Plánování přechodu na AI

Tento článek vám pomůže vytvořit plán přechodu na AI, který transformuje strategii AI vaší organizace na použitelné kroky. Plán přechodu na umělou inteligenci překlenuje mezeru mezi vizemi AI a prováděním. Plán zajišťuje soulad mezi iniciativami umělé inteligence a obchodními cíli a současně řeší nedostatky dovedností, požadavky na prostředky a časové osy implementace.

Identifikace případu použití AI

Prvním krokem při vytvoření strategie AI je identifikace případu použití. Tento krok definuje, jak pracovníci s rozhodovací pravomocí zjistí, kde může AI zlepšit obchodní výsledky v celé organizaci. Cílem je nejprve vystihot smysluplné příležitosti. Seznam nemusí být vyčerpávající, i když to může být. Jejím účelem je poskytnout všem společný pohled na to, co je pro firmu nejdůležitější. Postupujte krok za krokem, aby každý případ použití vedl ke skutečné hodnotě.

1. Začněte u obchodních problémů. Než začnete uvažovat o umělé inteligenci, vyhledejte, kde organizace potřebuje lepší výsledky. Nejjasnější signály ukazují, jak lidé pracují, například opakované ruční úsilí nebo pomalé schvalování. Formulujte vyhledávání jednoduše, například jako „kde výsledky nenaplňují očekávání“ nebo „kde lidé tráví čas opakujícími se úkoly“. Tento přístup udržuje zaměření AI na přínos spíše než na pouhou novost. Vyvážení: Široké skenování odhalí mnoho příležitostí, proto se zaměřte na mezery ve výsledcích, které jsou zároveň měřitelné i smysluplné.

2. Přeložte problémy do případů použití. Změňte každý obchodní problém na krátký příkaz, který pojmenuje aktivitu a očekávaný výsledek, například "pomozte agentům podpory odpovědět z interních dokumentů, aby se zkrátila doba řešení". Ověřte, že aktivita probíhá dostatečně často, aby se investice odůvodnila. Kompromis: Rané scénáře jsou obvykle vágní, takže je upřesněte do jasných a použitelných popisů, než přejdete.

3. Klasifikovat případ použití Klasifikujte každý případ použití na základě toho, jak vytváří hodnotu. Toto rozhodnutí použijte k průvodci pozdějšími volbami technologií.

   • Individuální práce: Tyto případy použití zlepšují fungování jednotlivců nebo týmů v existujících nástrojích. Mezi příklady patří pomoc s psaním nebo příprava na schůzku. Jsou úzce v souladu s řešeními generativní AI, jako je Microsoft 365 Copilot.

   • Obchodní automatizace: Tyto případy použití mění způsob fungování organizace nebo poskytování hodnoty. Mezi příklady patří automatizované směrování zákazníků nebo prognózování poptávky. Často potřebují integraci s jinými systémy a můžou kombinovat více než jeden typ AI.

4. Zvažte potřebný typ AI. Tato úvaha není konečným rozhodnutím a můžete se k ní vrátit, jakmile se scénář použití vyjasní. Přibližná představa o tom, jak velkou konzistenci ve výsledku chcete, zúží výběr technologií, které přijdou na řadu později. Máte svobodu ji později upravit.

   • Generování umělé inteligence (ne deterministické) vytváří výstupy, které se můžou lišit i pro stejný vstup, a funguje dobře, když jsou vstupy nestrukturované, jako je přirozený jazyk nebo dokumenty. To odpovídá případům, kdy pracovní postup není opravený a kde má systém vytvářet obsah nebo pomáhat s lidským rozhodnutím. Zvolte tento přístup, když předem neznáte přesné kroky a určitá variabilita výstupu je přijatelná.

   • Negenerativní AI (deterministické) vytváří konzistentní a opakovatelné výstupy ze strukturovaných vstupů. To odpovídá případům, kdy je pracovní postup definován a stejný vstup by měl vést ke stejnému výsledku. Zvolte tento přístup pro úlohy, které závisí na přesnosti, jako je predikce nebo detekce anomálií.

Použijte stejnou posloupnost napříč všemi obchodními oblastmi. Opakovatelný postup snižuje nejasnosti, brání vám sahat po generativní umělé inteligenci tam, kde není potřeba, a připraví vás na následnou volbu postupu řešení.

Posouzení dovedností AI

Posouzení aktuálních možností brání nesprávnému umístění zdrojů a zajišťuje realistické plánování projektů v souladu s připraveností organizace. Projekty AI selžou, když organizace zkouší implementace nad rámec jejich technické vyspělosti nebo dostupnosti dat. Vyhodnoťte své dovednosti, datové prostředky a infrastrukturu, abyste vytvořili základ pro úspěšné přijetí umělé inteligence. Postupujte následovně:

1. Změřte úroveň vyspělosti AI s využitím architektury připravenosti na data a dovednosti. Architektura poskytuje objektivní kritéria pro posouzení aktuálních schopností umělé inteligence vaší organizace. Toto měření zabraňuje přetěžování projektů nad rámec vašich aktuálních možností. K vyhodnocení vyspělosti použijte následující tabulku:

   Úroveň vyspělosti AI	Požadované dovednosti	Připravenost dat	Proveditelné případy použití umělé inteligence
   Úroveň 1	▪ Základní znalost konceptů AI ▪ Možnost integrace zdrojů dat a mapování výzev	▪ K dispozici jsou minimální až nulová data. ▪ Dostupná podniková data	▪ Úvodní projekty Azure ▪ Jakékoli Copilot řešení
   Úroveň 2	▪ Zkušenosti s výběrem modelu AI ▪ Znalost nasazení AI a správy koncových bodů ▪ Zkušenosti s čištěním a zpracováním dat	▪ K dispozici jsou minimální až nulová data. ▪ Malá strukturovaná datová sada ▪ Malé množství dostupných dat specifických pro doménu	▪ Všechny projekty úrovně 1 ▪ Vlastní analytická úloha AI s využitím nástrojů Foundry ▪ Vlastní generativní AI chatovací aplikace bez Retrieval Augmented Generation (RAG) ve Foundry ▪ Vlastní aplikace Azure Machine Learning s trénováním automatizovaného modelu ▪ Vyladění generativního modelu umělé inteligence
   Úroveň 3	▪ Znalost rychlého inženýrství ▪ Znalost výběru modelu AI, bloků dat a zpracování dotazů ▪ Znalost předběžného zpracování, čištění, rozdělení a ověřování dat ▪ Základní data pro indexování	▪ Velké množství historických obchodních dat dostupných pro strojové učení ▪ Malé množství dostupných dat specifických pro doménu	▪ Všechny projekty úrovně 1 až 2 ▪ Generování aplikace AI s RAG v Foundry ▪ Trénování a nasazení modelu strojového učení ▪ Trénování a spuštění malého modelu AI na Azure Virtual Machines
   Úroveň 4	▪ Pokročilé odborné znalosti umělé inteligence a strojového učení, včetně správy infrastruktury ▪ Znalost práce s komplexními pracovními postupy trénování modelů AI ▪ Zkušenosti s orchestrací, srovnávacími testy modelů a optimalizací výkonu ▪ Silné dovednosti při zabezpečení a správě koncových bodů AI	▪ Velké objemy dat, které jsou k dispozici pro trénování	▪ Všechny projekty úrovně 1–3 ▪ Trénování a spouštění rozsáhlých generovacích nebo negenerovacích aplikací umělé inteligence na Virtual Machines, Azure Kubernetes Service nebo Azure Container Apps

2. Inventarizovat datové prostředky a vyhodnotit jejich kvalitu pro případy použití umělé inteligence Kvalita dat přímo ovlivňuje výkon modelu AI a určuje případy použití, které můžete úspěšně implementovat. Tento inventář ukazuje požadavky na přípravu dat a pomáhá určit prioritu případů použití na základě dostupných dat. Zdokumentujte zdroje dat, formáty, kvalitu a přístupnost v celé organizaci.

3. Zkontrolujte svou technologickou infrastrukturu a určete požadavky na připravenost umělé inteligence. Kapacita infrastruktury omezuje rozsah projektu AI a ovlivňuje strategie nasazení. Tato kontrola vám pomůže naplánovat investice do infrastruktury a vybrat vhodné Azure služby. Vyhodnoťte výpočetní prostředky, kapacitu úložiště, šířku pásma sítě a kontrolní mechanismy zabezpečení potřebné pro vaše cílové případy použití AI.

Získání dovedností AI

Komplexní strategie vytváření schopností zajišťuje, aby vaše organizace získala dovednosti potřebné k úspěšné implementaci a údržbě systémů AI. Mezery v dovednostech vytvářejí zpoždění projektů a zvyšují riziko selhání implementace. Vytvořte vícestranný přístup, který kombinuje školení, nábor a partnerství pro vytváření udržitelných schopností umělé inteligence. Postupujte následovně:

1. Rozvíjejte dovednosti v oblasti AI. Interní rozvoj dovedností poskytuje dlouhodobé budování schopností a zajišťuje uchovávání znalostí v rámci vaší organizace. Tento přístup posiluje důvěru v organizaci a snižuje závislost na externích prostředcích. Využijte výukové centrum AI platformu pro bezplatné trénování a certifikaci AI a pokyny k produktům. Nastavte cíle certifikace, jako jsou certifikace Azure AI Fundamentals.

2. Najímejte odborníky na AI. Externí nábor poskytuje okamžitý přístup ke specializovaným odborným znalostem a urychluje časové osy projektů. Tato strategie pomáhá vyplnit mezery, které by internímu vývoji trvalo příliš dlouho. Najímá odborníky na vývoj modelů, generování umělé inteligence nebo etika AI. Aktualizujte popisy pracovních míst tak, aby odrážely aktuální potřeby dovedností a vytvořili značku zaměstnavatele, která zdůrazňuje inovace a technické vedení.

3. Používejte partnery Microsoftu. Microsoft partnerství poskytují přístup k osvědčeným odborným znalostem a osvědčeným postupům v oboru a zároveň snižují riziko implementace. Tento přístup urychluje učení a zajišťuje soulad s technologiemi Microsoft AI. Využijte marketplace Microsoft partnerů pro přístup k odborným znalostem z oblasti umělé inteligence, dat a Azure napříč různými odvětvími.

Přístup k prostředkům AI

Jasné požadavky na přístup a strategie licencování brání zpoždění nasazení a zajišťují dodržování zásad organizace. Různá řešení AI mají odlišné vzory přístupu, které ovlivňují náklady, zabezpečení a zásady správného řízení. Seznamte se s konkrétními požadavky na přístup pro každé řešení AI ve vašem portfoliu, abyste mohli efektivně plánovat rozpočty a kontrolní mechanismy zabezpečení. Postupujte následovně:

Microsoft řešení umělé inteligence	Jak získat přístup
Microsoft Copilot	Vyžaduje Microsoft 365 licenci s další Copilot licencí. Viz Microsoft Copilot.
Microsoft Copilot Studio	Vyžaduje samostatnou licenci nebo doplňkovou licenci. Viz Microsoft Copilot Studio.
Asistenti v produktu	Vyžaduje přístup k primárnímu produktu. Viz GitHub Copilot, Copilot v Power Apps, Copilot v Power BI, Dynamics 365, Power Automate, Copilot v Microsoft Fabric a Azure Copilot.
Kopiloti založení na rolích	Vyžaduje specifické požadavky na přístup. Vizte Microsoft Security Copilot, prodejního agenta, servisního agenta, finančního agenta.
Azure služby	Vyžaduje účet Azure. Obsahuje Microsoft Foundry.

Stanovení priority případů použití AI

Strategická stanovení priorit zajišťuje, že se zaměříte na prostředky na projekty, které poskytují maximální hodnotu při porovnávání schopností vaší organizace. Stanovení priorit případů použití zkracuje riziko implementace a zrychluje čas na hodnotu. Vyhodnoťte každý případ použití proti proveditelnosti, strategické hodnotě a požadavkům na prostředky, abyste vytvořili dosažitelný plán implementace. Postupujte následovně:

1. Vyhodnoťte případy použití oproti aktuální vyspělosti AI a dostupným prostředkům. Realistické vyhodnocení zabraňuje situacím, kdy projekty zasahují za hranice vašich aktuálních možností a zajišťuje úspěšnou implementaci. Toto hodnocení vám pomůže zaměřit se na dosažitelné cíle, které vytvářejí dynamiku budoucích projektů. Projděte si úroveň vyspělosti AI, dostupnost dat, technickou infrastrukturu a personální kapacitu pro každý případ použití.

2. Pořadí případů použití podle strategické hodnoty a proveditelnosti implementace. Strategické hodnocení pomáhá přidělovat omezené zdroje projektům s nejvyšší možnou pravděpodobností dopadu a úspěchu. Tento přístup maximalizuje návratnost investic do umělé inteligence při budování organizační spolehlivosti. Vyhodnotit každý případ použití na obchodní dopad, technickou složitost, požadavky na prostředky a sladění s cíli organizace.

3. Vytvořte plán implementace s jasně stanovenými kritérii úspěchu. Strukturovaný plán poskytuje jasný směr pro implementační týmy a umožňuje sledování průběhu proti definovaným milníkům. Tento plán pomáhá spravovat očekávání účastníků a přidělování prostředků. Vyberte případy použití s nejvyšší prioritou a definujte konkrétní metriky úspěšnosti, časové osy a požadavky na zdroje pro každý projekt.

Vytvořte důkazy proveditelnosti konceptu AI

Testování konceptu pomáhá snížit riziko implementace ověřováním technické proveditelnosti a obchodní hodnoty před úplným vývojem. PoCs pomáhají identifikovat potenciální výzvy a upřesnit požadavky v řízeném prostředí. Vytvářejte projekty zaměřené na ověřování, které testují základní předpoklady a shromažďují data pro informované rozhodování. Postupujte následovně:

1. Vyberte vhodný případ použití pro ověření konceptu. Správný výběr PoC (Proof of Concept) kombinuje příležitosti k učení se zvládnutelným rizikem a složitostí. Tento výběr vám umožní shromáždit smysluplné poznatky, aniž by byl váš tým nebo organizace zahlceni. V seznamu s prioritou vyberte projekt s vysokou hodnotou, který odpovídá vaší úrovni vyspělosti AI. Začněte interními projekty, které nejsou určeny pro zákazníky, abyste omezili riziko a otestovali svůj přístup.

2. Implementace zaměřeného testování konceptu s využitím pokynů a nástrojů Microsoft Strukturovaná implementace zkracuje dobu vývoje a zajišťuje dodržování osvědčených postupů pro zvolený přístup AI. Tento přístup maximalizuje výuku a minimalizuje investice do prostředků. Na základě vašeho typu AI použijte následující průvodce implementací:

   Typ AI	Průvodce implementací
   Generativní umělá inteligence	Azure PaaS: Microsoft Foundry Microsoft Copilots: Copilot Studio a rozšiřitelnost Microsoft 365 Copilot
   Strojové učení	Azure Machine Learning
   Analytická umělá inteligence	Nástroje Foundry se specifickými příručkami pro Content Safety, Document Intelligence a další služby

3. Pomocí výsledků PoC upřesněte prioritu a implementaci případu použití. Přehledy PoC odhalí praktické výzvy a příležitosti, které informují budoucí plánování projektů a přidělování zdrojů. Tato smyčka zpětné vazby zajišťuje, že plán AI zůstane realistický a dosažitelný. Zdokumentujte získané poznatky, technické výzvy a obchodní hodnotu. Upravte priority případů použití na základě osvědčené proveditelnosti a měřeného dopadu.

4. Pomocí testování výsledků konceptu můžete odhadnout časové osy implementace pro každý případ použití. Data PoC poskytují realistické odhady standardních hodnot, které zohledňují konkrétní možnosti a omezení vaší organizace. Tento přístup vytváří přesnější časové osy než teoretické odhady. Zdokumentovat čas vývoje, testovací cykly a složitost nasazení pozorované během implementace PoC

5. Při plánování časové osy je potřeba počítat s vyspělostí organizace a složitostí. Různá řešení AI mají charakteristické časové osy implementace, které se liší v závislosti na připravenosti organizace a rozsahu projektu. Toto porozumění pomáhá stanovit vhodná očekávání u zúčastněných stran. Microsoft Copilots obvykle poskytují nejkratší časové osy pro návratnost investic (dny až týdny), zatímco vlastní úlohy Azure AI + strojového učení vyžadují několik týdnů až měsíce, aby dosáhly připravenosti do produkčního prostředí.

6. Zahrňte časovou rezervu pro učení, iteraci a neočekávané výzvy. U projektů umělé inteligence často dochází k nepředvídatelným technickým výzvám a k dosažení požadovaných výsledků vyžaduje několik iterací. Doba vyrovnávací paměti zabraňuje časovému tlaku, který by mohl ohrozit kvalitu nebo etické aspekty. Přidejte 20–30% k počátečním odhadům a naplánujte několik vývojových cyklů.

Implementace zodpovědné umělé inteligence

Zodpovědné postupy umělé inteligence chrání vaši organizaci před etickými, právními a reputací rizik a současně zajišťují, aby systémy AI byly v souladu s hodnotami organizace. Časná integrace zodpovědných principů umělé inteligence brání nákladným změnám návrhu a vytváří důvěru zúčastněných stran. Vložte do plánu implementace etické aspekty, architektury zásad správného řízení a bezpečnostní opatření od začátku. Postupujte následovně:

1. Využijte zodpovědné nástroje pro plánování umělé inteligence k vyhodnocení potenciálních dopadů a návrhu etických systémů. Systémové nástroje pro hodnocení pomáhají identifikovat potenciální rizika a zajistit, aby systémy AI splňovaly etické standardy a zákonné požadavky. Tyto nástroje poskytují strukturované přístupy ke složitým etickým aspektům. K řízení procesu plánování použijte Microsoft Responsible AI tools and practices, jako jsou Human-AI eXperience Toolkit a Responsible AI Maturity Model.

2. Implementujte architektury zásad správného řízení AI, které řídí rozhodování o projektu a monitorují chování systému. Rámce zásad správného řízení poskytují konzistentní rozhodovací kritéria a zajišťují odpovědnost napříč projekty AI. Tyto architektury pomáhají organizacím udržovat kontrolu nad vývojem a nasazením umělé inteligence. Vytvořte zásady týkající se rolí, odpovědností, požadavků na dodržování předpisů a etických norem. Podrobné pokyny k implementaci zásad správného řízení najdete v tématu Řízení AI .

3. Využijte osvědčené postupy zabezpečení a provozu AI v průběhu životního cyklu implementace. Zabezpečení a efektivita provozu zajišťují, aby systémy AI zůstaly v průběhu jejich životního cyklu spolehlivé, zabezpečené a nákladově efektivní. Tyto postupy brání incidentům zabezpečení a provozním selháním. Implementujte architektury operací AI, jako jsou GenAIOps nebo MLOps pro sledování nasazení a monitorování výkonu. Podrobné pokyny k implementaci najdete v tématu Správa AI a zabezpečení AI .

Další krok

Dokončete plánování přechodu na AI vytvořením technického základu pro implementaci. Pro vlastní úlohy AI s Azure pokračujte k AI Ready a nakonfigurujte své technické prostředí. Pro přijetí Microsoft Copilot postupujte k řízení AI pro vytvoření organizačního dohledu.

AI Ready (Azure pouze)

Řízení AI (Copilots a Azure)