数据飞轮
数据飞轮是一种反馈循环机制，通过从交互或流程中收集数据，持续优化 AI 模型，进而产生更优的结果和更有价值的数据。
AI 数据飞轮的工作原理是什么？
AI 数据飞轮的工作原理是通过创造循环机制，帮助 AI 模型整合机构知识与用户反馈，从而实现持续的改进。当模型生成输出结果时，数据飞轮会将反馈与新数据收集起来，用于模型的优化与增强。这一流程涉及数据管护与数据质量的提升，以便确保 AI 模型的精度和性能均得到持续改善。
图 1：数据飞轮：由数据处理、模型定制、评估、护栏和及部署构成的持续运转周期，能够利用企业数据改进 AI 系统
此外，数据飞轮内置 AI 护栏，以保持数据的完整性和可靠性，确保输出结果准确、合规、安全。这种持续的反馈和增强周期能够使 AI 模型的效能与日俱增。这一工作流由六大步骤组成：
1. 数据处理：AI 数据飞轮的基础是企业数据。这类数据形式多样，包括文本文档、图像、视频、表格和图表。AI 数据飞轮需要通过对原始数据进行数据处理来提取和优化信息。随后，原始数据将接受进一步的筛选，去除低质量文档、个人身份信息 (PII) 与不良、有害数据，生成高质量数据。这样的数据管护能够有效提高应用的准确性。
2. 模型定制：借助领域自适应预训练 (DAPT) 和监督式微调 (SFT) 等大语言模型 (LLM) 技术，您能够在资源要求较低情况下，快速为模型增添领域特定知识与任务专属技能。到这一步，模型已对公司的特有词汇和上下文有了更深的理解。
3. 模型评估：接下来，您可以评估模型性能、验证答案（输出）是否符合应用的要求。以迭代的方式执行前三步，能够确保模型质量得到改进，且结果符合目标应用的要求。
4. AI 护栏实施：将 AI 护栏添加到定制模型中，可确保应用的部署符合企业对隐私、安全保障和安全的特定要求。
5. 自定义模型部署：在同时部署生成式 AI 和代理式 AI 应用时，从不断扩大的数据库中持续检索信息。用户反馈和系统运行数据会被反复收集。借助 AI 数据飞轮，您可以在基于应用交互构建机构知识的同时，生成经优化、更智能的答案。
6. 企业数据优化：由此产生的结果就是，随着时间推移，机构数据会基于收集自人类反馈和 AI 模型反馈的新数据持续更新。随着流程的重复，这一过程将反馈到数据处理中。
扩展 AI 数据飞轮策略的目的是什么？
| 角色 | 责任 |
|---|---|
| 数据工程师 | 必须对结构化和非结构化数据进行管护，以生成用于训练 AI 模型的高质量数据 |
| AI 软件开发者 | 必须利用经管护的数据集进一步训练 AI 模型，满足专业化的目的 |
| IT 与 MLOps 团队 | 必须将模型部署在安全的环境中，同时将使用和访问要求纳入考量 |
| 人机回圈与 AI 系统 | 必须审查生成的机构知识，并对数据库进行具有一致性的调整，因为数据会持续反馈至数据引擎 |
为什么数据飞轮对于代理式 AI 和生成式 AI 的采用至关重要？
在采用 AI 智能体和生成式 AI 应用时，需要借助数据飞轮来推动软件持续改进、提升适应性。例如，随着业务需求发生变化或复杂性增加，性能和成本往往成为决定商业成败的关键。
借助高效的 AI 数据飞轮，企业组织可以：
- 开发符合业务或客户需求且经济高效的应用。
- 对产品进行个性化和优化，改善用户体验。
- 达成切实的目标，如提高销售转化率或通过实施自动化提升生产力。
为保持竞争优势，企业组织可以收集处理新的交互数据、优化 AI 模型，并逐步提升其 AI 应用的性能。从 LLM 到视觉语言模型 (VLM)，可用于集成的数据类型丰富多样。
开发团队也可以加快模型训练速度，专注于利用其专有数据对现有基础模型进行调优。生成式 AI 微服务可通过 API 调用进一步简化这一流程。
这种方法能够大幅减少开发和部署代理式 AI 和生成式 AI 解决方案所需的时间和资源。
应该在何时对数据飞轮进行加速？
加速 AI 数据飞轮对解决与代理式 AI 技术相关的依赖关系具有重要意义。
例如，如果没有集中式反馈和日志记录系统，我们就难以对系统性能进行跟踪和分析，而这有可能影响数据飞轮的运行速度。如果评估数据集不能准确反映现实世界场景，就有可能导致模型性能欠佳。
随着知识库的更新，系统反馈的相关性可能会下降，从而使飞轮难以实现持续改进。人工干预虽然有益，但需要耗费大量资源和时间。解决这一问题，将有助于在加速数据飞轮同时保持其效能。
这样一来，当系统层面发生大量影响性能的交互时，加速就变得很有必要。例如，在生成式 AI 应用中，准确性和与符合人类偏好很重要。在代理式 AI 应用中，则需要 AI 知识工作者对计划进行简化和执行。
| 操作要求 | 建议 |
|---|---|
| 促进资源密集型任务，例如训练数据审查 | 通过集中式用户数据采集和自动生成见解，用户数据分类和分流可简化人工干预的审核流程。 |
| 通过优化模型增强代理式 AI 和生成式 AI 应用 | 数据飞轮可以通过 Helm 图表部署提供支持，也可以通过 API 调用来实现工作流程的特定部分。 |
| 运行安全部署并保护企业数据 | 在 GPU 加速的云或私有数据中心上运行端到端工作流可提供更高的安全性、隐私性、控制性和集成灵活性。 |
如何开始使用数据飞轮？
要借助数据飞轮构建新一代代理式 AI 和生成式 AI 应用，需要对机构数据进行快速迭代和利用。
NVIDIA NeMo™ 是一个用于构建数据飞轮的端到端平台，可助力企业利用最新信息对 AI 智能体进行持续优化。
借助 NeMo，企业 AI 开发者能够轻松完成对数据的大规模管护，利用热门调优技术定制 LLM，根据行业和自定义基准测试对模型进行具有一致性的评估，并在护栏的保障下得到适用且可靠的输出结果。
NeMo 平台包含：
- NeMo Curator：可高效管护用于训练 LLM 的高质量数据集，从而起到提高模型性能、加速 AI 解决方案部署的作用。
- NeMo Customizer：一项高性能、可扩展的微服务，可运用 LoRA、DPO 等热门参数高效调优技术，简化 LLM 的微调和校准工作。
- NeMo Evaluator：一项企业级微服务，用于提供生成式 AI 模型的行业标准基准测试、合成数据生成以及端到端的 RAG 工作流
- NeMo Guardrails：一项面向开发者的微服务，可帮助开发者在基于 LLM 的应用中实现强大的安全性和保障措施，确保这些应用始终具有可靠性，且符合组织的政策和指南。
- NeMo Retriever：一组微服务，可通过可扩展的数据采集和高精度的隐私保护检索为 AI 数据飞轮赋能。依靠源自大型数据集合、具有上下文感知能力的快速响应能力，开发者能够将 AI 应用与不同数据源连接起来，构建 AI 查询引擎，并利用实时洞察对 AI 模型进行持续优化。
