Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Uma plataforma de IA é onde a sua organização executa e opera modelos de IA. Fornece o perímetro de rede, modelo de identidade, plano de dados e alocação de quotas que rodeiam os seus modelos, implementações, índices, avaliações e ativos relacionados. Microsoft Foundry e Azure Machine Learning são duas plataformas de IA Azure. Cada implementação de qualquer um dos serviços cria uma nova instância.
A sua organização deve decidir como distribuir os ambientes de carga de trabalho de IA entre as instâncias das plataformas de IA. Podes isolar cada ambiente, como dev, test ou prod, numa instância de plataforma própria. Também pode permitir que múltiplas cargas de trabalho ou ambientes partilhem a mesma instância. Esta decisão, frequentemente designada por colocalização, afeta a extensão do impacto de problemas operacionais ou de segurança. Também afeta os limites de conformidade e o custo da plataforma.
Recomendação: Estabelecer uma política organizacional que defina requisitos padrão de isolamento, limites de partilha aprovados, critérios de exceção e expectativas separadas para ambientes de plataformas de IA de produção e pré-produção.
Orientação para a decisão:
1. Definir limites de partilha de plataformas de IA
Toda organização precisa de limites através dos quais as cargas de trabalho nunca devem partilhar uma instância de plataforma de IA. Esta fronteira aplica-se em todos os ambientes, incluindo ambientes de produção e pré-produção. Cargas de trabalho dentro da mesma fronteira podem potencialmente partilhar uma instância de plataforma. Cargas de trabalho em diferentes fronteiras não podem.
Por que traçar limites de partilha? Sem partilhar limites, as equipas de carga de trabalho adotam o padrão que for conveniente no momento, e a plataforma de IA acumula requisitos conflitantes ao longo do tempo. Com o tempo, cria modelos de propriedade inconsistentes, requisitos de conformidade conflitantes, alocação de custos pouco clara e risco operacional partilhado entre cargas de trabalho não relacionadas. Por exemplo, áreas de negócio não relacionadas podem partilhar quotas na mesma instância da plataforma para reduzir custos. O resultado é uma plataforma de IA com limites de governação inconsistentes que se tornam difíceis de compreender e auditar.
Limites comuns. Escolha um modelo de fronteira que esteja alinhado com a forma como a sua organização já atribui responsabilidades e governa as decisões tecnológicas. Modelos comuns incluem:
A fronteira de uma unidade de negócio é otimizada para uma responsabilidade operacional e um financiamento comuns
Um limite de domínio de dados otimiza para requisitos comuns de conformidade e tratamento de dados
Uma fronteira do responsável pelo produto é otimizada para um ciclo de vida de engenharia comum e operações da plataforma
Dentro desse limite, as equipas ainda podem escolher instâncias dedicadas da plataforma quando o isolamento faz sentido. Fora dos limites, não é permitido partilhar.
Encontra o que funciona melhor. Nenhum modelo único é universalmente correto. A consistência importa mais do que o modelo escolhido, porque um modelo de fronteira claramente aplicado mantém a governação compreensível à medida que a plataforma de IA cresce.
2. Definir uma política de partilha de plataformas de IA de produção
A partilha de plataformas de IA em produção é a prática de executar mais do que um ambiente de carga de trabalho de IA em produção no mesmo recurso Microsoft Foundry ou no espaço de trabalho Azure Machine Learning. No Azure, a instância da plataforma de IA define o limite da rede, o limite da identidade e o limite das quotas para os ambientes de carga de trabalho que a utilizam. Por essa razão, as organizações devem definir uma política específica para a partilha de plataformas de IA em produção.
2.1 Utilizar, por defeito, uma única instância da plataforma de IA por carga de trabalho de produção
Os ambientes de IA de produção devem, por predefinição, utilizar o isolamento do ambiente de produção. Não coloque múltiplas cargas de trabalho de produção no mesmo recurso Microsoft Foundry ou no mesmo espaço de trabalho do Azure Machine Learning, a menos que exista uma exceção documentada. Uma instância dedicada de plataforma de IA para cada ambiente de carga de trabalho de produção deve ser a abordagem padrão. Trate a partilha de plataformas de IA como uma exceção, não como uma prática padrão.
Porque optar pelo isolamento por defeito? As plataformas de IA partilhadas também criam riscos operacionais partilhados. Um problema de segurança, uma configuração incorreta, uma indisponibilidade do serviço ou uma situação de esgotamento de quotas pode afetar todos os ambientes de carga de trabalho alojados em conjunto. O isolamento também reduz o risco de exposição acidental ao acesso entre cargas de trabalho e impede que uma carga de trabalho consuma a capacidade da GPU ou a quota necessária para outra carga de trabalho. Os ambientes de produção geralmente têm o maior impacto empresarial e exposição regulatória. A maioria das organizações exige limites claros de propriedade e forte isolamento operacional nestes ambientes.
Trade-off: O isolamento aumenta os custos e a sobrecarga de gestão. Cada instância de plataforma tem a sua própria sobrecarga operacional para redes, identidade, monitorização e operações. As organizações devem equilibrar estes custos com os benefícios operacionais e de segurança de uma contenção mais forte.
2.2 Permitir a colocação de produção através de uma exceção documentada
A colocation reduz a sobrecarga e consolida as operações da plataforma. Por exemplo, se os casos de uso partilharem as mesmas fontes de dados como entrada, a colocalização evita a necessidade de estabelecer a conectividade e a autenticação entre a plataforma de IA e esses recursos para cada caso de uso. Compromisso: Partilhar instâncias da plataforma de IA em produção também funde o raio de explosão, o limite de identidade e o pool de quotas de cada carga de trabalho que partilha a instância.
Características para colocação: Só permitem que cargas de trabalho de produção partilhem instâncias de Microsoft Foundry ou Azure Machine Learning quando cada uma das seguintes condições se verifica:
Todas as cargas de trabalho co-localizadas partilham o mesmo âmbito regulatório, classificação de dados, requisitos de residência e padrões de tratamento de dados.
Todas as cargas de trabalho operam dentro do mesmo limite de rede, do mesmo espaço de nomes DNS e do mesmo limite de identidade.
A organização aceita o risco partilhado de indisponibilidade e o risco partilhado de esgotamento de quotas introduzido pela colocalização.
O custo ou a sobrecarga operacional de instâncias separadas supera materialmente o benefício do isolamento. A pressão dos custos por si só não é justificação suficiente.
A equipa aceita que dividir as cargas de trabalho mais tarde é dispendioso. O estado da plataforma de IA não se transfere de forma limpa entre instâncias e muitas vezes requer recriação ou reconfiguração.
Contrapartida: Cada instância partilhada da plataforma de IA requer um responsável pela plataforma claramente identificado, responsável pela gestão de quotas, configuração de rede, revisões de acessos, operações de ciclo de vida e coordenação de incidentes.
2.3 Casos de uso de produção segmentada dentro da instância da plataforma de IA
Quer a instância da plataforma seja isolada quer colocalizada, utilize funcionalidades de segmentação integradas no produto para separar casos de utilização. Trate cada caso de uso distinto, como experiências de utilizador totalmente distintas dentro de uma única carga de trabalho, como uma implementação lógica própria dentro da instância da plataforma. Por exemplo:
No Microsoft Foundry, provisão um projeto por caso de uso dentro do recurso Foundry.
No Azure Machine Learning, usa um espaço de trabalho hub com espaços de trabalho de projeto para segmentar casos de uso.
Estes construtos dão a cada caso de uso os seus próprios ativos e atribuições de funções. Partilham um conjunto comum de componentes de infraestrutura para segurança e conectividade. Não tens de criar uma nova instância para cada cenário.
Quando a co-localização for permitida ao abrigo do processo de exceção, transforme esta separação no produto de uma recomendação num requisito obrigatório imposto pela política.
Se uma carga de trabalho exigir segmentação complexa entre múltiplos projetos Foundry ou espaços de trabalho Azure Machine Learning, reavalie se o modelo de partilha atual ainda oferece uma simplicidade operacional e isolamento aceitáveis.
Para obter contexto sobre os conceitos que fundamentam estas decisões, consulte recursos do Microsoft Foundry e áreas de trabalho do Azure Machine Learning.
3. Definir uma política de partilha de plataformas de IA de pré-produção
Os ambientes de pré-produção invertem a predefinição de produção. Os ambientes de pré-produção incluem desenvolvimento, teste e staging. Estes ambientes suportam a experimentação e a validação pré-lançamento. Instâncias dedicadas a recursos de plataformas de IA raramente justificam o seu custo nesses níveis. Utilizar, por defeito, uma instância partilhada por nível de ambiente.
Porque colocar em ambientes de pré-produção? Uma instância partilhada de plataforma de IA de pré-produção permite às equipas reutilizar a infraestrutura de IA do Azure em vez de provisionar instâncias separadas para cada novo caso de uso. As equipas de carga de trabalho podem reutilizar modelos implementados, conectividade de rede aprovada, integrações de dados existentes e configurações de segurança estabelecidas. Esta abordagem acelera a experimentação e reduz o trabalho repetido de preparação. É especialmente valioso quando as equipas de negócio avaliam a viabilidade de novos cenários de IA ou validam soluções em fase inicial.
Quando não colocar na pré-produção. Use uma instância dedicada de pré-produção por carga de trabalho quando uma carga de trabalho processa dados regulados em teste ou deve espelhar a sua topologia de produção para validação de desempenho. Trate esse requisito como uma exceção e exija aprovação explícita antes de provisionar.
Contrapartida: A colocalização de pré-produção reduz o custo da capacidade ociosa e mantém o inventário da plataforma mais reduzido. No entanto, expõe todas as cargas de trabalho à interferência causada pelos testes de outra equipa. Um trabalho de afinação fina mal configurado ou uma execução de avaliação descontrolada pode consumir quotas partilhadas e abrandar o trabalho de outras equipas. Os resultados dos testes captados numa instância partilhada também nem sempre preveem o comportamento de produção. Cargas de trabalho com necessidades rigorosas de validação de desempenho ou conformidade requerem um ambiente dedicado, apesar do custo mais elevado.