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.

Posouzení dovedností AI

Aktuální posouzení schopností zabraňuje 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. Abyste vytvořili základ pro úspěšné přijetí umělé inteligence, musíte vyhodnotit své dovednosti, datové prostředky a infrastrukturu. Tady je postup:

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	▪ Projekty Azure pro rychlý start ▪ Jakékoli řešení Copilot
   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 služeb Azure AI ▪ Vlastní generativní AI chatovací aplikace bez Retrieval Augmented Generation (RAG) ve Foundry ▪ Vlastní aplikace strojového učení s využitím automatizovaného trénování modelů ▪ 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 virtuálních počítačích Azure
   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 virtuálních počítačích, 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 služby Azure. 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. Musíte vytvořit vícestranný přístup, který kombinuje školení, nábor a partnerství pro vytváření udržitelných schopností umělé inteligence. Tady je postup:

1. Rozvíjet interní dovednosti AI prostřednictvím strukturovaných výukových programů. 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 si cíle certifikace, jako jsou Základy Azure AI, Azure AI Engineer Associate a certifikace Azure Data Scientist Associate .

2. Nábor odborníků na AI za účelem naplnění kritických dovedností nad rámec interní kapacity. 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. Spolu s odborníky Microsoftu doplňte možnosti umělé inteligence. Partnerství Microsoftu poskytují přístup k osvědčeným znalostem a osvědčeným postupům v oboru a zároveň snižují riziko implementace. Tento přístup urychluje učení a zajišťuje soulad s technologiemi Umělé inteligence Microsoftu. Využijte Marketplace partnerů Microsoftu pro přístup k umělé inteligenci, datům a znalostem Azure v různých odvětvích.

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. Abyste mohli efektivně plánovat rozpočty a kontrolní mechanismy zabezpečení, musíte porozumět konkrétním požadavkům na přístup pro každé řešení AI ve vašem portfoliu. Tady je postup:

Řešení Microsoft AI	Jak získat přístup
Microsoft 365 Copilot	Vyžaduje licenci Microsoft 365 business nebo enterprise s další licencí Copilot. Viz Microsoft 365 Copilot.
Microsoft Copilot Studio	Vyžaduje samostatnou licenci nebo doplňkovou licenci. Viz Microsoft Copilot Studio.
Asistenti v produktu	Vyžaduje přístup k primárnímu produktu. Viz GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric a Azure.
Kopiloti založení na rolích	Vyžaduje specifické požadavky na přístup. Podívejte se na agenty založené na rolích pro Microsoft 365 Copilot a Microsoft Copilot pro zabezpečení.
Služby Azure	Vyžaduje účet Azure. Zahrnuje Foundry a Azure OpenAI.

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. Každý případ použití musíte vyhodnotit proti proveditelnosti, strategické hodnotě a požadavkům na prostředky, abyste vytvořili dosažitelný plán implementace. Tady je postup:

1. Vyhodnoťte případy použití oproti aktuální vyspělosti AI a dostupným prostředkům. Realistické vyhodnocení brání přetěžování projektů nad rámec vašich aktuálních možností a zajišťuje úspěšnou implementaci. Toto hodnocení vám pomůže zaměřit se na dosažitelné cíle, které vytvářejí dynamiku budoucích projektů. Zkontrolujte úroveň vyspělosti AI, dostupnost dat, technickou infrastrukturu a kapacitu personálního oddělení pro každý případ použití definovaný ve vaší strategii AI.

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.

Ověření konceptů prostřednictvím testování konceptů

Testování konceptů snižuje riziko implementace ověřením technické proveditelnosti a obchodní hodnoty před úplným vývojem. PoCs pomáhají identifikovat potenciální výzvy a upřesnit požadavky v řízeném prostředí. Musíte vytvořit prioritní projekty ověřování, které testují základní předpoklady a shromažďují data pro informované rozhodování. Tady je postup:

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 Microsoftu 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 AI	Azure PaaS: Foundry a Azure OpenAI Microsoft Copilots: Rozšiřitelnost Copilot Studio a Microsoft 365 Copilot
   Strojové učení	Azure Machine Learning
   Analytická umělá inteligence	Služby Azure AI s konkrétními průvodci zabezpečením obsahu, custom vision, document intelligence a dalšími službami

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.

Stanovení zodpovědných postupů 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. Od začátku musíte do plánu implementace vkládat etické aspekty, rámce zásad správného řízení a bezpečnostní opatření. Tady je postup:

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. Pomocí šablony posouzení dopadu AI,Human-AI sady nástrojů eXperience azodpovědného modelu vyspělosti AI proveďte proces plánování.

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 .

Odhad doby doručení

Realistický odhad časové osy umožňuje efektivní plánování zdrojů a řízení zúčastněných stran a současně zajišťuje úspěch projektu. Přesnost časové osy závisí na složitosti projektu, vyspělosti organizace a dostupnosti zdrojů. Odhady časové osy musíte založit na empirických datech z testování konceptů a organizačních schopností. Tady je postup:

1. 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

2. 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 poskytuje nejkratší časové osy pro návratnost investic (dny až týdny), zatímco vlastní úlohy Azure AI vyžadují několik týdnů až měsíce, aby se dosáhlo připravenosti do produkčního prostředí.

3. 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.

Prostředky Azure

Kategorie	Nástroj	Popis
Výuka a certifikace	AI výukové centrum	Poskytuje bezplatné školení, certifikace a pokyny k produktům pro rozvoj dovedností.
Posouzení a plánování	Šablona posouzení dopadu AI	Vyhodnocuje sociální, ekonomické a etické účinky iniciativ umělé inteligence.
Vývojová platforma	Slévárna	Vývojová platforma pro vytváření aplikací a agentů AI s přístupem k generativním modelům AI a negenerativním modelům pro zpracování obrazu, řeči, jazyka a rozhodování
Trénování modelu	Azure Machine Learning	Kompletní správa životního cyklu strojového učení a nasazení modelu
Konverzační AI	Microsoft Copilot Studio	Platforma pro vytváření vlastních konverzačních agentů AI a chatovacích robotů
Partnerská síť	Marketplace partnerů Microsoftu	Přístup k certifikovaným partnerům s využitím AI, dat a odborných znalostí Azure

Další krok

Dokončete plánování přechodu na AI vytvořením technického základu pro implementaci. Pro vlastní úlohy AI s Azure přejděte k AI Ready a nakonfigurujte své technické prostředí. V případě přechodu na Microsoft Copilot přejděte k zásadám správného řízení AI, abyste vytvořili organizační dohled.

AI Ready (jenom Azure)

Řízení AI (Copilots a Azure)