Projektowanie infrastruktury IT opartej na sztucznej inteligencji w środowiskach Windows i Azure nie jest już zarezerwowane wyłącznie dla laboratoriów eksperymentalnych. Dziś jest to bardzo namacalna rzeczywistość, z dojrzałymi narzędziami, wysoce dopracowanymi architekturami referencyjnymi i usługami zarządzanymi, które pozwalają na przejście od koncepcji do produkcji w bardzo krótkim czasie, przy jednoczesnym zachowaniu bezpieczeństwa, zarządzania i kosztów pod kontrolą.
Celem nie jest już tylko „umieszczenie sztucznej inteligencji” na istniejących systemach, ale zbudowanie niezbędnej infrastruktury danych, obliczeń i zabezpieczeń, aby sztuczna inteligencja stała się naturalnym elementem obciążeń: od aplikacji biznesowych w systemie Windows po natywne rozwiązania w usłudze Azure, które łączą tradycyjne uczenie maszynowe, generatywną sztuczną inteligencję, inteligentnych agentów i zaawansowaną analizę.
Co rozumiemy pod pojęciem sztucznej inteligencji w nowoczesnej infrastrukturze IT?
Kiedy mówimy o sztucznej inteligencji w Azure, mamy na myśli zestaw technologii, które umożliwiają maszynom naśladowanie ludzkich zdolności poznawczych : analizowanie złożonych informacji, rozumienie języka naturalnego, interpretowanie obrazów i dźwięków, płynne prowadzenie konwersacji czy generowanie zupełnie nowych treści.
W praktyce infrastruktura informatyczna oparta na sztucznej inteligencji musi obsługiwać aplikacje, które potrafią na przykład analizować ogromne ilości danych w celu tworzenia obrazów lub filmów , rozumieć i syntetyzować język w czasie rzeczywistym, komunikować się z użytkownikami za pomocą głosu, generować kod, tworzyć prognozy lub wzbogacać procesy biznesowe o inteligentne rekomendacje.
Dla architekta rozwiązań wyzwanie jest dwojakie: z jednej strony zrozumienie pełnego krajobrazu sztucznej inteligencji i uczenia maszynowego ; z drugiej strony wiedza, jak dopasować odpowiednie usługi platformy Azure (uczenie maszynowe, Azure AI, Fabric, Foundry itp.) do projektu obciążenia, nie łamiąc przy tym zasad bezpieczeństwa, niezawodności, wydajności i optymalizacji kosztów.
Zasady architektury: Azure Well-Architected Framework dla AI
Firma Microsoft zgromadziła lata doświadczeń w ramach platformy Azure Well-Architected Framework , która z pewnymi niuansami ma również zastosowanie do obciążeń związanych ze sztuczną inteligencją i uczeniem maszynowym. Centrum architektury platformy Azure oferuje przykładowe architektury, szczegółowe przewodniki i plany bazowe, które można niemal po prostu „skopiować i wkleić” do swoich scenariuszy, o ile przestrzega się pięciu klasycznych filarów: niezawodności, bezpieczeństwa, optymalizacji kosztów, doskonałości operacyjnej i efektywności wydajności.
Rozwiązania AI charakteryzują się unikalnymi cechami: modelami, które są trenowane i ponownie trenowane , potokami danych, które nigdy się nie zatrzymują, współdzielonymi procesorami graficznymi (GPU), usługami stron trzecich (takimi jak modele językowe) wykorzystywanymi za pośrednictwem interfejsów API oraz bardziej rygorystycznymi wymaganiami dotyczącymi zarządzania danymi . Właśnie dlatego w ramach Well-Architected Framework dostępne są szczegółowe przewodniki dotyczące obciążeń AI, zawierające konkretne zalecenia dotyczące projektowania, bezpieczeństwa, danych i obserwowalności.
Chodzi o to, aby nie zaczynać od zera: możesz wziąć architektury referencyjne dla sztucznej inteligencji i uczenia maszynowego na platformie Azure , które są już udokumentowane (na przykład te oparte na Foundry i Azure OpenAI) i dostosować je do swojej organizacji, dodając zasady dotyczące sieci, tożsamości, zgodności i operacji.
Kluczowe koncepcje sztucznej inteligencji w projektowaniu infrastruktury
Zanim zdefiniujesz podsieci, konta pamięci masowej lub klastry, warto zrozumieć, jak sztuczna inteligencja działa wewnętrznie. Nie musisz być analitykiem danych, ale musisz zrozumieć podstawowe elementy, które determinują architekturę techniczną oraz zależności, które będziesz musiał wdrożyć i utrzymywać.
Algorytmy i modele uczenia maszynowego
Sercem każdego rozwiązania AI są algorytmy uczenia maszynowego , czyli fragmenty kodu, które przetwarzają dane, odkrywają wzorce i generują modele predykcyjne lub klasyfikacyjne. Każdy algorytm to skończony zestaw instrukcji, które maszyna wykonuje krok po kroku, aby osiągnąć określony cel: określić, czy obraz przedstawia psa, czy kota, wykryć język, przetłumaczyć tekst lub zidentyfikować anomalię w procesie przemysłowym.
Rezultatem zastosowania tych algorytmów w procesie trenowania jest model uczenia maszynowego zdolny do generalizowania zdobytej wiedzy i podejmowania decyzji na podstawie nowych danych. Wybór „rodziny” algorytmów (drzewa, sieci neuronowe, regresje, klastrowanie itp.) wpływa na wymagania dotyczące mocy obliczeniowej, pamięci i pamięci masowej, a także na czas trenowania, a tym samym na rozmiar infrastruktury platformy Azure.
Klasyczne uczenie maszynowe
Tradycyjne uczenie maszynowe opiera się na algorytmach, które analizują pola danych i uczą się wzorców, a następnie tłumaczą je na prognozy . Cykl zazwyczaj wygląda następująco: trenuje się model na danych historycznych, weryfikuje go na podstawie znanych danych, mierzy jego wydajność na podstawie wskaźników biznesowych (dokładność, wskaźnik klikalności, AUC itp.), dostosowuje hiperparametry i powtarza, aż do uzyskania stabilnego modelu.
Jeśli chodzi o architekturę, obejmuje to potoki danych do szkolenia i ponownego szkolenia , przechowywanie zestawów danych (do celów historycznych, szkoleniowych, walidacyjnych i testowych), skalowalne zasoby obliczeniowe (CPU i w niektórych przypadkach GPU) oraz usługi wdrażania produkcyjnego, w których model otrzymuje nowe dane i zwraca wyniki lub decyzje.
Głębokie uczenie się i sieci neuronowe
Wkraczając w świat głębokiego uczenia, mówimy o sieciach neuronowych z wieloma warstwami, które przetwarzają informacje hierarchicznie . Każda warstwa przetwarza dane wejściowe i przekazuje je do następnej, umożliwiając reprezentację znacznie bardziej złożonych wzorców niż te rejestrowane przez prostsze algorytmy.
Ma to bezpośredni wpływ na infrastrukturę: modele głębokiego uczenia zazwyczaj wymagają dużych wolumenów danych i intensywnych obliczeń , często z wykorzystaniem procesorów GPU, a nawet specjalistycznego sprzętu. W przypadku platformy Azure oznacza to wykorzystanie maszyn o rozmiarach zoptymalizowanych pod kątem sztucznej inteligencji, usług zarządzanych, takich jak Azure Machine Learning z klastrami szkoleniowymi, lub platform takich jak Azure Databricks z obsługą szkolenia rozproszonego.
Generatywna sztuczna inteligencja i modele językowe
Najważniejszą rewolucją ostatnich lat jest generatywna sztuczna inteligencja , wyszkolona w tworzeniu oryginalnych treści z tekstu, obrazów, dźwięku lub kombinacji multimodalnych. Dzięki tym modelom możesz poprosić je w języku naturalnym o napisanie raportu, wygenerowanie kodu, stworzenie krótkiego filmu lub wyjaśnienie obrazu.
W tej kategorii wyróżniają się modele językowe . Są one trenowane na ogromnych ilościach tekstu i reprezentowane wewnętrznie przez parametry (wagi), które kodują relacje między słowami a pojęciami. Rozmiar modelu (mierzony w miliardach parametrów) określa zarówno jego możliwości ekspresji, jak i koszt wnioskowania, co jest niezwykle istotne podczas projektowania skalowalnych ramp, umów SLA i budżetów w usłudze Azure.
Microsoft oferuje własne rodziny modeli, takie jak Phi-4 , z mniejszymi wersjami, takimi jak Phi-4-Mini lub Phi-4-Multimodal-instruct, które łączą wydajność z ceną. Mniejsze modele są lżejsze, często łatwiejsze w interpretacji, a w niektórych przypadkach mogą być hostowane w pobliżu użytkownika, a nawet na tym samym urządzeniu, co zmniejsza opóźnienia i poprawia prywatność.
Piloci, agenci i kapitanowie RAG
Modele językowe otworzyły nowy sposób interakcji z systemami: cyfrowych pilotów . Są to asystenci zintegrowani z aplikacjami (takimi jak Microsoft 365 Copilot), którzy rozumieją kontekst i pomagają w realizacji złożonych zadań, zazwyczaj za pośrednictwem interfejsów czatu. Podstawowa architektura łączy modele językowe, łączniki do danych biznesowych, reguły bezpieczeństwa oraz narzędzia, które model może wywoływać.
Kluczowym wzorcem wzbogacania tych drugich pilotów jest Generacja Rozszerzona przez Odzyskiwanie (RAG) . Zamiast polegać wyłącznie na wiedzy „publicznej” używanej do trenowania modelu, dodajemy warstwę wyszukiwania, która przeszukuje źródła wewnętrzne (indeksy wektorowe, bazy danych, jeziora danych) i przekazuje te informacje do modelu jako kontekst. Pozwala nam to zachować kontrolę nad tym, które dane są wykorzystywane i zawęzić zakres odpowiedzi.
W bardziej zaawansowanych architekturach pojawiają się agenci AI – komponenty, które nie tylko reagują na potrzeby użytkownika, ale także podejmują autonomiczne decyzje, koordynują zadania i komunikują się ze sobą. Architektura wieloagentowa dzieli złożone problemy na wyspecjalizowanych agentów, którzy współpracują ze sobą: jedni wyszukują dane, inni planują, a jeszcze inni wchodzą w interakcje z zewnętrznymi interfejsami API. Narzędzia takie jak Microsoft Agent Framework czy przepływy pracy Foundry ułatwiają tę orkiestrację.
Usługi AI i baz danych w usłudze Azure
Gdy koncepcje są już jasne, czas przypisać je do konkretnych usług. Platforma Azure oferuje bardzo kompleksowy stos rozwiązań dla danych, klasycznej i generatywnej sztucznej inteligencji oraz zarządzania. Sztuką jest złożenie go zgodnie z konkretnym przypadkiem użycia, bez duplikowania komponentów i tworzenia silosów danych.
Azure Machine Learning i AutoML
Azure Machine Learning to usługa do zarządzania całym cyklem życia uczenia maszynowego : od eksploracji danych i szkolenia po wdrażanie i monitorowanie. Zawiera interfejs internetowy, zestawy SDK oraz obsługuje popularne frameworki, takie jak PyTorch, TensorFlow i scikit-learn.
Do najważniejszych funkcji należą AutoML, który automatyzuje wybór algorytmów, dostrajanie hiperparametrów i niektóre funkcje inżynierii, a także wbudowana obsługa MLflow jako serwera śledzącego . Obszar roboczy Azure Machine Learning może służyć jako zaplecze MLflow, rejestrować eksperymenty, modele i metryki oraz ponownie wykorzystywać potoki szkoleniowe bez konieczności przepisywania kodu.
Podczas szkolenia klasyczny przepływ pracy obejmuje etykietowanie danych, konfigurowanie algorytmu, trenowanie modelu, walidację z nowymi danymi oraz, w razie potrzeby, dostosowywanie lub ponowne trenowanie. W środowisku produkcyjnym model ocenia dane w czasie rzeczywistym lub w partiach za pośrednictwem interfejsów API REST, punktów końcowych w czasie rzeczywistym lub zadań wsadowych.
Microsoft Foundry, Agent Service i narzędzia generatywnej sztucznej inteligencji
Foundry to platforma Azure do tworzenia i wdrażania niestandardowych generatywnych aplikacji AI . Udostępnia konta i projekty jako jednostki współpracy, katalog modeli (w tym GPT, Claude, Phi, Grok itp.), narzędzia do precyzyjnego dostrajania, RAG i oceny jakości oraz zarządzane środowisko do wdrażania agentów i interfejsów API.
Usługa Foundry Agent Service umożliwia tworzenie agentów AI z wykorzystaniem podejścia low-code lub no-code, udostępnianych jako mikrousługi i połączonych z modelem bazowym, prywatnymi magazynami wiedzy (dla RAG) oraz narzędziami zewnętrznymi. Ponadto Foundry Tools ułatwia integrację z innymi usługami platformy Azure, a także popularnymi zestawami SDK dla programistów, takimi jak Visual Studio Code, GitHub i Semantic Kernel.
Kluczową zaletą jest to, że możesz dostosować modele do swoich danych , uzyskując odpowiedzi lepiej dostosowane do kontekstu, skracając długość komunikatu, a w wielu przypadkach zmniejszając koszt tokenów i opóźnienia.
Copilot Studio i copiloty w Microsoft 365 i Fabric
W scenariuszach bliższych użytkownikowi końcowemu, Copilot Studio umożliwia tworzenie niestandardowych pilotów , które integrują się z platformą Microsoft 365 oraz innymi kanałami wewnętrznymi i zewnętrznymi. Jest to szczególnie przydatne, jeśli chcesz rozszerzyć istniejące piloty o własne przepływy pracy, reguły biznesowe lub dostęp do systemów wewnętrznych bez konieczności rozpoczynania pracy od zera.
W obszarze danych, Microsoft Fabric zawiera dedykowanych współpilotów, którzy pomagają w transformacji i analizie danych, tworzeniu raportów i wizualizacji oraz generowaniu zapytań w Power BI z wykorzystaniem języka naturalnego. Wszystko to jest obsługiwane przez OneLake jako ujednolicone jezioro danych i współdzielony stos usług inżynierii danych, nauki o danych, analizy w czasie rzeczywistym i magazynowania.
Platformy danych i obliczeń dla sztucznej inteligencji w usłudze Azure
Żadna sztuczna inteligencja nie działa w próżni: potrzebuje czystych, dostępnych i dobrze zarządzanych danych, a także platform obliczeniowych zdolnych do ich przetwarzania na dużą skalę. W środowiskach Windows i Azure osiąga się to dzięki połączeniu jezior danych, magazynów danych, platform Spark, Databricks i usług integracyjnych.
Microsoft Fabric i OneLake
Microsoft Fabric działa jako ujednolicona, kompleksowa platforma danych i analiz . Zamiast rozproszonych źródeł, procesów ETL, magazynów danych i modeli, Fabric centralizuje przechowywanie danych w OneLake i zapewnia zintegrowane rozwiązania dla inżynierii danych, fabryk danych, nauki o danych, analizy danych w czasie rzeczywistym, magazynowania danych i baz danych analitycznych.
OneLake to logiczne, ujednolicone jezioro danych organizacji, zbudowane w oparciu o usługę Azure Data Lake Storage. Obsługuje zarówno dane ustrukturyzowane, jak i nieustrukturyzowane , wykorzystuje technologię Delta-Parquet do obsługi danych tabelarycznych i umożliwia rozdzielenie obszarów roboczych za pomocą odrębnych zasad dostępu. Jego gotowa integracja z platformą Fabric znacznie ułatwia integrację usług pamięci masowej, obliczeniowych i sztucznej inteligencji.
Spark on Fabric, Azure Databricks i HDInsight
W przypadku obciążeń o dużej objętości Spark jest kluczowym komponentem. W systemie Fabric środowisko uruchomieniowe Fabric Runtime zapewnia zintegrowane środowisko Spark z obsługą Delta Lake, preinstalowanymi pakietami dla języków Java, Scala, Python i R oraz podstawowym systemem operacyjnym zoptymalizowanym pod kątem różnych konfiguracji sprzętowych. Pozwala to na uruchamianie zarówno potoków inżynierii danych, jak i eksperymentów z zakresu nauki o danych w tym samym środowisku.
Azure Databricks dodaje platformę współpracy opartą na technologii Spark ze zintegrowanymi przepływami pracy uczenia maszynowego . Jego środowisko uruchomieniowe ML zawiera biblioteki takie jak TensorFlow, PyTorch, Keras i XGBoost, a także obsługuje rozproszone szkolenie z wykorzystaniem Horovod. Zawiera również funkcję Mosaic AI Vector Search, która umożliwia użytkownikom przechowywanie i pobieranie osadzeń dla scenariuszy RAG, rekomendacji lub wyszukiwań podobieństw.
Jeśli wolisz bardziej klasyczne podejście, Spark w usłudze Azure HDInsight zapewnia zarządzane klastry połączone z usługami Azure Storage i Data Lake Storage z biblioteką SynapseML na potrzeby rozproszonego uczenia maszynowego, sieci neuronowych i usług AI na dużą skalę.
Data Lake Storage i inne magazyny danych
W przypadku fizycznego przechowywania danych, Azure Data Lake Storage działa jako scentralizowane repozytorium danych surowych , zarówno ustrukturyzowanych, jak i nieustrukturyzowanych. Oferuje semantykę systemu plików, bezpieczeństwo na poziomie plików, ogromną skalowalność i wykorzystuje niezawodność Azure Blob Storage (w tym wielopoziomową pamięć masową, wysoką dostępność, odzyskiwanie po awarii i tworzenie kopii zapasowych ).
W nowoczesnych architekturach sztucznej inteligencji (AI) Data Lake Storage stanowi podstawę korporacyjnych jezior danych , które mogą obsługiwać petabajty informacji z przepustowością setek gigabitów w przypadku masowych transferów w sieci LAN , zasilając zarówno modele uczenia maszynowego, jak i wyszukiwarki wektorowe oraz zaawansowane rozwiązania analityczne.
Przetwarzanie i integracja danych dla sztucznej inteligencji
Jakość Twoich modeli będzie bezpośrednio zależeć od jakości Twoich danych. Dlatego budując infrastrukturę IT opartą na sztucznej inteligencji, kluczowe jest stworzenie solidnych potoków przetwarzania, czyszczenia i transformacji, które będą zasilać zarówno środowiska szkoleniowe, jak i wnioskowania.
Fabryka danych o tkaninach
Fabric Data Factory umożliwia orkiestrację przepływów danych na dużą skalę za pomocą potoków o wysokim i niskim kodzie . Możesz przenosić dane z baz danych, magazynów, jezior lub przepływów w czasie rzeczywistym, stosować ponad 300 transformacji w przepływach danych oraz automatyzować obciążenia okresowe lub strumieniowe.
Usługa ta sprawdza się szczególnie wtedy, gdy strategia obejmuje konsolidację wszystkiego w Fabric i OneLake, gdyż redukuje konieczność ręcznego łączenia źródeł, miejsc docelowych i modeli sztucznej inteligencji, integrując się z ekosystemem bezpieczeństwa i zarządzania organizacji.
Azure Databricks do inżynierii funkcji
W scenariuszach wymagających bardziej zaawansowanej inżynierii funkcji, Azure Databricks oferuje potoki danych zorientowane na uczenie maszynowe (ML) . Możesz pobierać surowe dane, tworzyć tabele funkcji, trenować modele i organizować wnioskowanie wsadowe, a jednocześnie zarządzać metadanymi funkcji w katalogu Unity, dzięki czemu przyszłe wyniki mogą automatycznie pobierać niezbędne wartości wejściowe.
Takie podejście pomaga uniknąć typowych błędów, takich jak rozbieżność między danymi szkoleniowymi a danymi produkcyjnymi , a także znacznie upraszcza logikę dla zespołów korzystających z modelu, ponieważ nie muszą się one martwić ręczną rekonstrukcją funkcji.
Łączniki Azure Data Factory i Synapse
Gdy Twoje dane znajdują się w wielu systemach (lokalnych, SaaS, innych chmurach), potoki Azure Data Factory i Azure Synapse Analytics oferują łączniki do szerokiej gamy magazynów danych i formatów . Pozwala to kopiować, przekształcać, wyszukiwać, odczytywać metadane lub usuwać dane z heterogenicznych źródeł bez konieczności tworzenia niestandardowych łączników.
Podczas projektowania infrastruktury dobrym pomysłem jest scentralizowanie tych integracji w jednym lub kilku dobrze zarządzanych centrach danych , z których zasilane są zarówno jeziora danych, jak i magazyny zoptymalizowane pod kątem sztucznej inteligencji. Zmniejsza to duplikację procesów i poprawia możliwość audytu.
Dostosowana sztuczna inteligencja w usłudze Azure: poza modelem ogólnym
Wstępnie wytrenowane modele obejmują wiele ogólnych przypadków użycia, ale firmy zyskują większą wartość, dostosowując sztuczną inteligencję do swojej dziedziny : specyficznego słownictwa, niestandardowych dokumentów, unikalnych reguł biznesowych, połączonych języków itd. Platforma Azure oferuje szeroką gamę usług w tym zakresie.
Azure Machine Learning: szkolenie, AutoML i MLOps
Dzięki Azure Machine Learning możesz trenować wszystko, od prostych modeli po złożone sieci głębokie, korzystając ze skalowalnych klastrów obliczeniowych i procesorów GPU . Oferuje narzędzia do wyboru algorytmów, automatycznej optymalizacji hiperparametrów, zarządzania wersjonowanymi zestawami danych i wdrażania modeli w punktach końcowych wnioskowania.
Co więcej, integruje odpowiedzialne funkcje sztucznej inteligencji (AI) w celu wykrywania błędów, analizowania błędów i weryfikacji możliwości ich wyjaśnienia – co jest kluczowe, gdy Twoje modele wpływają na wrażliwe decyzje. Pozwala również organizować zespoły w centra i przestrzenie robocze, które współdzielą zasoby, bezpieczeństwo i łączność, ułatwiając scentralizowane zarządzanie IT.
Spersonalizowane usługi AI: głos, tłumaczenie i dokumenty
W obszarze sztucznej inteligencji poznawczej platforma Azure udostępnia dostosowywalne usługi, takie jak Custom Voice , która usprawnia rozpoznawanie języka w bardzo specyficznych domenach, dostarczając przykłady dźwiękowe i tekstowe, lub Custom Translator, która umożliwia trenowanie neuronowych systemów tłumaczenia maszynowego dostosowanych do terminologii firmowej.
W przypadku dokumentów usługa Azure Document Intelligence oferuje wstępnie wytrenowane i niestandardowe modele , które identyfikują typy dokumentów, wyodrębniają pola i klasyfikują je, zwracając informacje w formacie JSON, gotowe do użycia w aplikacjach biznesowych. Można nawet łączyć wiele modeli, aby obsługiwać różne formaty w ramach jednego procesu.
Innym przydatnym narzędziem jest Content Understanding z niestandardowym analizatorem , który umożliwia definiowanie reguł ekstrakcji i wzorców encji w dokumentach, obrazach, plikach audio lub wideo, dzięki czemu uzyskujesz ustrukturyzowany wynik dostosowany do swoich potrzeb.
Języki programowania dla AI na platformie Azure
Na poziomie programistycznym wiodącymi językami w dziedzinie sztucznej inteligencji pozostają Python i R. Python dominuje ze względu na swój ekosystem bibliotek uczenia maszynowego, głębokiego uczenia i nauki o danych (pandas, NumPy, scikit-learn, PyTorch, TensorFlow itp.) i bezproblemowo integruje się z usługami platformy Azure.
Z drugiej strony, język R jest wysoko ceniony w zaawansowanych statystykach i analizach akademickich, a usługa Azure Machine Learning obsługuje uruchamianie skryptów, notatników i interaktywnych przepływów pracy. W obu przypadkach można skorzystać z zarządzanych środowisk uruchomieniowych , które upraszczają instalację zależności i integrację z usługami takimi jak magazyn, bazy danych i kolejki komunikatów.
Architektury referencyjne AI w usłudze Azure: przykład Foundry + Azure OpenAI
Aby wcielić w życie wszystkie te koncepcje, Microsoft opublikował bardzo szczegółowe architektury referencyjne . Reprezentatywnym przykładem jest architektura czatu oparta na Foundry, wdrożona w strefie docelowej platformy Azure, zaprojektowana dla aplikacji konwersacyjnych wykorzystujących modele OpenAI GPT wzbogacone o dane korporacyjne.
W tej architekturze przepływ użytkownika przechodzi przez bramę aplikacji z zaporą sieciową WAF chronioną przez usługę Azure DDoS Protection, w ramach sieci wirtualnej z prywatnym serwerem DNS. Dostęp do usług takich jak Azure App Service, Key Vault i Storage, które hostują aplikację kliencką i zarządzają kluczami tajnymi, odbywa się za pośrednictwem prywatnych punktów końcowych.
Sieć jest podzielona na kilka wyspecjalizowanych podsieci (odwzorowujących topologię sieci LAN ): integracja z App Service, prywatne punkty końcowe, integracja z Foundry, podsieci dla agentów Azure AI, Azure Bastion, jump boxy, agentów kompilacji oraz Azure Firewall, który filtruje wychodzący ruch internetowy. Usługi takie jak Azure Cosmos DB, Azure AI Search, magazyny wiedzy i pamięć masowa są wdrażane w tych podsieciach , wszystkie połączone za pośrednictwem prywatnych punktów końcowych, aby zminimalizować publiczne narażenie.
Po prawej stronie diagramu, Foundry jest reprezentowane przez konto i projekt; zarządzane tożsamości platformy Azure łączą usługę agenta Foundry z projektem, który z kolei uzyskuje dostęp do Azure OpenAI i innych zasobów danych. Diagram numeruje logiczne kroki, jakie pokonuje żądanie: od dotarcia do bramy, przez zapytania do modeli i pobieranie informacji kontekstowych, przy jednoczesnym utrzymaniu ruchu w sieci wirtualnej i zgodnie z określonymi zasadami bezpieczeństwa.
Windows, Azure i nowy model rozwoju oparty na sztucznej inteligencji
W ekosystemie Microsoft sztuczna inteligencja nie znajduje się wyłącznie w chmurze: z możliwości tych korzystają również systemy Windows i aplikacje użytkowników za pośrednictwem dodatkowych pilotów i wtyczek.
Microsoft stopniowo integruje technologie oparte na OpenAI i ChatGPT z Bing, Edge, Dynamics 365, Microsoft 365 i oczywiście Azure. Wizją jest to, że deweloperzy nie będą musieli budować własnych modeli od podstaw , ale będą mogli wykorzystać model danych i sztucznej inteligencji jako nową warstwę infrastruktury, na której będą mogli szybciej tworzyć aplikacje.
Koncepcja wtyczek w stylu Copilot umożliwia tworzenie rozszerzeń, które łączą aplikacje biznesowe, usługi w chmurze i systemy lokalne z tymi modelami konwersacyjnymi, dzięki czemu systemy Windows i Azure korzystają z tej samej struktury sztucznej inteligencji i zapewniają spójne działanie w całym stosie.
Zarządzanie, bezpieczeństwo i ciągła optymalizacja
Konfiguracja infrastruktury to tylko część zadania; druga połowa to utrzymanie jej bezpieczeństwa, wydajności i zgodności z długoterminowymi celami biznesowymi. Właśnie tutaj z pomocą przychodzą narzędzia takie jak Azure Advisor, Well-Architected Review oraz proaktywne usługi wsparcia firmy Microsoft.
Usługa Azure Advisor analizuje istniejące obciążenia, identyfikuje możliwości usprawnień w ramach pięciu filarów struktury Well-Architected Framework i nadaje priorytet rekomendacjom, które można wdrożyć . Przegląd Well-Architected Framework zapewnia bardziej ustrukturyzowaną ocenę z opracowanymi rekomendacjami, które pomagają w podejmowaniu niezbędnych działań naprawczych.
Jeśli potrzebujesz bardziej szczegółowego wsparcia, Microsoft Unified oferuje proaktywne usługi i dostęp do ekspertów , którzy pomogą Ci utrzymać, zintegrować i zoptymalizować Twoje rozwiązanie w usłudze Azure dzięki spersonalizowanemu wsparciu. Jest to szczególnie przydatne w złożonych środowiskach hybrydowych lub podczas wdrażania generatywnych architektur sztucznej inteligencji na dużą skalę.
Szkolenie i wdrażanie: przygotowanie zespołu do korzystania ze sztucznej inteligencji w usłudze Azure
Technologia jest gotowa, ale jeśli zespół nie będzie gotowy, infrastruktura nie ruszy; utworzenie laboratorium testowego ułatwia wdrożenie. Dlatego tak ważne jest inwestowanie w specjalistyczne szkolenia dotyczące sztucznej inteligencji w Azure , szczególnie dla specjalistów ds. architektury, rozwoju, operacji i danych.
Firma Microsoft oferuje kursy od podstawowych, takich jak „ Wprowadzenie do sztucznej inteligencji w Azure” , po zaawansowane certyfikaty, takie jak „Azure AI Engineer Associate”, który koncentruje się na projektowaniu i wdrażaniu rozwiązań AI z wykorzystaniem usług platformy. Ponadto dostępne są kursy poświęcone środowisku Foundry, Azure Machine Learning, platformie Fabric oraz budowaniu gotowych do produkcji infrastruktur AI z kontrolą bezpieczeństwa, izolacją sieci, zarządzanymi tożsamościami i zarządzaniem kontenerami.
Rzeczywiste wdrażanie przyspiesza połączenie tego szkolenia z dobrze zdefiniowanymi projektami pilotażowymi , w ramach których zespół może uczyć się poprzez działanie: wdrażanie pierwszego korporacyjnego RAG, wewnętrznego drugiego pilota lub automatycznego systemu klasyfikacji dokumentów z wykorzystaniem Document Intelligence i Content Understanding.
Ostatecznie, budowanie infrastruktury IT opartej na sztucznej inteligencji w środowiskach Windows i Azure polega na przemyślanym połączeniu wszystkich tych elementów: modeli językowych, usług uczenia maszynowego, platform danych, takich jak Fabric i OneLake, narzędzi do orkiestracji, takich jak Foundry i Copilot Studio, oraz struktur zarządzania, takich jak Azure Well-Architected Framework. Gdy dane, przetwarzanie, bezpieczeństwo i zespoły są ze sobą spójne, sztuczna inteligencja przestaje być odosobnionym eksperymentem, a staje się strukturalnym elementem architektury technologicznej , zdolnym do rozwoju w tempie wymaganym przez firmę.
