ΟΔΗΓΟΣ Εφαρμογών

Λειτουργίες AI

Οι λειτουργίες AI διατηρούν μια υπηρεσία που βασίζεται σε μοντέλα αξιόπιστη μετά την ανάπτυξη.

Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min

Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
  1. Επισκόπηση
  2. Βασικά takeaways
  3. Βαθιά κατάδυση
  4. Απελευθερώστε ένα συμβατό σύστημα
  5. Υλοποίηση σε πραγματικό κόσμο
  6. Κάνοντάς το στην πράξη
  7. Πηγές και περαιτέρω ανάγνωση
  8. Συνεχίστε την εξερεύνηση
  9. Συχνές ερωτήσεις

Επισκόπηση

Καλύπτει την ανάπτυξη, τις εκδόσεις δεδομένων και μοντέλων, τη χρήση πόρων, την παρακολούθηση, την απόκριση συμβάντων και την απόσυρση. Ένα επιτυχημένο πείραμα εκπαίδευσης δεν αποδεικνύει ότι η γύρω ροή εργασιών παραγωγής θα παραμείνει αξιόπιστη.

Βασικά takeaways

  1. Έκδοση η πλήρης έκδοση.
  2. Ελέγξτε την ποιότητα της εργασίας πριν από την προώθηση.
  3. Εκχωρήστε ιδιοκτησία περιστατικού και επαληθεύστε την ανάκτηση.

Βαθιά κατάδυση

Καθορίστε τον στόχο υπηρεσίας και τα όρια λειτουργίας του. Καθορίστε τις αναμενόμενες εισροές, τους στόχους χρόνου απόκρισης, τις ανάγκες διαθεσιμότητας και τι πρέπει να κάνει η υπηρεσία όταν ένα μοντέλο ή μια εξάρτηση δεν είναι διαθέσιμη. Μια ρητή υποβαθμισμένη κατάσταση είναι πιο εύκολη στη διαχείριση από την σιωπηλή αντικατάσταση μιας μη δοκιμασμένης εξόδου. Έκδοση της πλήρους έκδοσης: μοντέλο, μετασχηματισμοί δεδομένων, προτροπές, ευρετήρια ανάκτησης, εξαρτήσεις και διαμόρφωση. Η αλλαγή ενός από αυτά μπορεί να αλλάξει τη συμπεριφορά ακόμη και όταν το δημόσιο API φαίνεται αμετάβλητο. Διατηρήστε μια δοκιμασμένη διαδρομή επιστροφής στην τελευταία συμβατή έκδοση. Αυτοματοποιήστε τους επαναλαμβανόμενους ελέγχους διατηρώντας παράλληλα σημαντικές αποφάσεις αποδέσμευσης. Επικυρώστε συμβάσεις δεδομένων, εκτελέστε αξιολογήσεις εργασιών και δοκιμάστε τα όρια πόρων πριν από την κυκλοφορία. Ένας αγωγός που επανεκπαιδεύεται αυτόματα δεν θα πρέπει να προωθεί αυτόματα κάθε νέο σημείο ελέγχου χωρίς να ελέγχει την ποιότητα και τη συμβατότητα. Εκχωρήστε ιδιοκτήτες για ειδοποιήσεις και αποτυχίες. Καταγράψτε τι συνέβη, ποιοι χρήστες ή έξοδοι επηρεάστηκαν και πώς επαληθεύτηκε η ανάκτηση. Ελέγξτε τα επαναλαμβανόμενα περιστατικά για βασικές αιτίες και όχι μόνο για επανεκκίνηση των υπηρεσιών. Η επιχειρησιακή επιτυχία περιλαμβάνει την ορθότητα των δεδομένων και τα αποτελέσματα των εργασιών καθώς και το χρόνο λειτουργίας.

04Δουλευμένο παράδειγμα

Απελευθερώστε ένα συμβατό σύστημα

  1. Φανταστείτε ένα νέο μοντέλο να αναμένει ένα μετονομασμένο χαρακτηριστικό ενώ η παλιά διοχέτευση εισόδου εξακολουθεί να εξυπηρετεί το προηγούμενο όνομα.

  2. Η ανάπτυξη του μοντέλου μόνο μπορεί να διακόψει αιτήματα, παρόλο που και τα δύο στοιχεία περνούν τις δικές τους μεμονωμένες δοκιμές.

  3. Συσκευάστε τις συμβατές εκδόσεις, δοκιμάστε το συμβόλαιο από άκρο σε άκρο και διατηρήστε το προηγούμενο ζεύγος για επαναφορά.

Αυτό που δείχνει

Η υποθετική έκδοση δείχνει γιατί οι λειτουργίες AI διαχειρίζονται μια διαμόρφωση συστήματος και όχι μόνο ένα αρχείο μοντέλου.

Υλοποίηση σε πραγματικό κόσμο

Δημοσιεύστε ένα μοντέλο και τον κώδικα προεπεξεργασίας του μαζί με μια έκδοση επαναφοράς.

Ελέγξτε ότι μια μη διαθέσιμη υπηρεσία ανάκτησης παράγει μια αληθινή μη διαθέσιμη κατάσταση.

Κάνοντάς το στην πράξη

Γιατί έχει σημασία

  • Δημιουργήστε επιλογές. Ο σχεδιασμός σε επίπεδο εφαρμογής καθορίζει εάν η τεχνητή νοημοσύνη βελτιώνει τα πραγματικά αποτελέσματα.
  • Ομάδα και ροή εργασίας. Η καλή ενσωμάτωση ροής εργασιών δημιουργεί κέρδη παραγωγικότητας που μπορούν να εμπιστευτούν οι χρήστες.
  • Κίνδυνος και ασφάλεια. Οι καλές περιπτώσεις χρήσης μειώνουν την κόπωση λόγω αλλαγής και τον κίνδυνο εφαρμογής.

Προσέξτε

  • Η αυτοματοποίηση μιας διαλυμένης διαδικασίας μπορεί να ενισχύσει τα υπάρχοντα προβλήματα.
  • Οι ομάδες μπορεί να αυτοματοποιήσουν υπερβολικά και να αφαιρέσουν την απαραίτητη ανθρώπινη κρίση.
  • Η ποιότητα μπορεί να αλλάξει αν τα αποτελέσματα δεν αξιολογούνται συνεχώς.

Επόμενα βήματα

  1. Χαρτογραφήστε την τρέχουσα ροή εργασίας και εντοπίστε το βήμα της υψηλότερης τριβής.
  2. Καθορίστε ανθρώπινα σημεία ελέγχου πριν από την πλήρη αυτοματοποίηση.
  3. Εκπαιδεύστε τους χρήστες σε προτροπές, διαδρομές κλιμάκωσης και πρότυπα ποιότητας.
  4. Παρακολουθήστε τα αποτελέσματα σε επίπεδο εργασίας για να επιβεβαιώσετε τη σταθερή αξία.

Πηγές και περαιτέρω ανάγνωση

  1. Google CloudMLOps: αγωγοί συνεχούς παράδοσης και αυτοματισμού

Συνεχίστε την εξερεύνηση

Δωρεάν ενημερωτικό δελτίο

Λάβετε την καθημερινή ενημέρωση AI

Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.

Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.

Δοκιμάστε τον εαυτό σας

Take the AI Operations quiz

Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.

Έναρξη κουίζ

Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά

Συχνές ερωτήσεις

Κάθε μοντέλο που εκπαιδεύτηκε πρόσφατα θα πρέπει να αναπτύσσεται αυτόματα;

Μόνο μέσω μιας διαδικασίας έκδοσης που ελέγχει τις σχετικές απαιτήσεις ποιότητας, συμβατότητας, πόρων και διακυβέρνησης. Μια ολοκληρωμένη εργασία κατάρτισης δεν αρκεί.

Συνέχισε να μαθαίνεις

Σχετικοί οδηγοί

Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα

Λάβετε ένα δωρεάν πιστοποιητικό AIΈνα σύντομο δωρεάν μάθημα και εξέταση. Χωρίς κόστος, χωρίς κάρτα. Περίπου 2,5 ώρες.Ξεκινήστε δωρεάν →