以下是您要求的英文文章的中文翻译，已按照保留原文结构、技术术语不翻译、代码块原样保留等要求处理。
IT领导者扩展AI架构所需的四大基础要素
随着人工智能能力的快速进步以及向智能体系统的转变，组织正在扩大其应用场景，而技术也在持续发展。这种不断的演进也带来了风险，让IT领导者们难以判断哪些投资在六个月后仍能证明其价值。回归AI架构的基础要素——即大规模部署和管理可靠、集成化AI系统所需的结构性框架——能够让技术领导者今天做出明智的决策，同时为未来能够跨系统检索信息、做出决策并执行复杂工作流的AI智能体提供支持。
您可以信赖的四大AI架构要素
无论底层技术如何演变，以下能力都为迈向生产级部署提供了稳定的指南针。
1. 为大规模AI准备数据
模型的可靠性取决于其能够访问的数据质量，数据质量差会导致AI产生幻觉、偏见和不可靠的输出。大多数企业依赖遗留系统、不一致的数据结构、分散的数据所有权以及不完整的数据集，这使得有效扩展AI变得困难。尽管AI本身功能强大，但它无法解决这些底层数据问题。正如Elastic首席信息官Adnan Adil所解释的：“数据是AI架构中持久的一部分，因为没有数据，这些模型就无法运行，无法提供正确的上下文，也无法提供我们期望实现的服务水平。”
行业调查一致将数据质量列为AI成功最大的障碍之一。“数据质量必须良好；否则，用户就会对系统失去信心，”Adil说。一个有效的AI策略始于连接整个组织的数据，并确保数据得到组织、准确、受治理且可实时访问。这些考量从一开始就内置于模型和架构中时最为有效。可扩展的数据架构使AI系统能够随着业务一起发展，并可靠地连接到交付有意义价值所需的内部信息。Gartner预测，到2026年，如果AI项目得不到AI就绪数据的支持，企业将放弃其中60%。避免这种结果需要明确的数据标准和所有权、干净且标注过的数据，以及支持实时检索的数据管道。
2. 利用上下文工程为每个AI查询提供正确的数据
上下文工程确保模型为每个查询提取最相关的信息，选择并组织所需的数据，以高效地生成准确的答案。有效的上下文工程塑造了指导AI推理和行动的输入。虽然提示工程侧重于请求的措辞方式，但上下文工程设计的是模型周围的整个信息环境：检索正确的数据，并以结构化的、机器可读的方式呈现。许多组织发现，可靠的AI既依赖于模型本身的强度，也同样依赖于上下文的质量。
上下文工程依赖于现代化、统一的数据基础，以及检索和记忆系统，例如检索增强生成（RAG）和向量数据库。它还需要仔细的优先级排序，以确定哪些信息最重要、哪些应该被排除，以及何时应该使用不同类型的信息。向模型提供过多的上下文可能会稀释相关细节、增加成本并减慢响应时间。“最小化上下文、正确且最新的数据，以及机器可读的信息，是有效上下文工程的关键，”Adil说。
3. 从一开始就构建AI治理和LLM可观测性
强大的治理和LLM可观测性帮助组织保持对AI系统如何使用数据的控制，监控系统性能，并在问题影响运营之前识别它们。在缺乏对检索、工作流和模型使用的明确控制的情况下，AI系统通常会处理远超必要的信息量。这种低效率还会因需要额外的计算资源而推高运营成本，这通常反映在更高的令牌消耗和API费用上。治理还与强大的安全性协同工作。AI扩大了攻击面，引入了诸如基于提示的数据泄露、模型漏洞和对抗性输入等风险。保护敏感信息需要强大的访问控制、监控和监督。Adil指出，基本控制措施——包括与安全、细粒度成本管理、项目控制、数据安全和架构相关的控制——往往不足。
为了使治理系统能够支持透明、合规、可信且成本效益高的AI，组织不能将其留作事后添加的层。治理结构需要从一开始就嵌入到架构、工作流和决策过程中。当治理从一开始就建立起来时，它就能实现强大的可观测性。可观测性帮助组织了解AI应用在实际中的表现如何。LLM可观测性和基准测试机制使团队能够随时间评估准确性和实用性，监控采用模式，并根据条件变化调整系统。可观测性还通过提高模型性能、行为和故障点的可见性来帮助组织赢得信任。此外，可观测性对于实现AI计划的投资回报率（ROI）至关重要，因为其收益往往是间接的，业务价值在很大程度上取决于系统如何被采用和使用。对AI行为的实时可见性使组织能够衡量性能……（原文在此处截断）