無(wú)服務(wù)器計(jì)算是一種云計(jì)算模式，云服務(wù)提供商（如AWS、Azure和GCP）管理服務(wù)器基礎(chǔ)設(shè)施，并根據(jù)需要?jiǎng)討B(tài)分配資源。開(kāi)發(fā)者可以直接調(diào)用API，或者以函數(shù)的形式編寫(xiě)代碼，云服務(wù)商會(huì)根據(jù)特定事件觸發(fā)這些函數(shù)。這意味著開(kāi)發(fā)者可以自動(dòng)擴(kuò)展應(yīng)用程序，無(wú)需擔(dān)心服務(wù)器管理和部署，從而節(jié)省成本并提高敏捷性。

無(wú)服務(wù)器計(jì)算的主要優(yōu)勢(shì)在于，它隱藏了與發(fā)布管理相關(guān)的許多復(fù)雜性，開(kāi)發(fā)者無(wú)需操心容量規(guī)劃、硬件管理甚至操作系統(tǒng)。這種簡(jiǎn)潔性使開(kāi)發(fā)者能夠騰出時(shí)間和資源，更多地專注于在已部署模型的基礎(chǔ)上構(gòu)建創(chuàng)新的應(yīng)用程序和服務(wù)。

AI模型部署

模型部署涉及幾個(gè)關(guān)鍵步驟，將機(jī)器學(xué)習(xí)或AI模型從開(kāi)發(fā)環(huán)境推向生產(chǎn)環(huán)境，確保其可擴(kuò)展性、可靠性和有效性。關(guān)鍵要素包括模型訓(xùn)練與優(yōu)化，模型在此過(guò)程中被微調(diào)以提升性能，以及模型版本管理，這有助于管理不同迭代版本。訓(xùn)練完成后，模型被序列化并打包，連同其必要的依賴項(xiàng)一起，準(zhǔn)備好在合適的運(yùn)行時(shí)環(huán)境中部署，例如云平臺(tái)或容器化服務(wù)。模型通過(guò)API或Web服務(wù)暴露，使其能夠?yàn)橥獠繎?yīng)用程序提供實(shí)時(shí)預(yù)測(cè)。

除了部署之外，持續(xù)監(jiān)控以及建立CI/CD管道以實(shí)現(xiàn)自動(dòng)化的重新訓(xùn)練和模型更新也至關(guān)重要。安全措施同樣必不可少，以保障數(shù)據(jù)隱私并確保符合法規(guī)要求。模型必須具備可解釋性，尤其是在需要解釋AI決策的行業(yè)，還應(yīng)納入反饋循環(huán)，根據(jù)用戶輸入或數(shù)據(jù)變化不斷優(yōu)化模型。高效管理資源以優(yōu)化運(yùn)營(yíng)成本也是關(guān)鍵要素，確保部署的模型保持成本效益和可持續(xù)性。這些要素共同確保機(jī)器學(xué)習(xí)模型能夠在生產(chǎn)環(huán)境中高效、安全且高性能地運(yùn)行。

無(wú)服務(wù)器AI推理

無(wú)服務(wù)器AI推理是指利用無(wú)服務(wù)器計(jì)算平臺(tái)部署和運(yùn)行機(jī)器學(xué)習(xí)模型以進(jìn)行預(yù)測(cè)，無(wú)需管理基礎(chǔ)設(shè)施或擔(dān)心擴(kuò)展資源。在這種設(shè)置中，模型被托管為API端點(diǎn)，用戶只需為其模型實(shí)際使用的計(jì)算時(shí)間付費(fèi)，提供成本效率和靈活性。像AWS Lambda、Google Cloud Functions和Azure Functions這樣的無(wú)服務(wù)器平臺(tái)，使開(kāi)發(fā)者能夠上傳其訓(xùn)練好的模型，并通過(guò)API將其暴露出來(lái)以實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)。這使得企業(yè)能夠在無(wú)需管理復(fù)雜服務(wù)器基礎(chǔ)設(shè)施的情況下，將AI驅(qū)動(dòng)的決策融入其應(yīng)用程序。

無(wú)服務(wù)器AI推理的主要優(yōu)勢(shì)之一是其能夠根據(jù)不同的請(qǐng)求量無(wú)縫擴(kuò)展，使其非常適合欺詐檢測(cè)、推薦系統(tǒng)以及實(shí)時(shí)圖像或語(yǔ)音識(shí)別等用例。此外，它還減少了運(yùn)營(yíng)開(kāi)銷，使數(shù)據(jù)科學(xué)家和開(kāi)發(fā)者能夠?qū)Ｗ⒂谀Ｐ偷臏?zhǔn)確性與性能，而不是管理基礎(chǔ)設(shè)施。無(wú)服務(wù)器AI推理正變得越來(lái)越受歡迎，它適用于輕量級(jí)、低延遲的應(yīng)用程序，能夠在無(wú)需專用基礎(chǔ)設(shè)施的情況下，快速且低成本地提供AI預(yù)測(cè)。

無(wú)服務(wù)器AI的優(yōu)勢(shì)

傳統(tǒng)的AI模型在部署和擴(kuò)展時(shí)通常需要大量資源，尤其是在生產(chǎn)環(huán)境中。借助無(wú)服務(wù)器基礎(chǔ)設(shè)施，開(kāi)發(fā)者可以利用一種高度靈活、按需付費(fèi)的模式，優(yōu)化成本和效率。以下是無(wú)服務(wù)器AI的幾個(gè)關(guān)鍵優(yōu)勢(shì)：

簡(jiǎn)單性

AI模型通常需要大量的配置，尤其是在跨多臺(tái)機(jī)器進(jìn)行分布式計(jì)算時(shí)。無(wú)服務(wù)器計(jì)算隱藏了大部分基礎(chǔ)設(shè)施管理的復(fù)雜性，使開(kāi)發(fā)者能夠快速部署和迭代他們的AI模型。開(kāi)發(fā)者可以專注于核心邏輯，因此企業(yè)能夠以前所未有的速度開(kāi)發(fā)AI驅(qū)動(dòng)的解決方案。

可擴(kuò)展性

無(wú)服務(wù)器計(jì)算提供了幾乎無(wú)限的可擴(kuò)展性，允許應(yīng)用程序在無(wú)需額外設(shè)置或配置的情況下應(yīng)對(duì)需求的增加。例如，如果某個(gè)AI模型正在為一個(gè)Web應(yīng)用程序提供實(shí)時(shí)預(yù)測(cè)，突然面臨用戶激增的情況，無(wú)服務(wù)器基礎(chǔ)設(shè)施可以自動(dòng)擴(kuò)展以應(yīng)對(duì)這種激增，無(wú)需人工干預(yù)。

成本效益

無(wú)服務(wù)器計(jì)算采用基于用量的定價(jià)模式，用戶只需為其實(shí)際使用的資源付費(fèi)。這在處理AI任務(wù)時(shí)尤其有利，因?yàn)樵S多AI工作負(fù)載存在流量高峰，即在某些時(shí)段需要大量資源，而在其他時(shí)段則需要很少或不需要資源。

事件驅(qū)動(dòng)架構(gòu)

無(wú)服務(wù)器平臺(tái)本質(zhì)上是事件驅(qū)動(dòng)的，非常適合需要響應(yīng)實(shí)時(shí)數(shù)據(jù)的AI應(yīng)用程序。這對(duì)于欺詐檢測(cè)、異常檢測(cè)等場(chǎng)景至關(guān)重要。

無(wú)服務(wù)器解決方案

通過(guò)利用無(wú)服務(wù)器生態(tài)系統(tǒng)，組織可以專注于創(chuàng)新，受益于自動(dòng)擴(kuò)展，優(yōu)化成本，并更快地交付應(yīng)用程序，同時(shí)保持安全高效的開(kāi)發(fā)環(huán)境。

• 無(wú)服務(wù)器與AWS：AWS提供了多種支持無(wú)服務(wù)器AI的服務(wù)，例如AWS Lambda，允許用戶在無(wú)需配置或管理服務(wù)器的情況下運(yùn)行代碼以響應(yīng)事件。對(duì)于機(jī)器學(xué)習(xí)任務(wù)，Amazon SageMaker等服務(wù)使開(kāi)發(fā)者能夠快速大規(guī)模地訓(xùn)練、部署和管理模型。
• 無(wú)服務(wù)器與Microsoft Azure：Azure的無(wú)服務(wù)器產(chǎn)品，如Azure Functions，允許開(kāi)發(fā)者根據(jù)特定事件或觸發(fā)器運(yùn)行AI模型和代碼，并根據(jù)需求自動(dòng)擴(kuò)展。Azure還通過(guò)Azure Machine Learning提供強(qiáng)大的機(jī)器學(xué)習(xí)服務(wù)，提供用于大規(guī)模訓(xùn)練、部署和管理AI模型的工具。
• 無(wú)服務(wù)器與GCP：GCP提供了關(guān)鍵的無(wú)服務(wù)器服務(wù)，如Cloud Functions用于事件驅(qū)動(dòng)計(jì)算。這些服務(wù)能夠無(wú)縫集成GCP的AI和機(jī)器學(xué)習(xí)產(chǎn)品，例如Vertex AI，使企業(yè)能夠輕松部署AI模型并處理實(shí)時(shí)數(shù)據(jù)。

無(wú)服務(wù)器的挑戰(zhàn)

冷啟動(dòng)延遲

無(wú)服務(wù)器函數(shù)在經(jīng)過(guò)一段時(shí)間的空閑后被調(diào)用時(shí)可能會(huì)出現(xiàn)延遲。對(duì)于需要高響應(yīng)性的AI模型，冷啟動(dòng)可能會(huì)引入延遲，這可能會(huì)對(duì)實(shí)時(shí)應(yīng)用程序造成問(wèn)題。

狀態(tài)管理

無(wú)服務(wù)器函數(shù)本質(zhì)上是無(wú)狀態(tài)的，這意味著在推理過(guò)程中管理AI模型的狀態(tài)可能會(huì)比較棘手。開(kāi)發(fā)者必須設(shè)計(jì)應(yīng)用程序以通過(guò)數(shù)據(jù)庫(kù)或分布式緩存等外部方式處理會(huì)話持久化或狀態(tài)。

資源治理

許多無(wú)服務(wù)器平臺(tái)對(duì)內(nèi)存、執(zhí)行時(shí)間和CPU/GPU使用量設(shè)有限制。對(duì)于特別資源密集型的AI模型，這可能會(huì)成為一個(gè)問(wèn)題，盡管通常可以通過(guò)設(shè)計(jì)高效的模型或?qū)⒋笮腿蝿?wù)拆分為較小的函數(shù)來(lái)解決。

調(diào)度公平性

在無(wú)服務(wù)器AI推理中，調(diào)度公平性確保并發(fā)任務(wù)之間公平分配資源，防止資源壟斷和延遲。這對(duì)于平衡對(duì)延遲敏感和資源密集型的工作負(fù)載同時(shí)保持一致性能至關(guān)重要。實(shí)現(xiàn)公平性需要采用優(yōu)先級(jí)隊(duì)列、負(fù)載均衡和預(yù)測(cè)性調(diào)度等策略，盡管無(wú)服務(wù)器環(huán)境的動(dòng)態(tài)性使得這一任務(wù)具有挑戰(zhàn)性。有效的調(diào)度是優(yōu)化AI推理任務(wù)吞吐量和響應(yīng)能力的關(guān)鍵。

總結(jié)

無(wú)服務(wù)器架構(gòu)通過(guò)提供無(wú)與倫比的可擴(kuò)展性、成本效益和簡(jiǎn)單性，徹底改變了開(kāi)發(fā)者和企業(yè)對(duì)技術(shù)的使用方式。通過(guò)消除管理底層基礎(chǔ)設(shè)施的需求，這些架構(gòu)使開(kāi)發(fā)者能夠?qū)⒕ν度氲絼?chuàng)新中，使他們能夠輕松設(shè)計(jì)和實(shí)現(xiàn)尖端的AI應(yīng)用程序。利用無(wú)服務(wù)器計(jì)算的企業(yè)能夠快速適應(yīng)不斷變化的需求，降低運(yùn)營(yíng)成本并加速開(kāi)發(fā)周期。這種敏捷性促進(jìn)了更高效、更強(qiáng)大的AI驅(qū)動(dòng)解決方案的創(chuàng)建。

參考

1. Orchestrate generative AI workflows with Amazon Bedrock and AWS Step Functions
2. Deploy models as serverless APIs
3. Run your AI inference applications on Cloud Run with NVIDIA GPUs

原文標(biāo)題：Serverless AI Inference，作者：Bhala Ranganathan