افزودن سیستم‌های هوش مصنوعی مولد ممکن است معماری ابری شما را تغییر دهد

از در دسترس بودن داده ها و امنیت گرفته تا انتخاب مدل و نظارت، افزودن هوش مصنوعی مولد به معنای بررسی مجدد معماری ابری شماست.

بنابراین، شما در حال ساخت یک معماری ابری و همچنین طراحی سیستم‌های مولد مبتنی بر هوش مصنوعی هستید. چه کاری را باید متفاوت انجام دهید؟ شما باید همین کار را انجام دهید؟ بهترین شیوه های در حال ظهور چیست؟ پس از ساخت تعدادی از اینها در ۲۰ سال گذشته، و به خصوص در دو سال گذشته، توصیه های من در اینجا آمده است:

مورد استفاده خود را درک کنید

هدف و اهداف هوش مصنوعی مولد را در معماری ابری خود به وضوح تعریف کنید. اگر اشتباهی را به طور مکرر ببینم، معنای هوش مصنوعی مولد در سیستم های تجاری را درک نمی کنم. هدف خود را بدانید، چه تولید محتوا، چه سیستم های توصیه یا سایر برنامه ها.

این به معنای نوشتن مطالب و یافتن اجماع در مورد اهداف، نحوه پرداختن به اهداف، و مهمتر از همه، چگونگی تعریف موفقیت است. این فقط با هوش مصنوعی مولد جدید نیست. این یک گام برای پیروزی با هر مهاجرت و سیستم جدید شبکه ای است که در فضای ابری ساخته شده است.

می‌بینم که کل پروژه‌های هوش مصنوعی در فضای ابری با شکست مواجه می‌شوند، زیرا موارد استفاده تجاری به خوبی درک نشده‌اند. شرکت‌ها چیزی می‌سازند که جالب باشد اما هیچ ارزشی به کسب‌وکار برنمی‌گرداند. این کار نمی کند.

منابع داده و کیفیت آن کلیدی است

منابع داده مورد نیاز برای آموزش و استنتاج توسط مدل هوش مصنوعی مولد را شناسایی کنید. داده ها باید در دسترس، با کیفیت خوب و با دقت مدیریت شوند. همچنین باید از در دسترس بودن و سازگاری با راه حل های ذخیره سازی ابری اطمینان حاصل کنید.

سیستم های هوش مصنوعی مولد بسیار داده محور هستند. من آنها را سیستم های داده گرا می نامم. داده ها سوختی هستند که نتایج را از سیستم های هوش مصنوعی مولد هدایت می کنند. زباله داخل، زباله بیرون.

بنابراین، تمرکز بر دسترسی به داده ها به عنوان محرک اصلی معماری ابر کمک می کند. شما باید به اکثر داده های مربوطه به عنوان داده های آموزشی دسترسی داشته باشید، معمولاً آن ها را در جایی که وجود دارد رها کنید و به یک نهاد فیزیکی منتقل نکنید. در غیر این صورت، با داده‌های اضافی و بدون منبع حقیقت مواجه می‌شوید. قبل از وارد کردن داده ها به مدل های هوش مصنوعی، خطوط لوله داده کارآمد را برای پیش پردازش و تمیز کردن داده ها در نظر بگیرید. این کیفیت داده ها و عملکرد مدل را تضمین می کند.

این حدود ۸۰ درصد از موفقیت معماری ابری است که از هوش مصنوعی مولد استفاده می کند. با این حال، بیشتر نادیده گرفته می شود زیرا معماران ابری بیشتر بر پردازش سیستم هوش مصنوعی مولد تمرکز می کنند تا داده های تغذیه کننده این سیستم ها. داده ها همه چیز هستند.

امنیت و حریم خصوصی داده

همانطور که داده ها مهم هستند، امنیت و حریم خصوصی نیز در آن داده ها اعمال می شود. پردازش هوش مصنوعی مولد می تواند داده های به ظاهر بی معنی را به داده هایی تبدیل کند که می تواند اطلاعات حساس را در معرض دید قرار دهد.

برای محافظت از داده‌های حساس استفاده شده توسط هوش مصنوعی مولد و داده‌های جدیدی که ممکن است هوش مصنوعی مولد تولید کند، اقدامات امنیتی قوی داده، رمزگذاری و کنترل‌های دسترسی را اجرا کنید. حداقل، قوانین مربوط به حفظ حریم خصوصی داده ها را رعایت کنید. این بدان معنا نیست که برخی از سیستم های امنیتی را در معماری خود به عنوان گام نهایی ببندید. امنیت باید در هر مرحله در سیستم ها ایجاد شود.

منابع مقیاس پذیری و استنتاج

برنامه‌ریزی برای منابع ابری مقیاس‌پذیر برای پاسخگویی به حجم‌های کاری مختلف و نیازهای پردازش داده‌ها. اکثر شرکت ها راه حل های مقیاس خودکار و متعادل کننده بار را در نظر می گیرند. یکی از مهم‌ترین اشتباهاتی که می‌بینم، ساختن سیستم‌هایی است که مقیاس خوبی دارند اما بسیار گران هستند. بهتر است مقیاس‌پذیری را با کارایی هزینه متعادل کنید، که می‌تواند انجام شود، اما به معماری و شیوه‌های فنی خوب نیاز دارد.

همچنین، منابع آموزشی و استنباط را نیز بررسی کنید. فکر می‌کنم متوجه شده‌اید که بسیاری از اخبار کنفرانس‌های ابری حول این موضوع است و دلیل خوبی هم دارد. برای آموزش مدل و استنتاج، نمونه‌های ابری مناسب را با GPU یا TPU انتخاب کنید. مجدداً، تخصیص منابع را برای کارایی هزینه بهینه کنید.

انتخاب مدل را در نظر بگیرید

معماری نمونه‌ای از هوش مصنوعی (شبکه‌های متخاصم عمومی، ترانسفورماتورها، و غیره) را بر اساس مورد خاص و الزامات خود انتخاب کنید. خدمات ابری را برای آموزش مدل در نظر بگیرید، مانند AWS SageMaker و دیگران، و راه حل های بهینه را بیابید. این همچنین به معنای درک این است که شما ممکن است مدل‌های متصل زیادی داشته باشید، که معمول خواهد بود.

یک استراتژی استقرار مدل قوی، از جمله نسخه‌سازی و کانتینری‌سازی را اجرا کنید تا مدل هوش مصنوعی را برای برنامه‌ها و سرویس‌های معماری ابری خود در دسترس قرار دهید.

نظارت و ثبت گزارش

تنظیم سیستم‌های نظارت و گزارش‌گیری برای ردیابی عملکرد مدل هوش مصنوعی، استفاده از منابع و مشکلات احتمالی اختیاری نیست. مکانیسم‌های هشدار برای ناهنجاری‌ها و همچنین سیستم‌های مشاهده‌پذیری که برای مقابله با هوش مصنوعی مولد در ابر ساخته شده‌اند، ایجاد کنید.

به‌علاوه، هزینه‌های منابع ابری را به‌طور مداوم نظارت و بهینه‌سازی کنید، زیرا هوش مصنوعی مولد می‌تواند منابع فشرده‌ای باشد. از ابزارها و شیوه های مدیریت هزینه ابری استفاده کنید. این به این معنی است که finops تمام جنبه‌های استقرار شما را نظارت می‌کند – کارایی هزینه عملیاتی در حداقل و کارایی معماری برای ارزیابی بهینه بودن معماری شما. بیشتر معماری نیاز به تنظیم و بهبودهای مداوم دارد.

سایر ملاحظات

برای اطمینان از در دسترس بودن بالا، به خرابی و افزونگی نیاز است، و برنامه‌های بازیابی فاجعه می‌توانند زمان خرابی و از دست دادن داده‌ها را در صورت خرابی سیستم به حداقل برسانند. در صورت لزوم افزونگی را اجرا کنید. همچنین، به طور مرتب امنیت سیستم هوش مصنوعی خود را در زیرساخت ابری بررسی و ارزیابی کنید. آسیب پذیری ها را برطرف کنید و مطابقت را حفظ کنید.

این ایده خوبی است که دستورالعمل‌هایی برای استفاده اخلاقی از هوش مصنوعی ایجاد کنید، به‌ویژه هنگام تولید محتوا یا تصمیم‌گیری‌هایی که بر کاربران تأثیر می‌گذارد. به نگرانی های جانبداری و انصاف رسیدگی کنید. در حال حاضر دعواهایی بر سر هوش مصنوعی و انصاف وجود دارد و شما باید مطمئن شوید که کار درست را انجام می دهید. به طور مداوم تجربه کاربر را ارزیابی کنید تا مطمئن شوید محتوای تولید شده توسط هوش مصنوعی با انتظارات کاربر مطابقت دارد و تعامل را افزایش می‌دهد.

جنبه‌های دیگر معماری محاسبات ابری تقریباً مشابه هستند، چه از هوش مصنوعی مولد استفاده کنید یا نه. نکته کلیدی این است که آگاه باشید که برخی چیزها بسیار مهمتر هستند و نیاز به دقت بیشتری دارند و همیشه جایی برای بهبود وجود دارد.