클라우드 아키텍처의 생성적 AI에 대한 몇 가지 제안

원래 의미를 바꾸지 않고 내용을 다시 작성하려면 언어를 중국어로 다시 작성해야 하며, 원래 문장이 나타날 필요는 없습니다.

이 내용을 다시 표현하려면 다음 단어를 사용할 수 있습니다. 기획 |

제너레이티브 AI의 추가는 클라우드 아키텍처에 큰 영향을 미칩니다. 데이터 가용성, 보안, 모델 선택 및 모니터링과 같은 영역을 포함하여 많은 변화가 다가오고 있습니다. 따라서 클라우드 아키텍처를 구축하면서 생성적 AI 기반 시스템도 설계하는 경우 몇 가지 다른 변경이 필요합니다. 동시에 새로운 모범 사례를 고려해야 합니다. 지난 20년간의 경험을 종합하여 참고용으로 저자가 제시한 몇 가지 제안은 다음과 같습니다

1. 사용 사례를 이해하세요

클라우드 아키텍처에서 인공 지능을 생성하는 목적과 목표를 명확하게 정의하세요. 반복해서 보는 실수가 있다면 비즈니스 시스템에서 인공지능을 생성한다는 것이 무엇을 의미하는지 이해하지 못하는 것입니다. 콘텐츠 생성, 추천 시스템, 기타 애플리케이션 등 달성하려는 목표가 무엇인지 파악하세요. 이는 내용을 기록하고 목표, 목표 달성 방법, 가장 중요하게는 성공을 정의하는 방법에 동의하는 것을 의미합니다. 이는 생성적 AI에 새로운 것이 아닙니다. 모든 마이그레이션과 클라우드에 구축된 완전히 새로운 시스템에서 승리하는 단계입니다.

클라우드의 전체 생성 AI 프로젝트가 비즈니스 사용 사례를 잘 이해하지 못해 실패하는 경우를 많이 보았습니다. 회사는 멋진 것을 만들지만 비즈니스에 가치를 더해주지는 않습니다. 이것은 작동하지 않습니다.

2. 데이터 소스와 품질이 핵심입니다

다음과 같이 다시 작성: 인공지능 모델을 훈련하고 추론하려면 적합한 데이터 소스를 식별해야 합니다. 이 데이터는 액세스 가능하고 고품질이어야 하며 엄격하게 관리되어야 합니다. 동시에 클라우드 스토리지 솔루션의 가용성과 호환성을 보장하는 것도 필요합니다. 생성적 인공지능 시스템은 데이터를 핵심으로 삼으며 데이터 지향 시스템이라고 할 수 있습니다. 데이터는 생성적 인공지능 시스템이 생성하는 결과를 이끌어내는 핵심입니다. 좋은 데이터 입력이 있어야만 좋은 결과를 얻을 수 있습니다

따라서 데이터 접근성을 클라우드 아키텍처의 주요 동인으로 고려하는 것이 도움이 됩니다. 대부분의 관련 데이터에 교육 데이터로 액세스해야 하며 일반적으로 단일 물리적 엔터티로 마이그레이션하는 대신 기존 위치에 유지해야 합니다. 그렇지 않으면 중복된 데이터가 발생하고 단일 진실 소스가 없게 됩니다.

AI 모델에 데이터를 공급하기 전에 데이터를 사전 처리하고 정리하는 효율적인 데이터 파이프라인을 고려하세요. 이는 데이터 품질과 모델 성능을 보장합니다. 이는 생성 AI를 사용한 클라우드 아키텍처의 성공률이 약 80%에 달하는 것입니다. 그러나 클라우드 설계자는 해당 시스템에 데이터를 제공하기보다는 AI 시스템을 생성하는 처리에 더 중점을 두기 때문에 이는 가장 쉽게 간과됩니다. 데이터가 전부입니다.

3. 데이터 보안 및 개인 정보 보호

데이터가 중요한 것처럼 데이터에 적용되는 보안 및 개인 정보 보호도 중요합니다. AI의 생성 처리는 무의미해 보이는 데이터를 민감한 정보를 노출할 수 있는 데이터로 변환할 수 있습니다.

AI 사용을 생성하는 민감한 데이터와 생성될 수 있는 새로운 데이터를 보호하려면 강력한 데이터 보안 조치, 암호화 및 액세스 제어를 구현해야 합니다. 동시에 최소한 관련 데이터 개인 정보 보호 규정을 준수하십시오. 이는 단지 마지막 단계로 아키텍처에 일부 보안 시스템을 설치한다는 의미가 아닙니다. 보안은 모든 단계에서 시스템에 구현되어야 합니다.

4. 확장성 및 추론 리소스

다양한 워크로드 및 데이터 처리를 수용할 수 있는 확장 가능한 클라우드 리소스 계획 필요합니다. 대부분의 회사에서는 자동 확장 및 로드 밸런싱 솔루션을 고려합니다. 제가 본 가장 심각한 실수 중 하나는 확장성은 좋지만 비용이 많이 드는 시스템을 구축하는 것입니다.

다시 작성해야 하는 내용은 원래 의미를 변경하지 않고 중국어로 다시 작성해야 한다는 것입니다. 원래 문장이 나타날 필요는 없습니다

5. 모델 선택을 고려하세요

특정 사용 사례와 요구 사항에 따라 모범적인 생성 AI 아키텍처(일반 적대 네트워크, 변환기 등)를 선택하세요. AWS SageMaker 등 모델 교육을 위한 클라우드 서비스를 고려하고 최적화된 솔루션을 찾으세요. 이는 또한 상호 연관된 모델이 많을 수 있으며 이것이 표준이 될 것임을 이해하는 것을 의미합니다.

클라우드 아키텍처의 애플리케이션과 서비스가 AI 모델에 액세스할 수 있도록 버전 제어 및 컨테이너화를 포함하는 강력한 모델 배포 전략을 구현해야 합니다.

6. 모니터링 및 로깅

AI를 추적하기 위한 모니터링 및 로깅 시스템 설정 모델 성능, 리소스 활용도 및 잠재적인 문제는 선택 사항이 아닙니다. 클라우드에서 생성된 AI를 처리하기 위해 구축된 예외 경고 메커니즘과 관찰 시스템을 구축합니다.

또한 생성 AI의 리소스 수요가 더 높을 수 있으므로 클라우드 리소스 비용을 지속적으로 모니터링하고 최적화해야 합니다. 이는 클라우드 비용 관리 도구 및 관행을 사용하여 달성할 수 있습니다. 이는 finops가 아키텍처가 최적인지 평가하기 위해 최소 운영 비용 효율성 및 아키텍처 효율성을 포함하여 배포의 모든 측면을 모니터링해야 함을 의미합니다. 대부분의 아키텍처에는 조정과 지속적인 개선이 필요합니다

7. 기타 고려 사항

고가용성을 보장하려면 시스템 오류 발생 시 가동 중지 시간과 데이터 손실을 최소화하기 위한 장애 조치 및 중복 작업이 필요합니다. 필요한 경우 중복 조치를 구현합니다. 또한, 클라우드 인프라에서 생성된 AI 시스템의 보안은 취약점을 해결하고 규정 준수를 유지하기 위해 정기적으로 감사 및 평가되어야 합니다

특히 사용자에게 영향을 미치는 콘텐츠를 생성하거나 의사결정을 내릴 때 인공지능의 윤리적 사용에 대한 지침을 개발하는 것이 현명합니다. 그러므로 우리는 편견과 공정성의 문제를 해결해야 합니다. 인공지능과 공정성에 대한 소송이 진행 중이며, 우리는 옳은 일을 하고 있는지 확인해야 합니다. AI 생성 콘텐츠가 사용자 기대를 충족하고 사용자 참여를 향상시킬 수 있도록 사용자 경험을 지속적으로 평가하세요.

생성 AI 사용 여부에 관계없이 클라우드 컴퓨팅 아키텍처의 다른 측면은 동일합니다. 중요한 것은 어떤 것들은 훨씬 더 중요하고 더 엄격해야 하며 항상 개선의 여지가 있다는 것을 깨닫는 것입니다.

참조 링크: //m.sbmmt.com/link/edfccb5cf44f7c2c385f8d4470117a0d

위 내용은 클라우드 아키텍처의 생성적 AI에 대한 몇 가지 제안의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!