重写内容而不改变原意，需要将语言改写为中文，不需要出现原句

为了重新表达这个内容，我们可以使用以下词语：策划 | 议征

生成式AI的加入对云架构带来了许多改变，包括数据可用性、安全性、模型选择和监控等方面。因此，在构建一个云架构的同时，如果还要设计生成式AI驱动的系统，就需要做一些不同的改变。同时，还需要考虑目前出现的最佳做法。结合过去20年的经验，以下是作者给出的一些建议，供大家参考

1、理解你的用例

明确定义云架构中生**工智能的目的和目标。如果我反复看到任何错误，那就是没有理解商业系统中生**工智能的含义。了解您的目标是实现什么，无论是内容生成、推荐系统还是其他应用程序。这意味着写下内容，并就目标、如何实现目标以及最重要的是如何定义成功达成共识。这对于生**工智能来说并不新鲜；这是赢得每一次迁移和构建在云中的全新系统的一步。

我看到许多云中的整个生成AI项目都以失败告终，因为它们没有很好地理解业务用例。公司制造了一个很酷的东西，但不会给业务带来任何价值。这是行不通的。

2、数据来源和质量是关键

重新写成：为了训练和推理人工智能模型，需要识别适用的数据源。这些数据必须具备可访问性和高质量，并经过严格管理。同时，确保云存储解决方案的可用性和兼容性也是必要的。生成型人工智能系统以数据为核心，可以称之为面向数据的系统；数据是推动生成性人工智能系统所产生结果的关键。只有输入优质数据，才能得到优质的输出结果

因此，将数据可访问性作为云架构的主要驱动因素是有帮助的。您需要将大多数相关数据作为训练数据进行访问，通常将其保留在现有位置，而不是将其迁移到单个物理实体。否则，你最终会得到多余的数据，没有单一的真相来源

在将数据输入人工智能模型之前，考虑高效的数据管道来预处理和清理数据。这样可以确保数据质量和模型性能。这大约是使用生**工智能的云架构成功率的80%。然而，这一点最容易被忽视，因为云架构师更多地关注生**工智能系统的处理，而不是为这些系统提供数据。数据就是一切。

3、数据安全和隐私

正如数据很重要一样，应用于数据的安全性和隐私性也很重要。人工智能的生成处理可以将看似毫无意义的数据转化为可以暴露敏感信息的数据。

为了保护生**工智能使用的敏感数据以及可能产生的新数据，必须实施强有力的数据安全措施、加密和访问控制。同时，至少要遵守相关的数据隐私法规。这并不意味着只需在架构上安装一些安全系统作为最后一步；安全性必须在每一步都融入到系统中

4、可扩展性和推理资源

规划可扩展的云资源，以适应不同的工作负载和数据处理需求。大多数公司都考虑自动扩展和负载平衡解决方案。我看到的一个更重大的错误是构建规模良好但成本高昂的系统。

需要重新写的内容是：在保持原意不变的情况下，需要将内容改写成中文。不需要出现原句

5、考虑模型的选型

根据您的具体用例和需求，选择示例性的生成AI架构（通用对抗性网络、转换器等）。考虑用于模型培训的云服务，如AWS SageMaker和其他服务，并找到优化的解决方案。这也意味着要理解你可能有许多相互关联的模型，这将是常态。

我们需要实施稳健的模型部署策略，其中包括版本控制和容器化，以确保云架构中的应用程序和服务能够访问AI模型

6、监控和日志记录

设置监控和日志系统以跟踪AI模型性能、资源利用率和潜在问题不是可选的。建立异常警报机制，以及为处理云中生**工智能而构建的可观察性系统。

另外，需要持续监控和优化云资源的成本，因为生成式人工智能可能对资源有较高的需求。可以使用云成本管理工具和实践来实现。这意味着finops需要监控部署的各个方面，包括最低的运营成本效率以及评估架构是否最佳的架构效率。大多数体系结构都需要进行调整和持续改进

7、其他考虑

为了确保高可用性，需要进行故障切换和冗余操作，以最大限度地减少系统故障时的停机时间和数据丢失。在必要时要实施冗余措施。此外，还需要定期审计和评估云基础设施中生成的人工智能系统的安全性，解决漏洞并保持合规性

制定人工智能道德使用指南是明智之举，尤其是在生成内容或做出影响用户决策时。因此，我们需要解决偏见和公平问题。目前有关人工智能和公平的诉讼案件，我们需要确保我们所做的事情是正确的。持续评估用户体验，以确保人工智能生成的内容符合用户期望，并提高用户参与度

无论你是否使用生**工智能，云计算架构的其他方面都是一样的。关键是要意识到，有些事情要重要得多，需要更加严格，而且总有改进的空间。

参考链接：https://www.infoworld.com/article/3706094/adding-generative-ai-systems-may-change-your-cloud-architecture.html