本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 无服务器 AI 的实施策略
<a name="implementation-strategies-for-serverless-ai"></a>

随着组织从实验转向生产，人工智能工作负载的成功实施取决于模型和服务的选择。此外，运营纪律、架构一致性和开发人员支持是成功的关键。尽管无服务器 AI 抽象了基础设施的复杂性，但它增加了在部署、治理、测试和成本管理等领域对明确定义的实践的需求。

与传统的单片系统或批量机器学习 (ML) 管道不同，无服务器 AI 架构是：
+ 事件驱动，因为它们会对用户行为或系统状态做出反应
+ 由松散耦合的服务组成 AWS Lambda，例如 Amazon Bedrock 和 AWS Step Functions
+ 与自主模型集成，例如基础模型 (FMs) 或代理
+ 视不断演变而定，例如当提示、工具和模型更新时

这些属性需要一套不同的实施策略，以确保大规模的可靠性、信任度和成本效益。

本节提供了适用于整个生成式 AI 系统生命周期的规范性最佳实践，包括：
+ [基础设施即代码](infrastructure-as-code.md)有助于确保云基础架构可复制、安全且版本化。
+ [提示、代理和模型生命周期管理](prompt-agent-and-model.md)将 AI 配置当作代码一样对待 — 受管控、经过测试和可观察。
+ [测试和验证](testing-and-validation.md)将测试实践扩展到包括即时质量、产出合同和行为覆盖范围。
+ [可观测性和监控](observability-and-monitoring.md)捕获特定于 AI 的遥测数据，并将无服务器可观察性与大型语言模型 (LLM) 工作流程保持一致。
+ [安全和治理](security-and-governance.md)为 AI 驱动的事件驱动系统实施护栏、日志记录和访问控制。
+ [无服务器 AI 的 CI/CD 和自动化](cicd-and-automation.md)以最少的人力开销为提示、代理和基础架构提供一致的更新。
+ [成本优化](cost-optimization.md)策略使模型选择、执行模式和代币控制与业务目标保持一致。

通过应用这些最佳实践，企业可以超越 proof-of-concepts并转向可扩展、安全、可解释且具有成本效益的人工智能原生云应用程序。他们可以通过 Amazon Bedro AWS ck 提供的无服务器产品和基础模型自信地构建应用程序。