Vzor 6: Funkce zaměřené primárně na AI

Navrhujte nové možnosti s agenty jako základními stavebními bloky, nikoli jako dodatečné úpravy stávajících pracovních postupů. Tyto funkce nebyly před AI možné. V průběhu času se vylepšují prostřednictvím zpětné vazby, učení a průběžné optimalizace.

V tomto vzoru agenti pracují ve smyčce inteligentních rozhodnutí: nepřetržitě monitorují signály, provádějí autonomní rozhodnutí v rámci hranic, provádějí akce a učí se z výsledků. Tyto systémy nejsou asistenti. Jedná se o inteligentní systémy, které vytvářejí novou obchodní hodnotu.

Poznámka:

Toto schéma se od ostatních pěti schémat liší podstatou, nejen mírou. Neexistuje žádný existující proces, který by se porovnával, žádný směrný plán pro zlepšení a žádný pracovní postup, který by vedl k návrhu. Musíte vytvořit vše, včetně toho, jak měříte úspěch.

Jaký je tento vzor

Obchodní schopnosti založené primárně na AI vycházejí z otázky, kterou si ostatní přístupy nikdy nepokládají: co bychom mohli dělat, co jsme dříve jednoduše dělat nemohli? Odpovědí není rychlejší verze současné práce. Jedná se o novou schopnost, často autonomní smyčku, která vycítá situaci, rozhodne a jedná a zlepšuje se v průběhu času. Agenti jsou základními stavebními kameny dané funkce, nikoli dodatečným vylepšením připojeným ke stávajícímu procesu.

Tento vzor je nejhlubším vyjádřením strany provedení v posunu od asistence k provedení. Protože neexistuje žádný předchůdce, musíte vymyslet návrh, mantinely a opatření.

Co agenti dělají

Agenti v tomto modelu přecházejí mimo provádění definovaných pracovních postupů na autonomní provoz:

  • Moduly pro průběžnou optimalizaci: Ceny, inventář, plánování.
  • Rozhodovací smyčky nativní pro AI: Detekce podvodů, reakce na anomálie, adaptivní směrování.
  • Platformy pro snímání trhu: Konkurenční monitorování, analýza trendu, identifikace příležitostí.
  • Prediktivní plánování systémů: Prognózování poptávky, plánování kapacity, modelování rizik.
  • Generování autonomních pracovních postupů: Agenti, kteří navrhují a optimalizují vlastní procesy.
  • Orchestrace s více agenty: Koordinované týmy specializovaných agentů řeší složité problémy.

Tyto funkce vytvářejí hodnotu, která nemohla existovat bez umělé inteligence. Nejedná se o rychlejší verze existujících procesů. Jsou skutečně nové.

Co lidé dělají

Lidé fungují jako vlastníci produktů. Definují cíle, nastavují hranice, monitorují výsledky a dělají strategická rozhodnutí o vývoji schopností. Tu práci nedělají. Místo toho řídí systém, který to dělá.

Tato transformace této role je ze všech vzorů nejvýznamnější. Odpovědní lidé nesou odpovědnost za výsledky, i když danou práci sami nevykonávají. Oni:

  • Definujte kritéria úspěchu a metriky výsledků pro autonomní systémy.
  • Nastavte hranice, v jejichž rámci agenti fungují (a upravujte je s rostoucí důvěrou).
  • Sledujte smyčky učení, abyste zajistili zlepšení schopností správným směrem.
  • Proveďte strategická rozhodnutí o tom, kdy rozšířit autonomii agentů.
  • Řízení zodpovědných postupů umělé inteligence, jakmile se možnosti stanou sofistikovanějšími.

Jak funguje provozní model

Úspěšné nasazení tohoto modelu vyžaduje změny ve čtyřech dimenzích:

Dimension před Po
Lid Operátory provádějící úlohy Vlastníci produktů, kteří řídí možnosti
Agenti Provádění předdefinovaných kroků Autonomní smyčky s inteligentním rozhodováním
Vládnutí Kontroly dodržování předpisů Ovládací prvky vložené do životního cyklu s průběžným monitorováním
Metrics Propustnost a efektivita Strategická volitelnost + rychlost učení + adaptační rychlost

Profil cílové vyspělosti

Tento model vyžaduje maximální vyspělost napříč všemi pěti ovladači schopností. Neexistují žádné klávesové zkratky.

Profil vyspělosti

Ovladač funkcí Cílová úroveň Proč
Technologie a data 500 (efektivní) Rozdělovač měřítka. Orchestrace více agentů, telemetrie v reálném čase a infrastruktura učení
Strategie a zkušenosti s AI 500 (efektivní) Schopnost je strategií založenou na průběžné iteraci.
Obchodní strategie 500 (efektivní) Nová obchodní schopnost s adaptivními a autonomními procesy.
Zásady správného řízení a zabezpečení 500 (efektivní) Prediktivní řízení rizik a průběžné dodržování předpisů pro autonomní systémy.
Organizace a kultura 500 (efektivní) Soběstačná komunita a kultura učení, které dokážou vytvářet a uvádět do praxe nové věci.

Klíčový přehled: Tento model vyžaduje nejvyšší vyspělost napříč všemi možnostmi. Neexistuje žádný stávající proces, se kterým by bylo možné porovnávat, žádný výchozí stav, od kterého by bylo možné měřit zlepšení, ani žádný zavedený pracovní postup, který by usměrňoval návrh. Všechno musí být sestaveno, včetně toho, jak měříte úspěch.

Průlomový faktor růstu: Technologie a data, konkrétně orchestrace více agentů, telemetrie v reálném čase a infrastruktura pro učení. Bez robustního technického základu se autonomní schopnosti stanou nepředvídatelnými a neschválnými.

Funkce AI-first jsou vlastněné jako produkty, zahrnují více domén a vyžadují distribuované produktové týmy provozované ve sdílených standardech. CoE poskytuje vzory architektury, zodpovědné architektury AI a standardy orchestrace. Není poskytováno centrálně.

Tip

Klíčovou rolí pro tento model je produktový vlastník agenta. Jedná se o produkt, ne projekt. Potřebuje disciplínu řízení produktů: plán, backlog, definici úspěchu a tým, který se zavázal k dlouhodobému vývoji. Bez této role se schopnost vytvoří pouze jednou a už se dál nezlepšuje.

Další informace o struktuře, rolích a víceúrovňovém modelu správy podle míry rizika najdete v článku Vytvoření centra excelence pro agenty.

Co potřebujete a nepotřebujete

Potřebujete:

  • Vlastnictví produktů s vyhrazenými týmy: Každá schopnost potřebuje vlastníka produktu a tým s mandátem, dovednostmi a kontinuitou, aby je v průběhu času vyvinuly. Tento vývoj není projekt, který končí.
  • Hranice autonomie s průběžným monitorováním: Definujte jasné hranice, které se přizpůsobují s rostoucí důvěrou. Začněte konzervativně a rozšiřte se na základě důkazů.
  • Smyčky průběžného učení: Funkce se zlepšuje při každé interakci. Návrh pro učení od začátku, protože je mnohem těžší ho později přidat.
  • Začlenění principů odpovědné AI: Etika a bezpečnost musí být součástí architektury, nikoli doplňovány dodatečně až po nasazení. Tento přístup zahrnuje testování předsudků, vyhodnocení nestrannosti a návrh vysvětlitelnosti.
  • Kultura experimentování s bezpečnostními pojistkami pro případ selhání: Týmy potřebují mít možnost zkoušet nové přístupy a zároveň mít jasně nastavené bezpečnostní pojistky pro případ, že se něco pokazí. Kultury, které trestají selhání, nemůžou vytvářet systémy učení.
  • Architektura s více agenty: Pokud vaše funkce zahrnuje koordinované agenty, navrhněte koordinaci mezi agenty od začátku. Dodatečné začlenění multiagentní architektury je nákladné.

Nepotřebujete:

  • Postupná automatizace: Tento přístup nespočívá v tom, aby se stávající procesy zrychlily o 10 %.
  • Centrální doručování IT: Tyto funkce vyžadují vyhrazené produktové týmy s odbornými znalostmi v doméně.
  • Dodatečné přizpůsobení stávajících pracovních postupů: Navrhujte od nuly pro provoz nativně uzpůsobený AI Omezení starší verze pracovního postupu omezují, co je možné.
  • Jednorázové buildy: Tyto funkce se musí průběžně učit a zlepšovat. Schopnost, která se v průběhu času nenaučí, se snižuje.
  • Tradiční řízení projektů: Používejte správu produktů s cykly experimentů. Milníky a dodávky jsou nesprávným modelem zásad správného řízení pro systémy učení.

Zodpovědná AI ve velkém měřítku

Schopnosti založené primárně na AI představují špičku autonomního fungování AI. Zodpovědné postupy umělé inteligence jsou tady obzvláště důležité, protože:

  • Agenti pracují s vysokou autonomií a omezeným lidským dohledem v reálném čase.
  • Chyby se mohou šířit strojovou rychlostí dříve, než mohou lidé zasáhnout.
  • Systémy učení můžou při optimalizaci vyvíjet neočekávané chování.
  • Měřítko dopadu, kladné i záporné, je větší než jakýkoli jiný vzor.

Zabudujte zodpovědnou AI do architektury od jednoho dne:

  • Vysvětlitelnost: Můžete pochopit, proč systém provedl konkrétní rozhodnutí? Pokud ne, nemůžete zjistit ani opravit posun.
  • Sledování předsudků: Nepřetržitě vyhodnocujte, jestli učení posiluje předsudky nebo vytváří nestranné výsledky.
  • Vrácení zpět: Můžete se vrátit k předchozímu stavu, pokud se aktualizace učení nepovede?
  • Lidský zásah: I v plně autonomních systémech definujte podmínky, za kterých může člověk zasáhnout, a jak je tento zásah implementován.

Další informace najdete v článku Použití zodpovědných principů AI.

Metriky hodnoty a úspěchu

Hodnota zde je existence funkce, která předtím neexistovala, a nové výsledky, které vytvoří. Zaměřte se na tvorbu hodnoty a ukazatele existence, nikoli na procenta efektivity, protože neexistuje žádný předchozí výchozí stav, který by bylo možné zlepšit.

Jak vypadá hodnota

  • Nové funkce, které nebyly před AI možné.
  • Nové výnosy, služby nebo obchodní modely.
  • Autonomní reakce v rychlosti a rozsahu, kterých žádný ruční proces nemůže dosáhnout.
  • Násobící se výhoda s tím, jak se schopnost učí a zlepšuje.

Metriky úspěchu ke sledování

Kategorie Ukázkové míry Co vám to řekne
Vytvoření hodnoty (nadpis) Nové příjmy nebo nový obchodní model, získání nové schopnosti („můžeme teď dělat X?“), nový dosah umožněn Určuje, jestli schopnost vytvoří hodnotu, která ještě neexistovala.
Autonomie a smyčka Rozhodovací latence od signálu po akci, rychlost automatického dokončování úkolů, propustnost smyčky a škálování, jednotkové náklady na autonomní úlohu Zda smyčka vnímání–rozhodnutí–akce funguje strojovou rychlostí a ve velkém měřítku.
Kvalita a bezpečnost Hodnocení, ukotvenost a bezpečnostní skóre, míra eskalace a využití záložního režimu Jestli autonomní systém zůstane správný a bezpečný, když běží.
Propustnost inovací Čas spustit novou funkci, počet možností v produkčním prostředí a opakované použití v různých scénářích Jestli se můžete opakovaně dostat na hranice, ne jen jednou.
Governance Podíl agentů ve spravované identitě, rychlosti dodržování zásad, počtu stínových agentů Zda autonomní prostředí zůstává pod kontrolou s tím, jak roste.

Měření

  • Vyhodnocování v Microsoft Foundry a observovatelnost sledují chování agenta a hodnotí kvalitu a bezpečnost, což je nejdůležitější tam, kde neexistuje žádná výchozí hodnota.
  • Definujte míru úspěchu předem, protože schopnost nemá žádný předchůdce. Před spuštěním si určete, co znamená „dobré“.
  • Microsoft Agent 365 spravuje a vyhodnocuje prostředí autonomních agentů, včetně zjišťování identit a odhalování stínových agentů.

Tip

Neposuzujte zcela novou funkci podle starých metrik efektivity. "Kolik času jsme ušetřili", předpokládá proces, který neexistuje. Změřte, jestli funkce nyní existuje, jakou novou hodnotu vytváří, a jak bezpečně běží autonomní smyčka. Vymyslete metriku současně se schopností.

Běžné antivzory

Selhání v této oblasti pocházejí z zacházení s hraniční prací jako s běžným projektem.

Vzor neefektivního řešení Jak to vypadá Co místo toho udělat
Maskovaná produktivita Funkce „net-new“ je ve skutečnosti jen stávající úloha, která byla urychlena. Otestujte myšlenku: mohli byste to udělat vůbec před umělou inteligencí? Pokud ano, patří do jiného vzoru.
Staré metriky v nové práci Úspěch se posuzuje podle ušetřeného času ve srovnání s výchozím stavem, který neexistuje. Předem definovat opatření pro posouzení životaschopnosti a tvorby hodnoty.
Budova před dokončením základu Funkce se spustí před tím, než technologie, data a zásady správného řízení budou dostatečně vyspělé. Infrastruktura nemůže podporovat smyčky učení, telemetrii a monitorování, které potřebuje, takže systém není nepředvídatelný a nemá přehled o tom, proč se chová stejně jako ona. Nejprve dosáhnete dostatečné vyspělosti technologií, dat a zásad správného řízení. Vybudujte orchestraci, telemetrii v reálném čase a zpětnovazební smyčku učení dříve než samotnou schopnost.
Učení bez mantinely Systém se učí z provozních dat bez dohledu, posiluje nezamýšlené vzory, optimalizuje nesprávný cíl nebo zesiluje předsudky v datech. Definujte, co by systém měl a neměl by se učit, než povolíte učení, a monitorujte ho nepřetržitě.
Žádné vynalezené mantinely Bezpečnostní meze se odvozují z jiných schémat, která neodpovídají. Navrhněte mantinely specificky pro tuto funkci, protože pro ni neexistuje žádný precedens.
Posouzení odpovědné AI je naplánováno na dobu po spuštění Tým plánuje zabývat se odpovědnou umělou inteligencí, jakmile bude tato schopnost prokázána. Od té poté je architektura pevná a náklady na změnu jsou vysoké. Od začátku začleňte zodpovědnou AI.
Projektové myšlení aplikované na produkt Tým dosáhne milníku spuštění do ostrého provozu a považuje práci za dokončenou. Schopnost není udržována, cykly učení nejsou monitorovány a systém se postupem času zhoršuje. Považovat ho za produkt s neomezeným závazkem správy, nikoli s projektem, který končí při spuštění.
Experimentování bez řízení Hraniční agenti se šíří bez identity ani dohledu. Řízení se spravovanou identitou a registrem od začátku

Příběhy zákazníků

Tyto zveřejněné reference zákazníků společnosti Microsoft ukazují, jak lze škálovat odborné znalosti pomocí agentů opřených o podložené informace a citace, zatímco odpovědnost zůstává na lidech.

Customer Nahlášený výsledek
Microsoft (Zeptejte se Microsoftu) Multiagentní systém se specializovanými dílčími agenty zaměřenými na konkrétní obsah přináší až o 61 % nižší latenci a až o 70 % méně eskalací na lidské operátory, přičemž zapojení návštěvníci mají mnohem vyšší pravděpodobnost registrace.
Fujitsu Kompozitní AI orchestruje několik specializovaných agentů a orchestračního agenta, kteří odpovídají „jako tým“. Tato multiagentní architektura, která v tradiční generativní AI neexistovala, zlepšuje tvorbu návrhů o 67 %.
Quantum Capital Group Zkraťte plánování scénářů rozvoje ložiska ze 3 týdnů na 20 minut pomocí geoprostorové optimalizace v Azure a agenta pro dotazy v Copilot Studiu.
Physics Wallah Podporuje dva miliony studentů pomocí AI tutora „Gyan Guru“ na platformě Azure OpenAI.
Rolls-royce Zvýšení využití počítače o 30% s prediktivní AI na Azure Databricks a Microsoft Cloud pro výrobu.
Společnosti Estée Lauder Zkraťte dobu získávání spotřebitelských přehledů z týdnů na minuty pomocí agenta „ConsumerIQ“ v Copilot Studio a Azure OpenAI.

Agentní funkce Microsoftu pro tento vzor

Následující příklady zvýrazňují možnosti, které jsou obzvláště relevantní pro funkce první umělé inteligence. Tyto příklady použijte jako výchozí bod pro porovnávání schopností s vašimi scénáři a segmenty uživatelů a pak prozkoumejte ekosystém agentů Microsoft pro kompletní obrázek.

Vytvořte schopnost

Uzemněte, připojte a sledujte

Vyhodnocení a testování před odesláním

Na této úrovni autonomie a složitosti je průběžné vyhodnocování základní technickou disciplínou, nikoli kontrolním seznamem před spuštěním.

  • Vyhodnocení agenta v Copilot Studio provádí strukturovaná hodnocení, která posuzují odpovědi podle různých dimenzí kvality, jako jsou přesnost, ukotvení v poskytnutých podkladech a splnění úkolu. Použijte ho k ověření chování agenta v celé řadě vstupů, včetně hraničních případů a nežádoucích scénářů před a po každé změně.
  • Copilot Agent Kit (dříve označovaná jako Copilot Studio Kit) rozšiřuje pokrytí testů hromadným testováním, automatizovanými regresními spuštěními a řídicím panelem bodování. Pro systémy první umělé inteligence, které se v průběhu času zlepšují, je pro zachování důvěry při vývoji schopností nezbytné opakovatelné a auditovatelné důkazy vyhodnocení.

Jak zjistit, že jste připravení

Tento model je určený pro organizace, které pracují s nejvyšší vyspělostí. Zvažte to, když:

  • Máte pokročilé týmy, které můžou navrhovat, spouštět a zlepšovat autonomní systémy.
  • Máte technický základ: orchestraci více agentů, telemetrii v reálném čase a učící smyčku.
  • Můžete vytvořit mantinely a ukazatele úspěchu tam, kde žádné neexistují.
  • Autonomní prostředí můžete spravovat pomocí spravované identity a průběžného zajišťování souladu s předpisy.
  • Několik z těch ostatních postupů už úspěšně používáte.

Další kroky

Projděte si hodnocení připravenosti agenta

Nebo prozkoumejte úplný model vyspělosti přechodu na agentskou AI.

Podrobnější informace o dalších vzorech:

  • Last updated on