來源：NVIDIA英偉達

數據飛輪是一種反饋循環機制，通過從交互或流程中收集數據，持續優化 AI 模型，進而產生更優的結果和更有價值的數據。

1AI 數據飛輪的工作原理是什么？

AI 數據飛輪的工作原理是通過創造循環機制，幫助 AI 模型整合機構知識與用戶反饋，從而實現持續的改進。當模型生成輸出結果時，數據飛輪會將反饋與新數據收集起來，用于模型的優化與增強。這一流程涉及數據管護與數據質量的提升，以便確保 AI 模型的精度和性能均得到持續改善。

數據飛輪：由數據處理、模型定制、評估、護欄和及部署構成的持續運轉周期，能夠利用企業數據改進 AI 系統

此外，數據飛輪內置 AI 護欄，以保持數據的完整性和可靠性，確保輸出結果準確、合規、安全。這種持續的反饋和增強周期能夠使 AI 模型的效能與日俱增。這一工作流由六大步驟組成：

數據處理：AI 數據飛輪的基礎是企業數據。這類數據形式多樣，包括文本文檔、圖像、視頻、表格和圖表。AI 數據飛輪需要通過對原始數據進行數據處理來提取和優化信息。隨后，原始數據將接受進一步的篩選，去除低質量文檔、個人身份信息 (PII) 與不良、有害數據，生成高質量數據。這樣的數據管護能夠有效提高應用的準確性。

模型定制：借助領域自適應預訓練 (DAPT) 和監督式微調 (SFT) 等大語言模型 (LLM) 技術，您能夠在資源要求較低情況下，快速為模型增添領域特定知識與任務專屬技能。到這一步，模型已對公司的特有詞匯和上下文有了更深的理解。

模型評估：接下來，您可以評估模型性能、驗證答案（輸出）是否符合應用的要求。以迭代的方式執行前三步，能夠確保模型質量得到改進，且結果符合目標應用的要求。

AI 護欄實施：將 AI 護欄添加到定制模型中，可確保應用的部署符合企業對隱私、安全保障和安全的特定要求。

自定義模型部署：在同時部署生成式 AI 和代理式 AI 應用時，從不斷擴大的數據庫中持續檢索信息。用戶反饋和系統運行數據會被反復收集。借助 AI 數據飛輪，您可以在基于應用交互構建機構知識的同時，生成經優化、更智能的答案。

企業數據優化：由此產生的結果就是，隨著時間推移，機構數據會基于收集自人類反饋和 AI 模型反饋的新數據持續更新。隨著流程的重復，這一過程將反饋到數據處理中。

2擴展 AI 數據飛輪策略的目的是什么？

現實世界的 AI 智能體系統可能包含數百至數千個 AI 智能體，通過同時工作來實現流程的自動化。數據飛輪對于簡化智能體操作（如審查新數據）至關重要，特別是在業務需求發生變化的情況下。這可確保 AI 智能體編排更加流暢，因為專業化的 AI 智能體團隊可以提供針對資源優化的規劃，并以更少的人工輸入執行這些計劃。

代理式 AI 的可擴展性依賴于由數據管護、模型訓練、部署以及機構知識收集審查構成的自動化周期，最終實現智能體性能的不斷提升。

此外，AI 應用還涉及若干身擔特定職責的人類協作者：

3為什么數據飛輪對于代理式 AI和生成式 AI 的采用至關重要？

在采用 AI 智能體和生成式 AI 應用時，需要借助數據飛輪來推動軟件持續改進、提升適應性。例如，隨著業務需求發生變化或復雜性增加，性能和成本往往成為決定商業成敗的關鍵。

借助高效的 AI 數據飛輪，企業組織可以：

開發符合業務或客戶需求且經濟高效的應用。

對產品進行個性化和優化，改善用戶體驗。

達成切實的目標，如提高銷售轉化率或通過實施自動化提升生產力。

為保持競爭優勢，企業組織可以收集處理新的交互數據、優化 AI 模型，并逐步提升其 AI 應用的性能。從 LLM 到視覺語言模型 (VLM)，可用于集成的數據類型豐富多樣。

開發團隊也可以加快模型訓練速度，專注于利用其專有數據對現有基礎模型進行調優。生成式 AI 微服務可通過 API 調用進一步簡化這一流程。

這種方法能夠大幅減少開發和部署代理式 AI 和生成式 AI 解決方案所需的時間和資源。

4應該在何時對數據飛輪進行加速？

加速 AI 數據飛輪對解決與代理式 AI 技術相關的依賴關系具有重要意義。

例如，如果沒有集中式反饋和日志記錄系統，我們就難以對系統性能進行跟蹤和分析，而這有可能影響數據飛輪的運行速度。如果評估數據集不能準確反映現實世界場景，就有可能導致模型性能欠佳。

隨著知識庫的更新，系統反饋的相關性可能會下降，從而使飛輪難以實現持續改進。人工干預雖然有益，但需要耗費大量資源和時間。解決這一問題，將有助于在加速數據飛輪同時保持其效能。

這樣一來，當系統層面發生大量影響性能的交互時，加速就變得很有必要。例如，在生成式 AI 應用中，準確性和與符合人類偏好很重要。在代理式 AI 應用中，則需要 AI 知識工作者對計劃進行簡化和執行。

5如何開始使用數據飛輪？

要借助數據飛輪構建新一代代理式 AI 和生成式 AI 應用，需要對機構數據進行快速迭代和利用。

NVIDIA NeMo 是一個用于構建數據飛輪的端到端平臺，可助力企業利用最新信息對 AI 智能體進行持續優化。

借助 NeMo，企業 AI 開發者能夠輕松完成對數據的大規模管護，利用熱門調優技術定制 LLM，根據行業和自定義基準測試對模型進行具有一致性的評估，并在護欄的保障下得到適用且可靠的輸出結果。

NeMo 平臺包含：

NeMo Curator：可高效管護用于訓練 LLM 的高質量數據集，從而起到提高模型性能、加速 AI 解決方案部署的作用。

NeMo Customizer：一項高性能、可擴展的微服務，可運用 LoRA、DPO 等熱門參數高效調優技術，簡化 LLM 的微調和校準工作。

NeMo Evaluator：一項企業級微服務，用于提供生成式 AI 模型的行業標準基準測試、合成數據生成以及端到端的 RAG 工作流。

NeMo Guardrails：一項面向開發者的微服務，可幫助開發者在基于 LLM 的應用中實現強大的安全性和保障措施，確保這些應用始終具有可靠性，且符合組織的政策和指南。

NeMo Retriever：一組微服務，可通過可擴展的數據采集和高精度的隱私保護檢索為 AI 數據飛輪賦能。依靠源自大型數據集合、具有上下文感知能力的快速響應能力，開發者能夠將 AI 應用與不同數據源連接起來，構建 AI 查詢引擎，并利用實時洞察對 AI 模型進行持續優化。