Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Pola 4: Alur kerja AI multi-tahap
Banyak aplikasi AI dunia nyata tidak dilayani oleh satu model atau fungsi. Sebaliknya, mereka memerlukan urutan tugas berbasis AI, sering disisipkan dengan logika bisnis, validasi, atau panggilan API pihak ketiga. Alur kerja multi-tahap ini umum di seluruh industri dan kasus penggunaan, termasuk:
-
Pipa analisis dokumen seperti pengenalan karakter optik (OCR) hingga klasifikasi hingga ringkasan ke pengindeksan
-
Sistem deteksi penipuan seperti pemeriksaan berbasis aturan hingga penilaian pembelajaran mesin (ML) ke logika eskalasi
-
Otomatisasi perawatan kesehatan seperti pencitraan hingga diagnosis untuk melaporkan pembuatan ke tinjauan dokter
-
Aliran pemrosesan bahasa seperti transkripsi ke analisis sentimen ke generasi respons
Namun, jaringan pipa ini bisa bermasalah karena sering melibatkan hal-hal berikut:
-
Layanan heterogen seperti OCR, pemrosesan bahasa alami (NLP), pencarian vektor, dan HTML khusus
-
Beberapa jenis model seperti ML tradisional dan AI generatif
-
Persyaratan audit dan penanganan kesalahan yang ketat
-
Kepemilikan lintas fungsi seperti ilmu data, teknik, dan kepatuhan
Secara tradisional, alur kerja ini diimplementasikan sebagai kode lem rapuh atau platform orkestrasi statis. Pendekatan ini mengarah pada observabilitas yang buruk, kopling yang ketat dan kelincahan rendah, dan overhead operasional yang tinggi untuk pembaruan dan pemulihan kesalahan.
Pola alur kerja AI multi-tahap: pipa AI modular, dapat diamati, tanpa server
Pola alur kerja AI multi-tahap digunakan AWS Step Functionssebagai tulang punggung orkestrasi. Dengan pola ini, tim dapat mengoordinasikan urutan tugas AI sebagai fungsi modular tanpa server, masing-masing dipicu dan dikelola secara independen. Setiap tahap alur kerja dapat diamati, mendukung percobaan ulang, dan sepenuhnya dipisahkan dari tahap lainnya. Pola alur kerja AI multi-tahap memungkinkan hal berikut:
-
Kontrol berbutir halus dan penanganan kesalahan
-
Plug-and-play integrasi model seperti mengubah model Amazon Bedrock tanpa menyentuh orkestrasi
-
Pemisahan yang jelas dari kekhawatiran antara tugas-tugas seperti pengayaan dan inferensi
-
Pengulangan, keterlacakan, dan penyelarasan kepatuhan
Arsitektur referensi mengimplementasikan setiap lapisan sebagai berikut:
-
Pemicu peristiwa - Memulai mesin status Step Functions melalui unggahan Amazon S3 (misalnya, file PDF), panggilan API, atau pekerjaan terjadwal.
-
Pemrosesan - Menggunakan AWS Lambdauntuk menyiapkan metadata, mengklasifikasikan jenis file, dan memperkaya input (misalnya, mendeteksi bahasa dokumen).
-
Inferensi - Terjadi dalam beberapa tahap seperti Amazon Textract ke Amazon classifier ke Amazon ke SageMaker Amazon Bedrock large language model (LLM) summarizer, semuanya dirantai dengan menggunakan Step Functions.
-
Pasca pemrosesan - Menggunakan Lambda untuk menentukan perutean seperti kirim ke pengulas, eskalasi ke legal, atau persetujuan otomatis.
-
Output - Menyimpan hasil ke Amazon S3 atau indeks di Amazon Service. OpenSearch Memancarkan peristiwa audit ke Amazon EventBridge untuk pencatatan dan peringatan.
Kasus penggunaan: Penyerapan dan ringkasan dokumen hukum
Sebuah perusahaan jasa hukum menerima ratusan kontrak setiap hari dalam format yang berbeda. Mereka perlu mengekstrak dan mengklasifikasikan jenis dokumen dan mengidentifikasi klausul risiko. Selain itu, mereka harus meringkas dan mengindeks dokumen untuk pengambilan dan mengarahkannya ke pengacara berdasarkan skor risiko dan jenis dokumen.
Menanggapi kasus penggunaan ini, solusi alur kerja AI multi-tahap mengikuti langkah-langkah berikut:
-
Unggahan PDF memicu Amazon S3 EventBridge ke Step Functions.
-
Amazon Texttract mengekstrak teks mentah dari PDF.
-
SageMaker Model mengklasifikasikan jenis dokumen, misalnya, perjanjian kerahasiaan (NDA) atau perjanjian layanan induk (MSA).
-
Amazon Bedrock menghasilkan ringkasan bahasa alami dan penjelasan risiko.
-
Lambda menentukan tindakan berikutnya seperti tanda untuk ditinjau atau proses otomatis.
-
Output dicatat ke Amazon S3. Peringatan dipancarkan dengan menggunakan Amazon Simple Notification Service (Amazon SNS) atau. EventBridge
Mengapa Step Functions ideal untuk alur kerja AI multi-tahap
Step Functions menyediakan fitur dan manfaat berikut:
-
Pembuat alur kerja visual - Memungkinkan pemetaan mudah dan iterasi logika bisnis
-
Percobaan ulang dan batas waktu bawaan - Menangani kegagalan model hilir dengan anggun
-
Eksekusi paralel — Menjalankan beberapa model inferensi secara bersamaan (misalnya, terjemahan multibahasa)
-
Percabangan dinamis — Rute berdasarkan hasil inferensi menengah
-
Auditabilitas - Memungkinkan pemantauan dan kepatuhan yang halus melalui log dan metrik untuk setiap langkah
Praktik terbaik keamanan dan tata kelola
Untuk memastikan jaringan pipa AI yang aman, dapat diaudit, dan selaras dengan kebijakan, organisasi harus mengikuti praktik terbaik keamanan dan tata kelola ini:
-
Gunakan AWS Identity and Access Management (IAM) per langkah untuk menegakkan prinsip hak istimewa terkecil di semua layanan dan fungsi Lambda.
-
Catat setiap input dan output ke Amazon CloudWatch Log atau Amazon S3 untuk mengaktifkan ketertelusuran, debugging, dan audit.
-
Integrasikan AWS CloudTrailuntuk menangkap akses tingkat API dan riwayat pemanggilan untuk kepatuhan dan analisis forensik.
-
Terapkan validasi skema antar tahapan untuk memastikan integritas data, mencegah injeksi atau penyimpangan cepat, dan mengurangi propagasi kegagalan.
Nilai bisnis dari pola alur kerja AI multi-tahap
Pola alur kerja AI multi-tahap memberikan nilai di area berikut:
-
Agility — Memperbarui atau menyusun ulang langkah-langkah tanpa mengganggu pipeline.
-
Skalabilitas — Skalabilitas secara otomatis dengan volume dokumen melalui arsitektur tanpa server.
-
Kepatuhan — Memberikan step-by-step keterlacakan tindakan dan keputusan AI.
-
Maintainability - Menyediakan basis kode modular dan selaras tim. (Memisahkan logika AI dari logika kebijakan meningkatkan pemeliharaan dengan memungkinkan perilaku model dinamis dan aturan bisnis deterministik dikelola secara independen. Pendekatan ini mengurangi risiko dan memungkinkan kepemilikan tim yang lebih jelas.)
-
Integrasi - Memungkinkan kombinasi dari ML tradisional LLMs,, dan eksternal APIs tanpa kopling.
Pola alur kerja AI multi-tahap memberi organisasi cara yang terstruktur dan terukur untuk merakit jaringan AI yang kompleks, didasarkan pada prinsip tanpa server dan praktik terbaik operasional.
Pola ini memberikan tulang punggung untuk membangun alur kerja tingkat perusahaan yang ditingkatkan AI yang aman, dapat diamati, dan mudah berkembang dari waktu ke waktu. Ini mendukung berbagai kasus penggunaan, mulai dari menelan dokumen dan mengotomatiskan orientasi hingga menganalisis risiko dan menyusun output kontekstual dari berbagai model.
