Introducción al diseño de la arquitectura de IA

La inteligencia artificial permite a las máquinas analizar datos, generar contenido, sintetizar voz, realizar predicciones y apoyar la toma de decisiones en todos los sectores. A medida que las funcionalidades de inteligencia artificial se expanden a través de modelos generativos, modelos de lenguaje y arquitecturas basadas en agentes, las organizaciones necesitan instrucciones arquitectónicas para diseñar cargas de trabajo de IA confiables, seguras, rentables y operativasmente estables.

Este artículo le ayuda a empezar a trabajar con la inteligencia artificial en Azure. Presenta servicios de inteligencia artificial, arquitecturas de referencia, procedimientos recomendados y recursos de aprendizaje para que pueda diseñar y crear soluciones de inteligencia artificial que cumplan los requisitos de la carga de trabajo.

servicios de Azure para inteligencia artificial

Azure proporciona una gama de servicios para crear, implementar y administrar cargas de trabajo de IA. Estos servicios abarcan plataformas de desarrollo, funcionalidades de inteligencia artificial precompiladas, plataformas de datos y herramientas para crear modelos personalizados. Use los siguientes servicios para integrar la inteligencia artificial en el diseño de la carga de trabajo.

Plataformas de desarrollo de IA

• Microsoft Foundry: una plataforma unificada como servicio (PaaS) para desarrollar e implementar aplicaciones y agentes de IA generativas. Microsoft Foundry proporciona acceso a un catálogo de modelos, el hospedaje de agentes a través del servicio foundry Agent, el ajuste preciso, las herramientas de evaluación y las funcionalidades de inteligencia artificial responsable. Use el portal de Foundry para experimentar, compilar e implementar modelos y agentes de IA.

• Azure Machine Learning: un servicio en la nube para compilar, entrenar e implementar modelos de aprendizaje automático a escala. Azure Machine Learning admite marcos de código abierto como PyTorch, TensorFlow y scikit-learn. También proporciona funcionalidades para AutoML, ajuste de hiperparámetros, entrenamiento distribuido, operaciones de aprendizaje automático y inteligencia artificial responsable.

• Microsoft Copilot Studio: una plataforma de poco código para crear, personalizar e implementar agentes con tecnología de IA. Use Microsoft Copilot Studio para crear agentes de conversación para escenarios internos y externos y ampliar Microsoft 365 Copilot con datos empresariales y flujos de trabajo personalizados.

Servicios de IA creados previamente

• Herramientas de Foundry: un conjunto de APIs y modelos predefinidos y personalizables para añadir funciones inteligentes a las aplicaciones. Foundry Tools incluye funcionalidades para voz, traducción, comprensión del lenguaje, inteligencia de documentos, comprensión de contenido, visión, seguridad de contenido y búsqueda.

• Azure OpenAI: proporciona acceso a los modelos de OpenAI, incluidos GPT y DALL-E, a través de una infraestructura administrada por Azure, con controles de seguridad, capacidades de red y de IA responsable.

Plataformas de datos para IA

• Microsoft Fabric: una plataforma de datos y análisis de un extremo a otro que cubre la ingesta de datos, la transformación, el enrutamiento de eventos en tiempo real y los informes. Microsoft Fabric proporciona OneLake como lago de datos unificado e incluye funcionalidades de inteligencia artificial insertadas, características de Microsoft Copilot e integración con Foundry Tools.

• Azure Databricks: una plataforma de análisis basada en Spark para la ingeniería de datos, la ciencia de datos y el aprendizaje automático. Azure Databricks proporciona Databricks Runtime para Azure Machine Learning, integración con MLflow, AutoML, ajuste fino de modelos fundacionales y Mosaic AI Vector Search para la recuperación basada en embeddings.

• Azure HDInsight: un servicio de Apache Spark administrado para el procesamiento y el análisis de macrodatos. Azure HDInsight clústeres de Spark admiten cargas de trabajo de aprendizaje automático a través de MLlib, son compatibles con Azure Storage y Azure Data Lake Storage, y admiten SynapseML para el aprendizaje profundo.

• Azure Data Lake Storage: repositorio escalable y centralizado para almacenar datos estructurados y no estructurados. Azure Data Lake Storage proporciona semántica del sistema de archivos, seguridad de nivel de archivo y almacenamiento en capas basado en Azure Blob Storage.

Capas de inteligencia empresarial

La arquitectura de IA de Microsoft presenta tres capas complementarias de inteligencia, o IQs, que representan fuentes clave de contexto para los sistemas de IA:

• Work IQ captura la inteligencia sobre cómo se produce el trabajo dentro de una organización. Usa señales de Microsoft 365 como correos electrónicos, chats, reuniones, documentos y patrones de colaboración.

  Esta capa es esencial para fundamentar la IA en la actividad humana y el comportamiento organizacional, en lugar de tratar las interacciones como indicaciones aisladas.

• Fabric IQ proporciona inteligencia derivada de datos empresariales estructurados administrados en Microsoft Fabric, incluidos modelos de análisis, indicadores clave de rendimiento (KPI) y entidades empresariales.

  Fabric IQ permite a la inteligencia artificial responder a preguntas analíticas complejas e interpretar los resultados en el contexto de las operaciones empresariales.

• Foundry IQ proporciona una capa de conocimiento unificada y multirecurso que permite a los agentes de inteligencia artificial recuperar y poner en tierra respuestas en los datos empresariales.

  Esta capa es fundamental para implementar patrones como la generación aumentada de recuperación (RAG) para ayudar a garantizar que las salidas de IA sean precisas, actuales y compatibles.

Architecture

En el siguiente diagrama se muestra una arquitectura básica de chat integral que usa Microsoft Foundry. Esta arquitectura de referencia muestra cómo los servicios de inteligencia artificial componen una solución lista para producción en Azure. Incluye las capas de identidad, redes, supervisión y gobernanza.

En el diagrama se presenta una arquitectura detallada de Azure para implementar una solución de inteligencia artificial. A la izquierda, un usuario se conecta a través de una puerta de enlace de aplicaciones con un firewall de aplicaciones web (WAF), que forma parte de una red virtual. Esta puerta de enlace vincula a zonas privadas del sistema de nombres de dominio (DNS). Azure DDoS Protection protege la puerta de enlace. Debajo de la puerta de enlace, los puntos de conexión privados se conectan a servicios como Azure App Service, Azure Key Vault y Azure Storage, que se usan para la implementación de aplicaciones cliente. Azure App Service se administra con identidad y abarca tres zonas. Application Insights y Azure Monitor proporcionan supervisión y Microsoft Entra ID controla la autenticación. A la derecha, la red virtual tiene varias subredes: integración de App Service, un punto de conexión privado, integración de Microsoft Foundry, integración del agente de inteligencia artificial Azure, Azure Bastion, un jump box, agentes de compilación y Azure Firewall. Cada subred hospeda puntos de conexión o servicios específicos, como almacenamiento, Microsoft Foundry, Búsqueda de Azure AI, Azure Cosmos DB y almacenes de conocimiento, que se conectan a través de puntos de conexión privados. El tráfico saliente de la red pasa a través de Azure Firewall para acceder a orígenes de Internet. A la derecha, un cuadro independiente representa Microsoft Foundry, que incluye una cuenta y un proyecto. Las identidades administradas conectan foundry Agent Service al proyecto de Microsoft Foundry, que a su vez accede a Azure OpenAI. El diagrama usa círculos numerados para indicar el flujo lógico, que muestra cómo atraviesan la red las solicitudes de usuario, interactúan con distintos puntos de conexión y se conectan a las herramientas y el almacenamiento de Foundry.

Descargue un archivo de Visio de esta arquitectura.

El diagrama anterior muestra una implementación típica de referencia de IA. Para obtener soluciones reales que puede compilar en Azure, consulte Arquitecturas de IA.

Exploración de las arquitecturas y guías de inteligencia artificial

Los artículos de esta sección incluyen guías y arquitecturas totalmente desarrolladas que puede implementar en Azure y expandir a soluciones de nivel de producción. Las ideas de la solución muestran patrones de implementación y posibilidades que se deben tener en cuenta a medida que planee el desarrollo de prueba de concepto (POC) de inteligencia artificial. Estos artículos pueden ayudarle a decidir cómo usar tecnologías de inteligencia artificial en Azure.

• Introducción a la tecnología de inteligencia artificial: proporciona información general sobre los conceptos de inteligencia artificial, las plataformas de desarrollo y los patrones de arquitectura para ayudarle a diseñar cargas de trabajo de inteligencia artificial en Azure.

Selección de un servicio de IA

Los siguientes artículos le ayudarán a evaluar y seleccionar las mejores tecnologías de inteligencia artificial para sus requisitos de carga de trabajo:

• Elija una tecnología de servicios de INTELIGENCIA ARTIFICIAL: compara los servicios de INTELIGENCIA ARTIFICIAL y las soluciones de aprendizaje automático para ayudarle a elegir el servicio o modelo adecuados para su caso de uso.

• Elija una Azure tecnología de procesamiento de lenguaje dirigido por IA: compara los servicios Azure para tareas de procesamiento de idioma dirigidas, como la traducción, el reconocimiento de entidades y el análisis de texto.

• Elija una tecnología de generación y reconocimiento de voz Azure: compara los servicios de Azure para escenarios de conversión de voz a texto, texto a voz y traducción de voz.

• Elija una Azure tecnología de procesamiento y generación de imágenes y vídeos de IA: compara Azure servicios para el análisis, generación y procesamiento de imágenes y vídeos.

• Elija una tecnología de procesamiento de lenguaje natural: compara Azure tecnologías de procesamiento de lenguaje natural para ayudarle a elegir la plataforma adecuada para las tareas de comprensión y generación de texto.

• Microsoft productos de inteligencia artificial y aprendizaje automático: compara Microsoft productos de aprendizaje automático para ayudarle a elegir una plataforma para crear, implementar y administrar aplicaciones de inteligencia artificial, agentes y modelos de aprendizaje automático.

• Elija el modelo de IA adecuado para la carga de trabajo: describe las estrategias para seleccionar el modelo de IA adecuado en las muchas opciones disponibles para la implementación.

Ideas de la solución de IA

Las siguientes ideas de solución de IA muestran patrones de implementación y posibilidades para explorar.

Ideas de la solución de procesamiento de audio

• Crear una solución de minería de conocimiento a partir de conversaciones con Foundry Tools: extrae información procesable de los datos de audio de conversaciones.

Procesamiento de imágenes

• Clasificación de imágenes en Azure: clasifica las imágenes mediante patrones de aplicación inteligentes.

Análisis predictivo

• Use la IA para pronosticar los pedidos de los clientes: Predice los futuros pedidos de los clientes mediante aprendizaje automático.

Ideas de soluciones de MLOps

• Utilizar Azure Databricks para orquestar MLOps: orquesta las operaciones de aprendizaje automático mediante Azure Databricks.

• Use el enfoque de arquitectura de varios modelos para escalar modelos de aprendizaje automático: entrena y administra muchos modelos a escala mediante Azure Machine Learning.

Procesamiento y enriquecimiento de documentos

• Extraer y asignar información del contenido no estructurado: extrae y asigna información del contenido no estructurado multimodal.

• Generar documentos a partir de los datos: genera documentos estructurados a partir de orígenes de datos.

• Usar el enriquecimiento con IA con el procesamiento de imágenes y texto: Enriquece el contenido mediante conjuntos de aptitudes de IA en las canalizaciones de indexación de Búsqueda de Azure AI.

Automatización de flujos de trabajo (versión preliminar)

• Creación de una solución de automatización de flujos de trabajo de varios agentes mediante Microsoft Agent Framework: automatiza los flujos de trabajo mediante varios agentes de IA organizados a través de Microsoft Agent Framework.

Arquitecturas de inteligencia artificial

Las siguientes arquitecturas listas para producción muestran soluciones de inteligencia artificial de un extremo a otro que puede implementar y personalizar.

• Inferencia de IA con Silk virtual SAN: usa una copia de Silk Echo de la base de datos de producción para aislar la inferencia de IA en tiempo real de las cargas de trabajo transaccionales en Azure IaaS.

Chatear con datos

• Arquitectura básica de referencia de chat Microsoft Foundry: una arquitectura básica de chat RAG que usa Microsoft Foundry y Azure OpenAI.

• Arquitectura de referencia base para chat de Microsoft Foundry: Una arquitectura de chat integral lista para producción que usa Microsoft Foundry con seguridad, redes y supervisión empresariales.

• Arquitectura de referencia de chat de Microsoft Foundry en una zona de aterrizaje de Azure: implementa la arquitectura de chat de Microsoft Foundry de línea base dentro de una zona de aterrizaje de Azure para la gobernanza a escala empresarial.

Inferencia de Aprendizaje automático

• Arquitectura de referencia básica de inferencia de Azure Machine Learning: Aprenda a crear una plataforma privada de inferencia de Azure Machine Learning preparada para producción con AKS, aislamiento de entornos y promoción controlada de modelos.

Procesamiento de documentos

• Automatizar la clasificación de documentos en Azure: usa Durable Functions para automatizar los flujos de trabajo de clasificación de documentos.

• Automatizar el procesamiento de formularios PDF: automatiza la extracción y el procesamiento de datos de formularios PDF.

• Compilar e implementar modelos de procesamiento de documentos personalizados en Azure: compila e implementa modelos personalizados para escenarios de procesamiento de documentos.

• Extracción de texto de objetos mediante Power Automate y AI Builder: extrae texto de objetos mediante funcionalidades de inteligencia artificial y Power Automate.

• Cree un índice de Búsqueda de Azure AI basado en el contenido y los metadatos del archivo: usa varios indexadores para procesar e indexar metadatos de blobs mediante Búsqueda de Azure AI.

Clasificación de vídeo e imagen

• Automatice el análisis de vídeo mediante Azure Machine Learning y Azure Vision en Foundry Tools: analiza el contenido de vídeo mediante Computer Vision y el aprendizaje automático.

Arquitecturas de procesamiento de audio

• Extracción y análisis de datos del centro de llamadas: extrae y analiza las conversaciones del centro de llamadas mediante Azure OpenAI.

Regulatory

• Diseñar un entorno de investigación seguro para datos regulados: proporciona un entorno de proceso seguro para cargas de trabajo de investigación que controlan los datos regulados.

Guías de IA

• Patrón de inteligencia artificial dinámica a escala: describe cómo seleccionar y organizar dinámicamente los agentes de IA de un grupo mediante Microsoft Foundry, Búsqueda de Azure AI y Azure OpenAI para crear sistemas multiagentes.

• Microsoft productos de inteligencia artificial y aprendizaje automático: compara Microsoft productos de aprendizaje automático para ayudarle a elegir una plataforma para crear, implementar y administrar aplicaciones de inteligencia artificial, agentes y modelos de aprendizaje automático.

• Patrones de orquestación de agentes de IA: describe los patrones de diseño para orquestar agentes de IA en escenarios complejos.

• Ingeniería del comportamiento de agentes: describe una metodología para controlar el comportamiento del agente con contratos con versiones, requisitos de evidencia, controles en tiempo de ejecución y puertas de lanzamiento.

• Diseña una solución segura de inferencia RAG multitenant: Ofrece orientación para proteger las soluciones RAG en entornos multitenant.

• Diseño para respaldar el ciclo de vida de los modelos fundacionales: Proporciona directrices para gestionar las actualizaciones, la retirada y las transiciones de los modelos fundacionales.

Desarrollo y evaluación de soluciones de RAG

• Diseño y desarrollo de una solución RAG: proporciona información general sobre cómo diseñar y evaluar soluciones RAG.

• Fase de preparación de RAG: cubre la preparación de datos para las implementaciones de RAG.

• Fase de fragmentación de RAG: describe estrategias para fragmentar el contenido en canales de procesamiento de RAG.

• Fase de enriquecimiento de fragmentos de RAG: Abarca las técnicas de enriquecimiento aplicadas a los fragmentos de contenido.

• Fase de generación de embeddings de RAG: Describe cómo generar embeddings para la recuperación en RAG.

• Recuperación de información: trata las estrategias de recuperación de información en arquitecturas RAG.

• Ingeniería de prompts para RAG: Describe cómo diseñar prompts eficaces para soluciones RAG, incluida la estructura de los prompts, las técnicas de fundamentación y la gestión del contexto.

• Evaluación integral de modelos de lenguaje de gran tamaño: Describe cómo evaluar modelos RAG de extremo a extremo.

• Desarrollo de una solución RAG agente: describe cómo cambiar de una canalización RAG estándar a una arquitectura RAG agenteica para el planeamiento dinámico de consultas y el razonamiento multipaso.

Guías de MLOps

• Operaciones de aprendizaje automático: describe el enfoque de operaciones de aprendizaje automático v2 para operacionalizar flujos de trabajo de aprendizaje automático.

• Operaciones de inteligencia artificial generativa para organizaciones con inversiones en MLOps: amplía las prácticas de operaciones de aprendizaje automático a las cargas de trabajo de IA generativas.

• Modelo de madurez de MLOps: define los niveles de madurez para la adopción de operaciones de aprendizaje automático.

Proxy de modelos de IA generativos

• Access Foundry Models y otros modelos de lenguaje a través de una puerta de enlace: describe las ventajas y la arquitectura de colocar una puerta de enlace delante de los puntos de conexión del modelo de IA generativos.

• Utilizar una puerta de enlace delante de múltiples implementaciones o instancias de modelos: amplía el patrón de puerta de enlace para enrutar las solicitudes a través de múltiples back-ends de modelos.

• Proporcionar autenticación personalizada a foundry Models a través de una puerta de enlace: implementa flujos de autenticación personalizados para el acceso de modelos a través de una puerta de enlace.

• Implementar la monitorización avanzada de Foundry Models a través de una puerta de enlace: agrega monitorización y observabilidad al tráfico de modelos de IA generativa a través de una puerta de enlace.

Preparación de la organización

Las organizaciones al principio del proceso de adopción de la nube pueden usar el Cloud Adoption Framework para Azure para acceder a instrucciones probadas que aceleran la adopción de la nube.

Para obtener instrucciones de adopción específicas de la inteligencia artificial, consulte los siguientes recursos de Cloud Adoption Framework:

• Adopción de la inteligencia artificial: proporciona un proceso estructurado para adoptar soluciones de inteligencia artificial en Azure, incluida la estrategia, la planificación, la preparación, la gobernanza, la seguridad y la administración.

• Listo para la inteligencia artificial: describe el proceso organizativo para crear cargas de trabajo de inteligencia artificial en Azure, incluida la organización de recursos, las redes, la confiabilidad y la gobernanza.

Para ayudar a garantizar la calidad de la solución de inteligencia artificial en Azure, siga las instrucciones de Azure Well-Architected Framework. El marco de Well-Architected proporciona instrucciones prescriptivas para las organizaciones que buscan excelencia arquitectónica y describen cómo diseñar, aprovisionar y supervisar soluciones de Azure optimizadas para costos.

Para obtener orientación específica sobre IA, consulte el siguiente recurso del Well-Architected Framework:

• Cargas de trabajo de inteligencia artificial en Azure: aborda los desafíos arquitectónicos del diseño de cargas de trabajo de IA, incluida la funcionalidad no determinista, el diseño de datos y las aplicaciones, y las operaciones en los cinco pilares de Well-Architected Framework.

Para obtener guías de servicio de Well-Architected Framework relacionadas con la inteligencia artificial, consulte:

• Azure Machine Learning
• Azure Databricks

procedimientos recomendados

Siga estos procedimientos recomendados para mejorar la confiabilidad, la seguridad, la rentabilidad, la calidad operativa y el rendimiento de las cargas de trabajo de IA en Azure:

• Diseñar y desarrollar una solución RAG: siga un enfoque estructurado por fase para diseñar soluciones RAG, como fragmentación, inserción, recuperación de información y evaluación de un extremo a otro.

• Elija un servicio Azure para la búsqueda de vectores: evalúe Azure servicios que admiten la búsqueda de vectores para encontrar la mejor opción para los requisitos de búsqueda de recuperación y similitud.

• Patrones de orquestación de agentes de IA: obtenga información sobre patrones de orquestación probados para arquitecturas que usan varios agentes, incluidos patrones secuenciales, simultáneos, de chat en grupo, de entrega y magentic. Revise las consideraciones de implementación para la confiabilidad, la seguridad, el costo y la observabilidad.

• Utilice una puerta de enlace delante de los modelos de IA generativa: implemente patrones de puerta de enlace para actuar como proxy, equilibrar la carga y supervisar los puntos de conexión de los modelos generativos.

• Operaciones de aprendizaje automático v2: aplique instrucciones de ciclo de vida de operaciones de aprendizaje automático de un extremo a otro para entrenar, implementar y administrar modelos de aprendizaje automático a escala.

• Operaciones de IA generativa con operaciones de aprendizaje automático: Amplía las prácticas de operaciones de aprendizaje automático a las cargas de trabajo de IA generativa, incluida la administración de indicaciones, la evaluación y la implementación.

• Diseñe una solución segura de inferencia RAG multicliente: Aplique patrones de multicliente para soluciones RAG que garanticen el aislamiento de datos y una inferencia segura entre clientes.

• Diseño para dar soporte a los ciclos de vida de los modelos base: Administra el control de versiones, la obsolescencia y la rotación de los modelos para mantener las cargas de trabajo de IA actualizadas y resilientes.

• Opciones de aprendizaje automático: compare las opciones de aprendizaje automático y de implementación en Azure para elegir los servicios adecuados para la carga de trabajo.

• Directrices de Apache Spark: revise las directrices para ejecutar, supervisar, depurar y optimizar trabajos de Apache Spark en Azure HDInsight.

Mantente al día con la IA

Servicios de Azure AI evolucionan para abordar los retos actuales en materia de datos. Manténgase informado sobre las últimas actualizaciones y características.

Para mantenerse al día con los servicios clave de inteligencia artificial, consulte los artículos siguientes:

• Novedades de Azure OpenAI en Foundry Models: proporciona un resumen de las últimas versiones y actualizaciones de documentación para Azure OpenAI, incluida la nueva disponibilidad del modelo, las versiones de API y los anuncios de características.

• Novedades de Microsoft Foundry: resalta las actualizaciones clave de artículos y productos de Microsoft Foundry, incluida la gobernanza del agente, las características de observabilidad y las nuevas funcionalidades.

• Novedades de Búsqueda de Azure AI: trata las actualizaciones más recientes de Búsqueda de Azure AI funcionalidad, incluidas las nuevas versiones de API, las características de recuperación agente y las funcionalidades de indexación.

• Novedades de Azure Language en Foundry Tools: abarca las actualizaciones de las capacidades de Azure Language en Foundry Tools, incluidas las nuevas versiones del SDK, los flujos de trabajo de orquestación y la integración con Microsoft Foundry.

• Novedades de Microsoft Fabric: trata las actualizaciones de las funcionalidades de Microsoft Fabric, como la ciencia de datos, la integración de MLflow, los agentes de datos y las características de análisis.

• Notas de la versión de la CLI y el SDK de Azure Machine Learning: proporciona notas de la versión para la CLI (v2) y el SDK de Python de Azure Machine Learning, incluidas nuevas funciones, correcciones de errores y cambios importantes.

• Notas de la versión de la plataforma Azure Databricks: Incluye actualizaciones de la plataforma Azure Databricks, incluidas las versiones del entorno de ejecución, las características del área de trabajo y las capacidades de integración.

• Novedades de Microsoft Copilot Studio: resalta las nuevas características y actualizaciones de Microsoft Copilot Studio, incluidas las funcionalidades de creación de agentes y las actualizaciones del conector.

• Novedades de Azure Inteligencia de documentos en Foundry Tools: trata las actualizaciones de Azure Inteligencia de documentos en Foundry Tools, incluidos nuevos modelos precompilados, versiones de API y funcionalidades de extracción.

• Novedades de Azure Content Understanding in Foundry Tools: trata las actualizaciones de Azure Content Understanding en Foundry Tools, incluidas las nuevas características de análisis de contenido y la integración de Microsoft Foundry.

Profesionales de Amazon Web Services (AWS) o Google Cloud

Para ayudarle a aumentar rápidamente, los siguientes artículos comparan las opciones de inteligencia artificial de Azure con otros servicios en la nube:

• Datos e inteligencia artificial: compara los servicios de inteligencia artificial y datos de AWS, incluidos el aprendizaje automático, la inteligencia artificial generativa y los servicios de plataforma de inteligencia artificial, con sus homólogos de Azure.

• Inteligencia artificial y aprendizaje automático: compara google Cloud AI y los servicios de aprendizaje automático, incluida la IA de vértice, Dialogflow y Gemini, con sus homólogos de Azure.