Comece com o design de arquitetura de IA

A IA permite que as máquinas analisem dados, gerem conteúdo, sintetizem fala, façam previsões e apoiem a tomada de decisões entre setores. À medida que as capacidades de IA se expandem através de modelos generativos, modelos de linguagem e arquiteturas baseadas em agentes, as organizações precisam de orientação arquitetónica para desenhar cargas de trabalho de IA fiáveis, seguras, económicas e operacionalmente estáveis.

Este artigo ajuda-o a começar com IA no Azure. Apresenta serviços de IA, arquiteturas de referência, melhores práticas e recursos de aprendizagem para que possa conceber e construir soluções de IA que respondam aos requisitos da sua carga de trabalho.

Serviços do Azure para IA

O Azure oferece uma variedade de serviços para construir, implementar e gerir cargas de trabalho de IA. Estes serviços abrangem plataformas de desenvolvimento, capacidades de IA pré-construídas, plataformas de dados e ferramentas para criar modelos personalizados. Use os seguintes serviços para integrar a IA no design da sua carga de trabalho.

Plataformas de desenvolvimento de IA

• Microsoft Foundry: Uma plataforma unificada como serviço (PaaS) para desenvolver e implementar aplicações e agentes de IA generativa. A Microsoft Foundry oferece acesso a um catálogo de modelos, alojamento de agentes através do Foundry Agent Service, ajustes finos, ferramentas de avaliação e capacidades de IA responsável. Use o portal Foundry para experimentar, construir e implementar modelos e agentes de IA.

• Azure Machine Learning: Um serviço cloud para construir, treinar e implementar modelos de aprendizagem automática em grande escala. Azure Machine Learning suporta frameworks open-source como PyTorch, TensorFlow e scikit-learn. Também oferece capacidades para AutoML, ajuste de hiperparâmetros, treino distribuído, operações de aprendizagem automática e IA responsável.

• Microsoft Copilot Studio: Uma plataforma low-code para construir, personalizar e implementar agentes baseados em IA. Use o Microsoft Copilot Studio para criar agentes conversacionais para cenários internos e externos e para estender o Microsoft 365 Copilot com dados empresariais e fluxos de trabalho personalizados.

Serviços de IA pré-construídos

• Foundry Tools: Um conjunto de APIs e modelos pré-construídos e personalizáveis para adicionar funcionalidades inteligentes a aplicações. A Foundry Tools inclui capacidades para fala, tradução, compreensão de línguas, inteligência documental, compreensão de conteúdos, visão, segurança de conteúdos e pesquisa.

• Azure OpenAI: Fornece acesso a modelos OpenAI, incluindo GPT e DALL-E, através de infraestrutura gerida pelo Azure com segurança empresarial, redes e controlos responsáveis de IA.

Plataformas de dados para IA

• Microsoft Fabric: Uma plataforma de análise e dados de ponta a ponta que cobre ingestão de dados, transformação, roteamento de eventos em tempo real e relatórios. A Microsoft Fabric oferece o OneLake como um data lake unificado e inclui capacidades de IA embutida, funcionalidades do Microsoft Copilot e integração com as Foundry Tools.

• Azure Databricks: Uma plataforma de análise baseada no Spark para engenharia de dados, ciência de dados e aprendizagem automática. O Azure Databricks fornece o Databricks Runtime para o Azure Machine Learning, integração com o MLflow, AutoML, ajuste fino de modelo fundacional e o Mosaic AI Vector Search para recuperação baseada em incorporações.

• Azure HDInsight: Um serviço Apache Spark gerido para processamento e análise de big data. Os clusters Azure HDInsight Spark suportam cargas de trabalho de aprendizagem automática através do MLlib, são compatíveis com Armazenamento do Azure e Azure Data Lake Storage, e suportam SynapseML para aprendizagem profunda.

• Azure Data Lake Storage: Um repositório escalável e centralizado para armazenar dados estruturados e não estruturados. O Azure Data Lake Storage fornece semântica do sistema de ficheiros, segurança ao nível dos ficheiros e armazenamento em camadas construído sobre o Armazenamento de Blobs do Azure.

Camadas de Inteligência Empresarial

A arquitetura de IA na Microsoft introduz três camadas complementares de inteligência ou QI que representam fontes-chave de contexto para sistemas de IA:

• O QI de trabalho capta a inteligência sobre como o trabalho acontece dentro de uma organização. Utiliza sinais do Microsoft 365, como emails, chats, reuniões, documentos e padrões de colaboração.

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

• O Fabric IQ fornece inteligência derivada de dados empresariais estruturados geridos no Microsoft Fabric, incluindo modelos analíticos, indicadores-chave de desempenho (KPIs) e entidades empresariais.

  O Fabric IQ permite que a IA responda a perguntas analíticas complexas e interprete resultados no contexto das operações empresariais.

• O Foundry IQ fornece uma camada de conhecimento unificada e multifonte que permite aos agentes de IA recuperar e fundamentar respostas em dados empresariais.

  Esta camada é fundamental para implementar padrões como a geração aumentada por recuperação (RAG), para ajudar a garantir que os resultados da IA são precisos, atuais e compatíveis.

Architecture

O diagrama seguinte mostra uma arquitetura de chat de ponta a ponta que utiliza o Microsoft Foundry. Esta arquitetura de referência demonstra como os serviços de IA constituem uma solução pronta para produção no Azure. Inclui camadas de identidade, redes, monitorização e governação.

Descarregue um ficheiro Visio desta arquitetura.

O diagrama anterior demonstra uma implementação típica de IA de base. Para soluções do mundo real que pode construir no Azure, veja arquiteturas de IA.

Explore arquiteturas e guias de IA

Os artigos desta secção incluem guias e arquiteturas totalmente desenvolvidas que pode implementar no Azure e expandir para soluções de produção. As ideias de soluções demonstram padrões de implementação e possibilidades a considerar ao planear o desenvolvimento da prova de conceito (POC) em IA. Estes artigos podem ajudá-lo a decidir como utilizar 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 o ajudar a desenhar cargas de trabalho de IA no Azure.

Selecione um serviço de IA

Os artigos seguintes ajudam-no a avaliar e selecionar as melhores tecnologias de IA para as suas necessidades de carga de trabalho:

• Escolha uma tecnologia de serviços de IA: Compara serviços de IA e soluções de aprendizagem automática para o ajudar a escolher o serviço ou modelo certo para o seu caso de uso.

• Escolha uma tecnologia de processamento de linguagem direcionada para IA Azure: Compara os serviços Azure para tarefas de processamento de linguagem direcionadas, como tradução, reconhecimento de entidades e análise de texto.

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

• Escolha uma tecnologia de processamento e geração de imagens e vídeo com IA Azure: Compara os serviços Azure para análise, geração e processamento de imagens e vídeos.

• Escolha uma tecnologia de processamento de linguagem natural: Compare tecnologias de processamento de linguagem natural Azure para o ajudar a escolher a plataforma certa para tarefas de compreensão e geração de texto.

• Produtos de IA e aprendizagem automática da Microsoft: Compara os produtos de aprendizagem automática da Microsoft para o ajudar a escolher uma plataforma para construir, implementar e gerir aplicações, agentes e modelos de aprendizagem automática de IA.

• Escolha o modelo de IA certo para a sua carga de trabalho: Descreve estratégias para selecionar o modelo de IA certo entre as muitas opções disponíveis para implementação.

Ideias para soluções de IA

As seguintes ideias de soluções de IA demonstram padrões de implementação e possibilidades a explorar.

Ideias para soluções de processamento de áudio

• Construa uma solução de mineração de conhecimento de conversação utilizando Foundry Tools: extrai insights acionáveis de dados de áudio conversacional.

Processamento de imagens

• Classificação de imagens no Azure: Classifica imagens utilizando padrões de aplicação inteligentes.

Análise preditiva

• Use IA para prever encomendas de clientes: Prevê encomendas futuras de clientes utilizando aprendizagem automática.

Ideias de soluções MLOps

• Utilize o Azure Databricks para orquestrar MLOps: Orquestra operações de machine learning com o Azure Databricks.

• Use a abordagem da arquitetura de muitos modelos para escalar modelos de aprendizagem automática: treina e gere muitos modelos em escala utilizando Azure Machine Learning.

Processamento e enriquecimento de documentos

• Extrair e mapear informação de conteúdos não estruturados: Extrai e mapeia informação de conteúdos multimodais não estruturados.

• Gerar documentos a partir dos seus dados: Gera documentos estruturados a partir de fontes de dados.

• Utilize o enriquecimento com IA com processamento de imagem e texto: Enriquece o conteúdo utilizando conjuntos de competências de IA nos pipelines de indexação do Pesquisa de IA do Azure.

Automação do fluxo de trabalho

• Construa uma solução de automação de fluxos de trabalho com múltiplos agentes utilizando o Microsoft Agent Framework: Automatiza fluxos de trabalho utilizando múltiplos agentes de IA orquestrados através do Microsoft Agent Framework.

Arquiteturas de IA

As seguintes arquiteturas prontas para produção demonstram soluções de IA de ponta a ponta que pode implementar e personalizar.

• Inferência de IA com Silk Virtual SAN: Utiliza uma cópia Silk Echo da base de dados de produção para isolar inferência de IA em tempo real de cargas de trabalho transacionais no Azure IaaS.

Bate-papo com dados

• Arquitetura básica de referência de chat Microsoft Foundry: Uma arquitetura básica de chat RAG que utiliza Microsoft Foundry e Azure OpenAI.

• Arquitetura base de referência de chat do Microsoft Foundry: Uma arquitetura de chat de ponta a ponta pronta para produção que utiliza o Microsoft Foundry com segurança empresarial, redes e monitorização.

• Arquitetura base de referência de chat Microsoft Foundry numa zona de aterragem Azure: Implementa a arquitetura base de chat Microsoft Foundry dentro de uma zona de aterragem Azure para governação em escala empresarial.

Inferência de aprendizagem automática

• Arquitetura de referência de base para inferência do Azure Machine Learning: Saiba como criar uma plataforma privada de inferência do Azure Machine Learning, pronta para produção, com AKS, isolamento de ambientes e promoção controlada de modelos.

Processamento de documentos

• Automatizar a classificação de documentos no Azure: Utiliza Durable Functions para automatizar fluxos de trabalho de classificação de documentos.

• Automatizar o processamento de formulários PDF: Automatiza a extração e processamento de dados a partir de formulários PDF.

• Construir e implementar modelos personalizados de processamento de documentos no Azure: Constrói e implementa modelos personalizados para cenários de processamento de documentos.

• Extrair texto de objetos usando Power Automate e AI Builder: Extrai texto de objetos utilizando capacidades do Power Automate e IA.

• Crie um índice Pesquisa de IA do Azure com base no conteúdo do ficheiro e nos metadados: Utiliza múltiplos indexadores para processar e indexar metadados de blobs utilizando o Pesquisa de IA do Azure.

Classificação de vídeos e imagens

• Automatize a análise de vídeo utilizando Azure Machine Learning e Azure Vision em Foundry Tools: Analisa conteúdos de vídeo utilizando visão computacional e aprendizagem automática.

Arquiteturas de processamento de áudio

• Extrair e analisar dados de call centers: Extrai e analisa conversas de call center utilizando o Azure OpenAI.

Regulatory

• Projetar um ambiente de investigação seguro para dados regulados: Fornece um ambiente de computação seguro para cargas de trabalho de investigação que lidam com dados regulados.

Guias de IA

• Padrão de agentes de IA dinâmica em escala: Descreve como selecionar e orquestrar dinamicamente agentes de IA a partir de um pool, utilizando Microsoft Foundry, Pesquisa de IA do Azure e Azure OpenAI para construir sistemas multiagente.

• Produtos de IA e aprendizagem automática da Microsoft: Compara os produtos de aprendizagem automática da Microsoft para o ajudar a escolher uma plataforma para construir, implementar e gerir aplicações, agentes e modelos de aprendizagem automática de IA.

• Padrões de orquestração de agentes de IA: Descreve padrões de design para orquestrar agentes de IA em cenários complexos.

• Engenharia do comportamento agêntico: Descreve uma metodologia para governar o comportamento do agente com contratos versionados, requisitos de evidência, controlos em tempo de execução e critérios de aprovação de lançamento.

• Conceber uma solução segura de inferência com RAG multitenant: Fornece orientações para proteger soluções RAG em ambientes multitenant.

• Conceber para suportar os ciclos de vida dos modelos fundacionais: Fornece orientações para gerir atualizações, descontinuações e transições de modelos fundacionais.

Desenvolvimento e avaliação de soluções RAG

• Desenhar e desenvolver uma solução RAG: Fornece uma visão geral de como desenhar e avaliar soluções RAG.

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

• Fase de fragmentação RAG: Descreve estratégias para fragmentar conteúdo em pipelines RAG.

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

• Fase de geração de embeddings RAG: Descreve como gerar embeddings para recuperação RAG.

• Recuperação de informação: Cobre estratégias de recuperação de informação em arquiteturas RAG.

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

• Avaliação de ponta a ponta de grandes modelos de linguagem: Descreve como avaliar modelos RAG de ponta a ponta.

• Desenvolver uma solução RAG baseada em agentes: Descreve como passar de um fluxo de RAG padrão para uma arquitetura de RAG baseada em agentes para planeamento dinâmico de consultas e raciocínio em várias etapas.

Guias MLOps

• Operações de aprendizagem automática: Descreve a abordagem de operações de aprendizagem automática v2 para operacionalizar fluxos de trabalho de aprendizagem automática.

• Operações de IA generativa para organizações com investimentos em MLOps: Estende as práticas de operações de aprendizagem automática a cargas de trabalho em IA generativa.

• Modelo de maturidade MLOps: Define níveis de maturidade para a adoção de operações de aprendizagem automática.

Modelos de IA generativa por proxy

• Aceder aos modelos do Foundry e a outros modelos de linguagem através de um gateway: Descreve as vantagens e a arquitetura de utilizar um gateway à frente dos pontos de extremidade de modelos de IA generativa.

• Utilize um gateway à frente de várias implementações ou instâncias de modelos: Estende o padrão de gateway para encaminhar pedidos entre vários back-ends de modelos.

• Fornecer autenticação personalizada aos Modelos Foundry através de um gateway: Implementa fluxos de autenticação personalizados para o acesso ao modelo através de um gateway.

• Implemente monitorização avançada para os Modelos do Foundry através de um gateway: Adiciona capacidades de monitorização e observabilidade ao tráfego de modelos de IA generativa através de um gateway.

Prontidão organizacional

As organizações no início do processo de adoção da cloud podem usar o Cloud Adoption Framework para Azure para aceder a orientações comprovadas que aceleram a adoção da cloud.

Para orientações específicas de adoção de IA, consulte os seguintes recursos do Cloud Adoption Framework:

• Adoção de IA: Fornece um processo estruturado para a adoção de soluções de IA no Azure, incluindo estratégia, planeamento, prontidão, governação, segurança e gestão.

• Pronto para IA: Descreve o processo organizacional para construir cargas de trabalho em IA no Azure, incluindo organização de recursos, redes, fiabilidade e governação.

Para ajudar a garantir a qualidade da sua solução de IA no Azure, siga as orientações do Azure Well-Architected Framework. O Well-Architected Framework fornece orientações prescritivas para organizações que procuram excelência arquitetónica e descreve como desenhar, fornecer e monitorizar soluções Azure otimizadas para custos.

Para orientações específicas para IA, consulte o seguinte recurso Well-Architected Framework:

• Cargas de trabalho de IA no Azure: Aborda desafios arquitetónicos no desenho de cargas de trabalho de IA, incluindo funcionalidades não determinísticas, design de dados e aplicações, e operações nos cinco pilares Well-Architected Framework.

Para guias de serviços do Well-Architected Framework relacionados com IA, consulte:

• Azure Machine Learning
• Azure Databricks

Melhores práticas

Siga estas melhores práticas para melhorar a fiabilidade, segurança, custo-benefício, qualidade operacional e desempenho das suas cargas de trabalho de IA no Azure:

• Desenhar e desenvolver uma solução RAG: Seguir uma abordagem estruturada, fase a fase, para desenhar soluções RAG, incluindo chunking, embedding, recuperação de informação e avaliação de ponta a ponta.

• Escolha um serviço Azure para pesquisa vetorial: Avalie serviços Azure que suportem pesquisa vetorial para encontrar o melhor ajuste para os seus requisitos de pesquisa de recuperação e similaridade.

• Padrões de orquestração de agentes de IA: Aprenda padrões comprovados de orquestração para arquiteturas que utilizam múltiplos agentes, incluindo padrões sequenciais, concorrentes, de conversa em grupo, de transferência e Magentic. Analise as considerações de implementação quanto à fiabilidade, segurança, custo e observabilidade.

• Utilize um gateway à frente dos modelos de IA generativa: Implemente padrões de gateway para encaminhamento por proxy, balanceamento de carga e monitorização dos pontos de extremidade dos modelos de IA generativa.

• Operações de aprendizagem automática v2: Aplicar orientações completas para o ciclo de vida das operações de aprendizagem automática para treinar, implementar e gerir modelos de aprendizagem automática em larga escala.

• Operações de IA generativa com operações de aprendizagem automática: Estenda as práticas de operações de aprendizagem automática a cargas de trabalho de IA generativa, incluindo gestão de prompts, avaliação e implementação.

• Conceba uma solução RAG multicliente de inferência segura: Aplique padrões de multilocação para soluções RAG que imponham o isolamento de dados e uma inferência segura entre clientes.

• Conceber para suportar ciclos de vida de modelos fundacionais: Gerir a gestão de versões, a descontinuação e a rotatividade dos modelos para manter as cargas de trabalho de IA atualizadas e resilientes.

• Opções de aprendizagem automática: Compare as opções de treino e implementação de aprendizagem automática no Azure para escolher os serviços certos para a sua carga de trabalho.

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

Mantenha-se atualizado com a IA

Os Serviços de IA do Azure evoluem para enfrentar desafios modernos de dados. Mantenha-se informado sobre as últimas atualizações e funcionalidades.

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

• Novidades no Azure OpenAI em Foundry Models: Fornece um resumo das últimas versões e atualizações de documentação do Azure OpenAI, incluindo a disponibilidade de novos modelos, versões da API e anúncios de funcionalidades.

• Novidades no Microsoft Foundry: Destaca as principais atualizações de artigos e produtos no Microsoft Foundry, incluindo governação de agentes, funcionalidades de observabilidade e novas capacidades.

• Novidades no Pesquisa de IA do Azure: Cobre as últimas atualizações da funcionalidade do Pesquisa de IA do Azure, incluindo novas versões da API, funcionalidades de recuperação de agentes e capacidades de indexação.

• Novidades na Linguagem Azure no Foundry Tools: Cobre atualizações da Linguagem Azure nas capacidades do 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 todas as capacidades do Microsoft Fabric, incluindo ciência de dados, integração com MLflow, agentes de dados e funcionalidades de análise.

• Notas de atualização do Azure Machine Learning CLI e SDK: Fornece notas de atualização para o Azure Machine Learning CLI (v2) e Python SDK, incluindo novas funcionalidades, correções de bugs e alterações disruptivas.

• Notas de atualização da plataforma Azure Databricks: Cobre atualizações da plataforma Azure Databricks, incluindo versões em tempo de execução, funcionalidades do espaço de trabalho e capacidades de integração.

• Novidades no Microsoft Copilot Studio: Destaca novas funcionalidades e atualizações para o Microsoft Copilot Studio, incluindo capacidades de construção de agentes e atualizações de conectores.

• Novidades no Azure Document Intelligence no Foundry Tools: Cobre atualizações do Azure Document Intelligence no Foundry Tools, incluindo novos modelos pré-construídos, versões da API e capacidades de extração.

• Novidades no Azure Content Understanding no Foundry Tools: Cobre atualizações do Azure Content Understanding no Foundry Tools, incluindo novas funcionalidades de análise de conteúdos e integração com o Microsoft Foundry.

Profissionais da Amazon Web Services (AWS) ou Google Cloud

Para o ajudar a crescer rapidamente, os seguintes artigos comparam as opções de IA do Azure com outros serviços cloud:

• Dados e IA: Compara os serviços de dados e IA da AWS, incluindo aprendizagem automática, IA generativa e serviços de plataforma de IA, com os seus equivalentes Azure.

• IA e aprendizagem automática: Compara os serviços de IA e aprendizagem automática do Google Cloud, incluindo Vertex AI, Dialogflow e Gemini, com os seus equivalentes no Azure.