalı analiz, öneri sistemleri ve sahtekarlık algılama için ayrımcı yapay zeka kullanılır.
Bu makale serisi farklı yapay zeka iş yüklerini kapsar ve gerektiğinde dil modelleri gibi belirli türlere odaklanır.
Önemli
Oluşturucu ve ayrımcı modeller arasında seçim yaptığınızda, gerçekleştirmeniz gereken görevi düşünün. Üretken modeller yeni veriler oluşturur. Ayrımcı modeller, mevcut verileri özelliklere göre sınıflandırır. Sınıflandırma veya regresyon görevleri için işe uygun modelleri seçin. Örneğin, sınıflandırabilen bir dil modeli, yalnızca sınıflandıran bir dil modelinden daha çok yönlü olabilir.
Derlemenizi değerlendirme ve satın alma seçenekleri
Genel yanıtlar kabul edilebilirse, önceden oluşturulmuş bir model veya opak işleme kullanan yapay zeka hizmeti tabanlı bir çözüm iş yükünüz için yeterli olmalıdır. Ancak işletmenize özgü verilere ihtiyacınız varsa veya uyumluluk gereksinimleriniz varsa özel bir model oluşturun.
Özel model, önceden oluşturulmuş bir model veya hizmet arasında seçim yaptığınızda şu faktörleri göz önünde bulundurun:
- Veri denetimi: Özel modeller hassas veriler üzerinde daha fazla denetim sağlar. Önceden oluşturulmuş modeller genel görevler için daha kolaydır.
- özelleştirme
: Özel modeller benzersiz gereksinimler için daha iyidir. Önceden oluşturulmuş modeller esneklikten yoksun olabilir. - Maliyet ve bakım: Özel modellerin sürekli bakım ve kaynaklara ihtiyacı vardır. Önceden oluşturulmuş modeller genellikle daha düşük başlangıç maliyetlerine ve daha az altyapı yüküne sahiptir.
- Performans: Önceden oluşturulmuş hizmetler iyileştirilmiş altyapı ve ölçeklenebilirlik sunar. Düşük gecikme süresi veya yüksek ölçeklenebilirlik gereksinimleri için idealdir.
- Uzmanlık: Özel modeller yetenekli bir ekip gerektirir. Önceden oluşturulmuş modeller genellikle daha hızlı dağıtılır ve uzmanlık sınırlıysa kullanımı daha kolaydır.
Önemli
Kendi modelinizi oluşturmak ve sürdürmek için çok fazla kaynak, zaman ve uzmanlık gerekir. Karar vermeden önce kapsamlı bir şekilde araştırma yapmak önemlidir. Genellikle önceden oluşturulmuş bir model veya yönetilen hizmet seçmek daha iyi bir seçenektir.
Yaygın zorluklar nelerdir?
- İşlem maliyetleri: Yapay zeka işlevleri, yüksek işlem gereksinimleri nedeniyle pahalı olabilir ve işlem gereksinimleri iş yükü tasarımınıza göre farklılık gösterebilir. Gereksinimlerinizi anlayın ve maliyetleri yönetmek için doğru hizmeti seçin.
- Güvenlik ve uyumluluk gereksinimleri: Kullanıma açık çözümler güvenlik ve uyumluluk gereksinimlerinizi karşılamayabilir. Gereksiz yüklerden kaçınmak için araştırma seçenekleri.
- Veri hacmi: Büyük veri hacimlerinin çeşitli biçimlerde işlenmesi, hassas bilgilerin korunması ve verimli işlemenin zorluklarıyla birlikte gelir. Depolama, işleme ve aktarım maliyetlerinin iyileştirilmesi devam eden bir etkinlik olmalıdır.
- Model bozulması: Modeller zaman içinde düşebilir ve bu da yanlış sonuçlara yol açar. Yapay zeka sistemlerinin rastgele olması nedeniyle test edilmesi zordur.
- Beceri zorlukları: Yeni yapay zeka iş yüklerinin özel rollere ve kapsamlı eğitim gerektiren yeni operasyon süreçlerine ihtiyacı olabilir.
- Yapay zeka yeniliklerinin temposu: En son teknolojileri benimsemek, önde kalmak için cazip olabilir. Yeni teknolojileri dikkatli bir şekilde değerlendirerek kullanıcı deneyimini geliştirmelerini sağlayın ve yalnızca güncel olma amacıyla karmaşıklık katmayın.
- Etik gereksinimler: Kullanım örneğinizin yapay zeka için etik bir hedef olup olmadığını açıkça belirleyin. Sorumlu bir sistem oluşturduğunuzdan emin olmak için planlama ve uygulama aşamaları boyunca etik standartların korunması gerekir.
Bu kılavuzu kullanma
✔ Teknik ve operasyonel alanlardaki rasyonalite ve yinelenen temaları özetleyen Tasarım metodolojisiile başlayın. Bu sistematik yaklaşım gereksinimleri ve tasarım stratejilerini tanımlamaya yardımcı olur. İş yükünün genel hedefleriyle uyumlu kalmak için belirsiz seçeneklerle karşılaştığınızda bu metodolojiyi yeniden ziyaret edin. Ayrıca, teknik kararları gerekçelendirmek ve sürekli iyileştirme için müşteri geri bildirimlerini dahil etmek üzere paydaşlarla işbirliği yapmaya yönelik bir çerçeve sağlar.
✔
✔ Çözümünüz üzerinde en büyük etkiye sahip tasarım alanlarına odaklanın. Her alan, tasarım kararlarında size yol gösterecek önemli noktalar ve öneriler içerir.
✔ İyileştirilmiş yapay zeka iş yükünüzün üretimdeki hazırlığını değerlendirmek için Değerlendirme Gözden Geçirme Aracı kullanın.
Tipik mimari deseni ve tasarım alanları
Aşağıdaki diyagramda verilerin ilk koleksiyondan son kullanıcı etkileşimine kadar sistem üzerinden nasıl aktığı gösterilmektedir.
Mimari, yapay zeka temelli çözümlerde verimli veri işleme, model iyileştirme ve gerçek zamanlı uygulama dağıtımı sağlamak için farklı bileşenlerin tümleştirilmesini vurgular. Veri kaynakları, veri işleme, model eğitimi, model dağıtımı ve kullanıcı arabirimleri gibi modülleri içerir.
Aşağıdaki tabloda, bu desenle ilgili bazı temel tasarım alanları açıklanmaktadır.
Tasarım alanları |
---|
uygulama tasarımı |
Uygulama platformu: Model barındırma, model eğitimi ve çıkarım gibi yapay zeka iş yükü işlevlerini desteklemek için kullanılacak en iyi platformları belirleyin. |
Eğitim veri tasarımı: Model eğitim verilerinizi işlemek için veri alımı, ön işleme, saklama ve idare konularına yönelik tasarım stratejileri. |
Topraklama veri tasarımı: Topraklama verileriniz için güvenlik ve uyumluluk gereksinimlerini karşılarken aranabilirliği ve alınabilirliği iyileştirmeye yönelik tasarım stratejileri. |
Veri platformu: İş yükünüzün kullandığı büyük miktarda ve potansiyel olarak birçok veri biçimini işlemek için en iyi barındırma platformunu belirleyin. |
Makine öğrenmesi işlemleri ve Üretken Yapay Zeka işlemleri: Makine öğrenmenizi veya üretken yapay zeka işlevlerinizi ve sistemlerinizi desteklemek için modern DevOps uygulamaları oluşturun. |
İş yükü işlemleri: Operasyonel uygulamalarınızı yeni yaklaşımlarla modernleştirin ve özelleştirilmiş roller ve eğitimler ekleyin. |
Test ve değerlendirme: Yapay zeka iş yükleri için hedeflenen ölçümler aracılığıyla doğruluk, hassasiyet, duyarlılık ve özgüllük gibi özellikleri ölçmek için test ve değerlendirme stratejileri geliştirin. |
İş yükü kişilikleri: Ekibinizin yapay zeka iş yükünüzü oluşturup destekleyebilecek durumda olduğundan emin olmak için kişilerin yapay zeka iş yükünüzün tüm yaşam döngüsüne nasıl dahil olduğunu anlayın. |
sorumlu yapay zeka |
İpucu
Her mimari karar, çerçevenin farklı yönlerini dengeleyen bir dizi önemli nokta ve kabul edilmiş riskler içerir. Bu dengeler bu simgeyle gösterilir.