Arkitektur och styrning för AI

Den här artikeln förklarar hur AI-arbetsbelastningar passar in i din Azure landningszon och företagsarkitektur. Den identifierar de ytterligare plattformsfunktioner som organisationer bör överväga när användningen av AI skalar upp.

Tillämpa samma principer för Azure-landningszoner och bästa praxis på AI-arbetsbelastningar som för andra arbetsbelastningar. AI-arbetsbelastningar kräver inte någon annan Azure landningszonarkitektur eller styrningsmodell. Plattformsteamen bör använda sin befintliga styrningsbaslinje och utöka den där det behövs för att ta hänsyn till de AI-tjänster och modeller som organisationen planerar att använda.

Resultat: I slutet av arkitektur- och styrningsplaneringen bör du ha en uppdaterad styrningsbaslinje som stöder de AI-tekniker som du planerar att använda i Azure.

Arkitekturer och beslutsträd

Plattformslandningszon

AI-implementering bör bygga på den befintliga Azure landing zone i stället för att införa en separat plattformsstruktur. AI-arbetsbelastningar använder samma hanteringsgruppshierarki och plattformsfunktioner som andra Azure arbetsbelastningar. Organisationer behöver vanligtvis inte särskilda administrationsgrupper för AI. I stället bör plattformsteam utöka befintliga styrnings- och anslutningsfunktioner för att hantera de Azure tjänster som AI-arbetsbelastningar använder.

Styrningsbaslinje: Den befintliga Azure landing zone-styrningsbaslinjen bör förbli startpunkten för AI-arbetsbelastningar. Plattformteamen bör utöka baslinjen när AI-tjänster inför krav som befintliga policyer inte hanterar.

• Azure Policy: Organisationer bör börja med baslinjeprinciper från acceleratorn för plattformslandningszoner. Plattformsteam bör sedan lägga till Azure Policy definitioner för AI-tjänster som organisationen godkänner, till exempel Microsoft Foundry-modeller, Foundry Tools, Azure AI-sökning och Azure Virtual Machines. Genom att tillämpa dessa policyer via den befintliga hanteringsgruppshierarkin får AI-arbetsbelastningar enhetliga skyddsmekanismer utan att det krävs någon separat styrningsmodell. Microsofts vägledning stöder tillämpning av AI-specifika principer via landningszonens hanteringsgruppshierarki så att resurser för arbetsbelastningen ärver dem.

• Nätverk: Befintliga nätverksmönster för Azure landningszon bör också förbli grunden för AI-arbetsbelastningar. Plattformsteamen bör utöka delad anslutning och nätverksskydd där AI-arbetslaster skapar ytterligare krav, särskilt för internetuppkopplade tjänster eller åtkomst till data i lokala miljöer.

  • DDoS Protection: Internetuppkopplade AI-arbetsbelastningar bör använda Azure DDoS Protection. Plattformsteamet kan tillhandahålla det här skyddet som en del av organisationens delade nätverksfunktioner i stället för att kräva att enskilda arbetsbelastningsteam etablerar sin egen metod på plattformsnivå.

  • Hybridanslutning: Organisationer som får åtkomst till lokala data från Azure AI-arbetsbelastningar bör välja anslutning baserat på deras prestanda- och tillgänglighetskrav. Azure ExpressRoute tillhandahåller privat anslutning och är lämplig när organisationer kräver förutsägbar anslutning till Azure. Azure VPN Gateway ger krypterad anslutning via det offentliga Internet och kan passa mindre krävande anslutningskrav. Befintlig vägledning för Azure-landningszon stöder också VPN Gateway och ExpressRoute som hybridanslutningsmönster.

Landningszoner för arbetslaster

AI-arbetsbelastningar använder samma principer för landningszoner för arbetsbelastning som andra Azure-arbetsbelastningar. Varje arbetsbelastning ska ha en egen landningszon för arbetsbelastningar och använda en eller flera Azure prenumerationer för att separera miljöer baserat på organisationens styrnings- och isoleringskrav. Azure-prenumerationer ger gränser för områden som kvot, kostnad, styrning och säkerhet.

Plattformsteamet bör placera prenumerationer på landningszoner för arbetsbelastningar för AI-arbetsbelastningar under den befintliga hanteringsgruppen som tillhandahåller lämpliga styrningskontroller. Internetuppkopplade AI-arbetslaster hör vanligtvis hemma i gruppen för onlinehantering. Interna AI-arbetslaster hör vanligtvis till den interna ("Corp") hanteringsgruppen. Plattformsteam bör använda dessa befintliga gränser i stället för att skapa administrationsgrupper specifikt för AI. Azure Policy tilldelningar på hanteringsgruppsnivå ger sedan konsekventa plattformsskyddsmekanismer inom AI och andra arbetsbelastningar.

Reliability

AI-arbetslaster bör använda organisationens befintliga standarder för tillgänglighet och katastrofåterställning. Plattformsteam bör förbereda Azure landningszon för att stödja flera regioner så att arbetsbelastningsteam kan distribuera AI-arbetsbelastningar mellan regioner när deras krav på affärskontinuitet motiverar den extra kostnaden och komplexiteten. Vägledningen för Azure-landningszonregioner rekommenderar särskilt att du utformar plattformen så att den kan stödja landningszoner för arbetsbelastningar i flera regioner.

• Dataplacering: Dataplacering bör också ingå i den regionala designen. Arbetsbelastningsteam bör placera hämtningsdata nära de AI-tjänster som använder dem när svarstid och prestanda är viktiga. Regional distribution måste också uppfylla organisationens krav på datahemvist.

• Tillgänglighet och kapacitet: AI introducerar ytterligare regionala överväganden eftersom tjänsttillgänglighet, modelltillgänglighet och kapacitet kan variera beroende på Azure region. Organisationer bör identifiera de regioner som stöder deras godkända AI-tjänster och modeller innan de gör dessa regioner tillgängliga för AI-arbetsbelastningar.

• Failover: Arbetsbelastningsteam som kräver regional failover bör också ta hänsyn till AI-tillgångar som arbetsbelastningen är beroende av, till exempel distributioner av modeller och hämtningsdata. Återställningsdesignen bör se till att den sekundära regionen har de resurser och data som krävs för att återställa arbetsbelastningen.

Företagsintegrering

AI-arbetsbelastningar bör integrera med företagsplattformar via samma arkitekturprinciper som andra arbetsbelastningar. Det primära AI-specifika övervägandet är åtkomst till betrodda organisationsdata.

Organisationer bör upprätta en enhetlig metod för data som gör styrda data tillgängliga för AI-arbetsbelastningar utan att kräva att varje arbetsbelastningsteam skapar separata dataintegreringsmönster. Microsoft Fabric kan förbereda och tillhandahålla organisationsdata för analys- och AI-scenarier. Azure AI-arbetsbelastningar kan sedan använda lämpliga data via godkända integrationsmönster. Vägledning om hur du upprättar den här grunden finns i Unified data platform.

Nästa steg

Arkitektur- och styrningsöverväganden för en landningszon för arbetsbelastning beror på de AI-plattformar och tekniker som arbetsbelastningen använder. Följande vägledning ger djupare arkitekturrekommendationer för olika AI-implementeringsmönster.