Introdução ao design da arquitetura de IA

A IA permite que os computadores analisem dados, gerem conteúdo, sintetizem fala, façam previsões e ofereçam suporte à tomada de decisões entre os setores. À medida que os recursos de IA se expandem por meio de modelos generativos, modelos de linguagem e arquiteturas baseadas em agente, as organizações precisam de diretrizes arquitetônicas para criar cargas de trabalho de IA confiáveis, seguras, econômicas e operacionalmente estáveis.

Este artigo ajuda você a começar a usar a IA no Azure. Ele apresenta serviços de IA, arquiteturas de referência, práticas recomendadas e recursos de aprendizagem para que você possa projetar e criar soluções de IA que atendam aos seus requisitos de carga de trabalho.

serviços de Azure para IA

Azure fornece uma variedade de serviços para compilar, implantar e gerenciar cargas de trabalho de IA. Esses serviços abrangem plataformas de desenvolvimento, recursos de IA predefinidos, plataformas de dados e ferramentas para criar modelos personalizados. Use os serviços a seguir para integrar a IA ao seu design de carga de trabalho.

Plataformas de desenvolvimento de IA

• Microsoft Foundry: Uma PaaS (plataforma unificada como serviço) para desenvolver e implantar agentes e aplicativos de IA geradores. Microsoft Foundry fornece acesso a um catálogo de modelos, hospedagem de agentes por meio do Foundry Agent Service, ajuste fino, ferramentas de avaliação e recursos de IA responsável. Use o portal do Foundry para experimentar, compilar e implantar modelos e agentes de IA.

• Azure Machine Learning: um serviço de nuvem para criar, treinar e implantar modelos de machine learning em escala. Azure Machine Learning dá suporte a estruturas de software livre, como PyTorch, TensorFlow e scikit-learn. Ele também fornece recursos para AutoML, ajuste de hiperparâmetro, treinamento distribuído, operações de machine learning e IA responsável.

• Microsoft Copilot Studio: uma plataforma de baixo código para criar, personalizar e implantar agentes habilitados para IA. Use Microsoft Copilot Studio para criar agentes de conversação para cenários internos e externos e estender Microsoft 365 Copilot com dados corporativos e fluxos de trabalho personalizados.

Serviços de IA predefinidos

• Foundry Tools: um conjunto de APIs e modelos pré-construídos e personalizáveis para adicionar recursos inteligentes aos aplicativos. O Foundry Tools inclui recursos de fala, tradução, compreensão da linguagem, inteligência documental, compreensão de conteúdo, visão, segurança de conteúdo e busca.

• Azure OpenAI: fornece acesso a modelos OpenAI, incluindo GPT e DALL-E, por meio de infraestrutura gerenciada por Azure com segurança empresarial, rede e controles de IA responsáveis.

Plataformas de dados para IA

• Microsoft Fabric: uma plataforma de dados e análise de ponta a ponta que abrange ingestão de dados, transformação, roteamento de eventos em tempo real e relatórios. O Microsoft Fabric oferece o OneLake como um data lake unificado e inclui funcionalidades de IA integradas, recursos do Microsoft Copilot e integração com o Foundry Tools.

• Azure Databricks: uma plataforma de análise baseada em Spark para engenharia de dados, ciência de dados e machine learning. O Azure Databricks fornece o Databricks Runtime para Azure Machine Learning, integração com o MLflow, AutoML, ajuste fino de modelo fundamental e o Mosaic AI Vector Search para recuperação baseada em incorporações.

• Azure HDInsight: um serviço gerenciado do Apache Spark para processamento e análise de Big Data. Azure HDInsight clusters Spark dão suporte a cargas de trabalho de machine learning por meio do MLlib, são compatíveis com Armazenamento do Azure e Azure Data Lake Storage e dão suporte ao SynapseML para aprendizado profundo.

• Azure Data Lake Storage: um repositório escalonável e centralizado para armazenar dados estruturados e não estruturados. Azure Data Lake Storage fornece semântica do sistema de arquivos, segurança em nível de arquivo e armazenamento em camadas baseado em Armazenamento de Blobs do Azure.

Camadas da Inteligência Empresarial

A arquitetura de IA no Microsoft apresenta três camadas de inteligência complementares ou IQs que representam as principais fontes de contexto para sistemas de IA:

• O IQ de trabalho captura a inteligência sobre como o trabalho acontece dentro de uma organização. Ele usa sinais de Microsoft 365 como emails, chats, reuniões, documentos e padrões de colaboração.

  Essa camada é essencial para fundamentar a IA na atividade humana e no comportamento organizacional, em vez de tratar as interações como prompts isolados.

• Fabric IQ fornece inteligência derivada de dados corporativos estruturados gerenciados em Microsoft Fabric, incluindo modelos de análise, KPIs (indicadores-chave de desempenho) e entidades de negócios.

  Fabric IQ permite que a IA responda a perguntas analíticas complexas e interprete os resultados no contexto das operações de negócios.

• Foundry IQ fornece uma camada de conhecimento unificada e multifonte que permite que agentes de IA recuperem e fundamentem respostas em dados corporativos.

  Essa camada é essencial para implementar padrões como RAG (geração aumentada por recuperação) para ajudar a garantir que as saídas de IA sejam precisas, atuais e compatíveis.

Architecture

O diagrama a seguir mostra uma arquitetura de chat de ponta a ponta de linha de base que usa Microsoft Foundry. Essa arquitetura de referência demonstra como os serviços de IA compõem uma solução pronta para produção no Azure. Ele inclui camadas de identidade, rede, monitoramento e governança.

Carrege um arquivo Visio desta arquitetura.

O diagrama anterior demonstra uma implementação típica de IA de linha de base. Para obter soluções reais que você pode criar em Azure, consulte as arquiteturas de IA.

Explorar arquiteturas e guias de IA

Os artigos nesta seção incluem guias e arquiteturas totalmente desenvolvidas que você pode implantar em Azure e expandir para soluções de nível de produção. As ideias da solução demonstram padrões de implementação e possibilidades a serem consideradas à medida que você planeja o desenvolvimento da POC (prova de conceito) de IA. Esses artigos podem ajudá-lo a decidir como usar tecnologias de IA no Azure.

• Visão geral da tecnologia de IA: fornece uma visão geral dos conceitos de IA, plataformas de desenvolvimento e padrões de arquitetura para ajudá-lo a projetar cargas de trabalho de IA em Azure.

Selecionar um serviço de IA

Os artigos a seguir ajudam você a avaliar e selecionar as melhores tecnologias de IA para seus requisitos de carga de trabalho:

• Escolha uma tecnologia de serviços de IA: compara serviços de IA e soluções de machine learning para ajudá-lo a escolher o serviço ou modelo certo para seu caso de uso.

• Escolha uma tecnologia do Azure AI para tarefas específicas de processamento de linguagem: Compara os serviços do Azure para tarefas específicas de processamento de linguagem, como tradução, reconhecimento de entidades e análise de texto.

• Escolha uma tecnologia do Azure para reconhecimento e geração de fala: Compara os serviços do Azure para cenários de conversão de fala em texto, conversão de texto em fala e tradução de fala.

• Escolha uma Azure tecnologia de geração e processamento de vídeo e imagem de IA: compara serviços Azure para análise de imagem e vídeo, geração e processamento.

• Escolha uma tecnologia de processamento de linguagem natural: compara Azure tecnologias de processamento de linguagem natural para ajudá-lo a escolher a plataforma certa para tarefas de compreensão de texto e geração.

• Microsoft produtos de IA e machine learning: compara Microsoft produtos de machine learning para ajudá-lo a escolher uma plataforma para criar, implantar e gerenciar aplicativos de IA, agentes e modelos de machine learning.

• Escolha o modelo de IA certo para sua carga de trabalho: descreve estratégias para selecionar o modelo de IA correto nas muitas opções disponíveis para implantação.

Ideias da solução de IA

As ideias da solução de IA a seguir demonstram padrões de implementação e possibilidades de exploração.

Ideias da solução de processamento de áudio

• Desbloqueie informações valiosas de dados conversacionais: extrai informações acionáveis de dados de áudio de conversas.

Processamento de imagem

• Classificação de imagem: classifica imagens usando padrões de aplicativo inteligentes.

Análise preditiva

• Previsão de pedidos do cliente: prevê pedidos futuros de clientes usando machine learning.

Ideias da solução MLOps

• Use Azure Databricks para orquestrar operações de machine learning: orquestra operações de machine learning usando Azure Databricks.

• Muitos modelos com Machine Learning: treinam e gerenciam muitos modelos em escala usando Azure Machine Learning.

Processamento e enriquecimento de documentos

• Extraia e mapeie informações de conteúdo não estruturado: extrai e mapeia informações de conteúdo não estruturado multimodal.

• Gerar documentos de seus dados: gera documentos estruturados de fontes de dados.

• Use o enriquecimento por IA com o Pesquisa de IA do Azure: enriquece o conteúdo usando conjuntos de habilidades de IA nos pipelines de indexação da Pesquisa de IA do Azure.

Automação de fluxo de trabalho

• Crie uma solução de automação de fluxo de trabalho de vários agentes usando Microsoft Agent Framework: automatiza fluxos de trabalho usando vários agentes de IA orquestrados por meio do Microsoft Agent Framework.

Arquiteturas de IA

As arquiteturas prontas para produção a seguir demonstram soluções de IA de ponta a ponta que você pode implantar e personalizar.

• Inferência de IA com SAN virtual Silk: Usa uma cópia Silk Echo do banco de dados de produção para isolar a inferência de IA em tempo real das cargas de trabalho transacionais no Azure IaaS.

Conversar com dados

• Arquitetura de referência básica para chat do Microsoft Foundry: Uma arquitetura básica de chat RAG que usa o Microsoft Foundry e o Azure OpenAI.

• Arquitetura de referência básica para chat do Microsoft Foundry: Uma arquitetura de chat de ponta a ponta pronta para produção que usa o Microsoft Foundry com segurança empresarial, rede e monitoramento.

• Arquitetura de chat do Microsoft Foundry em uma zona de destino Azure: implanta a arquitetura de chat de linha de base Microsoft Foundry em uma zona de destino Azure para governança em escala empresarial.

Processamento de documentos

• Automatizar a classificação de documentos: usa Durable Functions para automatizar fluxos de trabalho de classificação de documentos.

• Automatizar o processamento de formulário PDF: automatiza a extração e o processamento de dados de formulários PDF.

• Crie modelos de processamento de documentos personalizados: compila e implanta modelos personalizados para cenários de processamento de documentos.

• Extraia texto de objetos usando Power Automate e AI Builder: extrai texto de objetos usando Power Automate e recursos de IA.

• Vários indexadores com Pesquisa de IA do Azure : usa vários indexadores para processar e indexar metadados de blob usando Pesquisa de IA do Azure .

Classificação de vídeo e imagem

• Automatizar a análise de vídeo: analisa o conteúdo do vídeo usando a pesquisa visual computacional e o aprendizado de máquina.

Arquiteturas de processamento de áudio

• Extrair e analisar dados do call center: extrai e analisa conversas de call center usando Azure OpenAI.

Regulatory

• Pesquisa segura para dados regulamentados: fornece um ambiente de computação seguro para cargas de trabalho de pesquisa que lidam com dados regulamentados.

Guias de IA

• Agentes dinâmicos de IA no padrão de escala: descreve como selecionar e orquestrar dinamicamente agentes de IA de um pool usando Microsoft Foundry, Pesquisa de IA do Azure  e Azure OpenAI para criar sistemas multiagentes.

• Microsoft produtos de IA e machine learning: compara Microsoft produtos de machine learning para ajudá-lo a escolher uma plataforma para criar, implantar e gerenciar aplicativos de IA, agentes e modelos de machine learning.

• Padrões de orquestração do agente de IA: descreve padrões de design para orquestrar agentes de IA em cenários complexos.

• Crie uma solução de inferência RAG multilocatário segura: fornece diretrizes para proteger soluções RAG em ambientes multilocatários.

• Projete para dar suporte aos ciclos de vida de modelos de base: fornece diretrizes para gerenciar atualizações, descontinuações e transições de modelos de base.

Desenvolvimento e avaliação de soluções RAG

• Projete e desenvolva uma solução RAG: fornece uma visão geral de como projetar e avaliar soluções RAG.

• Fase de preparação: abrange a preparação de dados para implementações de RAG.

• Fase de segmentação: descreve estratégias para segmentar o conteúdo em pipelines de RAG.

• Fase de enriquecimento de blocos: Abrange técnicas de enriquecimento aplicadas a blocos de conteúdo.

• Fase de inserção: descreve como gerar inserções para recuperação de RAG.

• Fase de recuperação de informações: aborda estratégias de recuperação de informações em arquiteturas RAG.

• Engenharia de prompts: Descreve como criar prompts eficazes para soluções RAG, incluindo estrutura de prompts, técnicas de fundamentação e gerenciamento de contexto.

• Fase de avaliação de ponta a ponta do modelo: descreve como avaliar modelos RAG de ponta a ponta.

• Agentic RAG: Descreve como migrar de um pipeline RAG padrão para uma arquitetura de RAG agentic para planejamento dinâmico de consultas e raciocínio em várias etapas.

Guias do MLOps

• Operações de machine learning: descreve a abordagem de operações de machine learning v2 para operacionalizar fluxos de trabalho de machine learning.

• Operações de IA generativas para organizações com investimentos em MLOps: estende as práticas de operações de machine learning para cargas de trabalho de IA generativas.

• Modelo de maturidade do MLOps: define os níveis de maturidade para a adoção de operações de machine learning.

Modelos de IA generativa de proxy

• Use um gateway à frente de modelos generativos: descreve os benefícios e a arquitetura de colocar um gateway à frente de endpoints de modelos de IA generativa.

• Use um gateway diante de várias implantações de modelos ou instâncias: estende o padrão de gateway para rotear solicitações entre vários back-ends de modelos.

• Fornecer autenticação personalizada para Modelos do Foundry por meio de um gateway: Implementa fluxos de autenticação personalizados para acesso aos modelos por meio de um gateway.

• Implementar monitoramento avançado para Foundry Models por meio de um gateway: Adiciona monitoramento e observabilidade ao tráfego dos modelos de IA generativa por meio de um gateway.

Preparação organizacional

As organizações no início do processo de adoção da nuvem podem usar o Cloud Adoption Framework para Azure para acessar diretrizes comprovadas que aceleram a adoção da nuvem.

Para obter diretrizes de adoção específicas da IA, consulte os seguintes recursos de Cloud Adoption Framework:

• Adoção de IA: fornece um processo estruturado para a adoção de soluções de IA em Azure, incluindo estratégia, planejamento, preparação, governança, segurança e gerenciamento.

• Pronto para IA: descreve o processo organizacional para a criação de cargas de trabalho de IA em Azure, incluindo organização de recursos, rede, confiabilidade e governança.

Para ajudar a garantir a qualidade da sua solução de IA no Azure, siga as diretrizes no Azure Well-Architected Framework. O Well-Architected Framework fornece diretrizes prescritivas para organizações que buscam excelência arquitetônica e descreve como projetar, provisionar e monitorar soluções de Azure com otimização de custo.

Para obter diretrizes específicas de IA, consulte o seguinte recurso Well-Architected Framework:

• Cargas de trabalho de IA em Azure: aborda os desafios arquitetônicos de criação de cargas de trabalho de IA, incluindo funcionalidade não determinística, design de dados e aplicativos e operações nos cinco pilares do Well-Architected Framework.

Para obter guias de serviço do Well-Architected Framework relacionados à IA, consulte:

• Azure Machine Learning
• Azure Databricks

Práticas recomendadas

Siga estas práticas recomendadas para melhorar a confiabilidade, a segurança, a eficácia do custo, a qualidade operacional e o desempenho das cargas de trabalho de IA no Azure:

• Projete e desenvolva uma solução RAG: siga uma abordagem estruturada, fase a fase para criar soluções RAG, incluindo agrupamento, inserção, recuperação de informações e avaliação de ponta a ponta.

• Escolha um serviço Azure para pesquisa de vetor: avalie Azure serviços que dão suporte à pesquisa de vetor para encontrar o melhor ajuste para seus requisitos de pesquisa de recuperação e similaridade.

• Padrões de orquestração do agente de IA: conheça padrões de orquestração comprovados para arquiteturas que usam vários agentes, incluindo padrões sequenciais, simultâneos, de chat em grupo, de entrega e magnéticos. Examine as considerações de implementação para confiabilidade, segurança, custo e observabilidade.

• Use um gateway diante de modelos de IA generativa: implemente padrões de gateway para atuação como proxy, balanceamento de carga e monitoramento de endpoints de modelos de IA generativa.

• Operações de machine learning v2: aplique diretrizes de ciclo de vida de operações de machine learning de ponta a ponta para treinamento, implantação e gerenciamento de modelos de machine learning em escala.

• Operações de IA generativa com operações de aprendizado de máquina: estenda as práticas de operações de aprendizado de máquina para cargas de trabalho de IA generativa, incluindo gerenciamento de prompts, avaliação e implantação.

• Crie uma solução de inferência RAG multilocatário segura: aplique padrões de multilocatário para soluções RAG que impõem isolamento de dados e inferência segura entre locatários.

• Projete para dar suporte aos ciclos de vida dos modelos de base: gerencie o controle de versão, a descontinuação e a rotação dos modelos para manter as cargas de trabalho de IA atualizadas e resilientes.

• Opções de machine learning: compare as opções de treinamento e implantação de machine learning em Azure para escolher os serviços corretos para sua carga de trabalho.

• Diretrizes do Apache Spark: revise as diretrizes para executar, monitorar, depurar e otimizar trabalhos do Apache Spark no Azure HDInsight.

Mantenha-se atualizado com IA

Serviços de IA do Azure evoluem para enfrentar os desafios de dados modernos. Mantenha-se informado sobre as atualizações e os recursos mais recentes.

Para se manter atualizado com os principais serviços de IA, consulte os seguintes artigos:

• Novidades do Azure OpenAI no Foundry Models: fornece um resumo dos lançamentos mais recentes e das atualizações da documentação para o Azure OpenAI, incluindo a disponibilidade de novos modelos, versões da API e anúncios de recursos.

• Novidades no Microsoft Foundry: realça as principais atualizações de artigo e produto no Microsoft Foundry, incluindo governança de agente, recursos de observabilidade e novos recursos.

• Novidades no Pesquisa de IA do Azure : aborda as atualizações mais recentes na funcionalidade do Pesquisa de IA do Azure , incluindo novas versões de API, recursos de recuperação agêntica e recursos de indexação.

• Novidades no Azure Language no Foundry Tools: abrange atualizações dos recursos do Azure Language no Foundry Tools, incluindo novas versões do SDK, fluxos de trabalho de orquestração e integração com o Microsoft Foundry.

• Novidades no Microsoft Fabric: abrange atualizações em Microsoft Fabric funcionalidades, incluindo ciência de dados, integração do MLflow, agentes de dados e recursos de análise.

• Notas de versão da CLI e do SDK do Azure Machine Learning: apresenta notas de versão para a CLI do Azure Machine Learning (v2) e o SDK do Python, incluindo novos recursos, correções de bugs e alterações significativas.

• Notas de versão da plataforma Azure Databricks: abrange atualizações da plataforma Azure Databricks, incluindo versões de runtime, recursos do workspace e capacidades de integração.

• Novidades no Microsoft Copilot Studio: realça novos recursos e atualizações para Microsoft Copilot Studio, incluindo recursos de criação de agente e atualizações de conector.

• O que há de novo no Azure Document Intelligence no Foundry Tools: Abrange atualizações do Azure Document Intelligence no Foundry Tools, incluindo novos modelos pré-criados, versões da API e recursos de extração.

• Novidades no Azure Content Understanding no Foundry Tools: abrange atualizações do Azure Content Understanding no Foundry Tools, incluindo novos recursos de análise de conteúdo e integração com o Microsoft Foundry.

Profissionais do Amazon Web Services (AWS) ou do Google Cloud

Para ajudá-lo a começar rapidamente, os artigos a seguir comparam as opções de IA do Azure a outros serviços de nuvem:

• Dados e IA: compara dados do AWS e serviços de IA, incluindo machine learning, ia gerativa e serviços de plataforma de IA, com seus equivalentes Azure.

• IA e aprendizado de máquina: compara a IA do Google Cloud e os serviços de machine learning, incluindo IA do Vértice, Fluxo de Diálogo e Gêmeos, com seus equivalentes Azure.