什么是 AI 基础架构？
随着人工智能（AI）在我们的日常生活中用的越来越多，建立一种能够实现有效和高效工作流程的结构就至关重要。这就是人工智能基础架构（AI 基础架构）的用武之地。
精心设计的基础架构有助于数据科学家和开发人员访问数据、部署机器学习算法以及管理硬件的计算资源。
AI 基础架构结合了人工智能和机器学习（AI/ML）技术，来开发和部署可靠且可扩展的数据解决方案。正是这项技术使机器学习成为可能，让机器能够像人类一样思考。
机器学习是一项训练计算机找到模式、做出预测并从经验中学习且无需明确编程的技术。它可以用于生成式 AI，并通过深度学习实现，深度学习是一种用于分析和解释大量数据的机器学习技术。
AI 基础架构技术堆栈
技术堆栈是一组用于构建和部署软件应用的技术、框架和工具。我们可以想象这些技术是一层一层“堆”在一起，来构建整个应用的。AI 基础架构技术堆栈可以通过三个基本层更快地开发和部署应用。
应用层让人类能够在使用端到端应用或面向最终用户的应用等工具时与机器进行协作。面向最终用户的应用通常使用开源 AI 框架构建，以创建可定制的模型，并可以根据特定的业务需求进行定制。
模型层有助于 AI 产品运行。该层需要用于部署的托管解决方案。模型层包含三个模型，为整个堆栈奠定了坚实的基础。
- 通用 AI：模仿人类大脑的思考和决策能力。例如 OpenAI 的 ChatGPT 和 DALL-E 等 AI 应用。
- 特定 AI：使用特定数据来生成准确的结果。例如生成广告文案和歌词这样的任务。
- 超本地化 AI：可以实现最高精度和相关性的人工智能，旨在成为该领域的专家。例如撰写科学论文或创建室内设计模型
基础架构层包括构建和训练模型所需的硬件和软件。GPU（硬件）以及优化和部署工具（软件）等专用处理器等组件都属于这一层。云计算服务也是基础架构层的一部分。
AI 基础架构组件
现在我们已经介绍了 AI 基础架构中涉及的三个层，下面我们来了解构建、部署和维护 AI 模型所需的几个组件。
数据存储
数据存储是指收集和保留数字信息，即应用、网络协议、文档、媒体、地址簿、用户偏好等背后的位和字节。数据存储对于存储、整理和检索 AI 信息非常重要。
数据管理
数据管理是指收集、存储和使用数据的过程，这通常是由数据管理软件促成的。通过数据管理，您可以了解自己掌握哪些数据、数据所在位置、数据归谁所有、谁可以看到这些数据以及如何访问数据。通过适当的控制和实施，数据管理工作流可提供所需的分析洞察，帮助做出更好的决策。
机器学习框架
机器学习（ML）是人工智能（AI）的一个子类别，它使用算法来识别一组数据中的模式并进行预测，而框架则提供所需的工具和库。
机器学习运维
机器学习运维（MLOps）是一组工作流实践，旨在简化机器学习（ML）模型的生产、维护和监控过程。受 DevOps 和 GitOps 原则的启发，MLOps 旨在建立一个连续的、不断发展的过程，以便将 ML 模型集成到软件开发过程中。
红帽资源
为什么 AI 基础架构很重要？
具有成熟组件的可靠 AI 基础架构有助于创新和提高效率。然而，在设计 AI 基础架构时，需要考虑一些优势、挑战和应用。
优势
AI 基础架构可为 AI 运维和企业组织带来不少好处。第一个好处是可扩展性，它能提供按需扩展和缩减运维规模的机会，尤其是使用基于云的 AI/ML 解决方案。第二个则是自动化，它允许重复工作以减少错误并增加可交付成果的周转时间。
挑战
尽管 AI 基础架构具备众多优势，但它确实存在一些挑战。一大关键挑战是需要处理的数据的数量和质量。由于 AI 系统依赖大量数据来学习和决策，传统的数据存储和处理方法可能不足以处理 AI 工作负载的规模和复杂性。另一大挑战是对实时分析和决策的要求。该要求意味着基础架构必须快速高效地处理数据，这需要考虑集成合适的解决方案来处理大量数据。
应用
有一些应用可以解决这些挑战。通过红帽® OpenShift® 云服务，您可以快速构建、部署和扩展应用。您还可以通过主动管理和支持，提高一致性和安全性，从而提高效率。红帽边缘可帮助您在更靠近数据收集地点的位置进行部署，并获得可指导行动的分析。
安全防护
AI 安全防护旨在保护 AI 应用免受那些会削弱工作负载、操纵数据或窃取敏感信息的恶意攻击。可以根据 AI 生命周期和技术生态系统调整机密性、完整性和可用性原则。为了保护您的 AI 系统，彻底了解它们至关重要。您对 AI 技术及其基础架构了解得越多，就越能更好地加以保护。
红帽官方博客
获取有关我们的客户、合作伙伴和社区生态系统的最新信息。
