KI-Strategie

In diesem Artikel wird der Prozess erläutert, um Ihre Organisation auf die KI-Einführung vorzubereiten. Es beschreibt, wie Sie die richtigen KI-Lösungen auswählen, Ihre Daten vorbereiten und Ihren Ansatz in verantwortungsvolle KI-Prinzipien festschreiben. Eine gut geplante KI-Strategie entspricht Ihren Geschäftszielen und stellt sicher, dass KI-Projekte zum Gesamterfolg beitragen.

Identifizieren von KI-Anwendungsfällen

KI verbessert individuelle Effizienz und verbessert Geschäftsprozesse. Generative KI erhöht die Produktivität und verbessert die Kundenerfahrung. Nichtgenerative KI, z. B. maschinelles Lernen, analysiert strukturierte Daten und automatisiert sich wiederholende Aufgaben. Verwenden Sie dieses Verständnis, um Bereiche in Ihrem Unternehmen zu identifizieren, in denen KI Mehrwert schafft.

1. Identifizieren Sie Automatisierungschancen. Konzentrieren Sie sich auf Prozesse, die für die Automatisierung geeignet sind, um die Effizienz zu verbessern und die Betriebskosten zu senken. Fokussieren Sie sich auf sich wiederholende Aufgaben, datenintensive Vorgänge oder Bereiche mit hohen Fehlerraten, in denen KI erhebliche Auswirkungen haben kann.

2. Sammeln Sie Kundenfeedback. Verwenden Sie Kundenfeedback, um Anwendungsfälle zu ermitteln, die die Kundenzufriedenheit verbessern, wenn sie mit KI automatisiert werden. Dieses Feedback hilft bei der Priorisierung wirkungsvoller KI-Initiativen.

3. Führen Sie eine interne Bewertung durch. Sammeln Sie Eingaben aus verschiedenen Abteilungen, um Herausforderungen und Ineffizienzen zu identifizieren, die KI adressieren kann. Dokumentieren Sie Workflows, und sammeln Sie Eingaben von Projektbeteiligten, um Möglichkeiten für Automatisierung, Erkenntnisgenerierung oder verbesserte Entscheidungsfindung zu ermitteln.

4. Anwendungsfälle in der Forschungsindustrie. Untersuchen Sie, wie ähnliche Organisationen oder Branchen KI verwenden, um Probleme zu lösen oder Vorgänge zu verbessern. Verwenden Sie Tools wie die KI-Architekturen im Azure Architecture Center, um Inspiration zu erhalten und geeignete Ansätze zu bewerten.

5. Definieren Sie KI-Ziele. Definieren Sie für jeden identifizierten Anwendungsfall das Ziel (allgemeines Ziel), das Ziel (gewünschtes Ergebnis) und die Erfolgsmetrik (quantifizierbares Measure). Diese Benchmarks leiten Ihre KI-Einführung und messen den Erfolg. Weitere Informationen finden Sie unter Beispiele für eine KI-Strategie.

Definieren einer KI-Technologiestrategie

Wählen Sie KI-Technologien aus, die mit den Fähigkeiten, verfügbaren Daten und dem Budget Ihrer Organisation übereinstimmen. Microsoft bietet Software als Dienst (SaaS), Plattform als Dienst (PaaS) und Infrastruktur als Dienst (IaaS) an. Diese Dienste bieten unterschiedliche Anpassungsebenen und gemeinsame Verantwortung. Verwenden Sie die folgende KI-Entscheidungsstruktur und Anleitungen, um fundierte Entscheidungen zu treffen.

KI mit Softwarediensten kaufen (SaaS)

Microsoft bietet SaaS generative KI-Lösungen, die als Copilots bezeichnet werden, um die Produktivität mit minimalem technischen Know-how zu verbessern. Ausführliche Informationen finden Sie in der nachstehenden Tabelle.

Microsoft Copilots	Beschreibung	Benutzer	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Microsoft 365 Copilot	Microsoft 365 Copilot bietet webbasierten (Internet) und arbeitsbasierten (Microsoft Graph)-Chats und IN-App-KI für Microsoft 365-Apps.	Geschäft	Ja. Kategorisieren Sie Ihre Daten mit Vertraulichkeitsbezeichnungen und interagieren Sie sicher mit Ihren Daten in Microsoft Graph.	Allgemeine IT- und Datenverwaltung	Lizenz
Rollenbasierte Copilots	Agents, die die Effizienz für bestimmte Rollen in Sicherheit, Vertrieb, Service und Finanzen verbessern.	Geschäft	Ja. Es stehen Datenverbindungs- und Plug-In-Optionen zur Verfügung.	Allgemeine IT- und Datenverwaltung	Lizenzen oder Sicherheits-Compute-Einheiten (Copilot für Security)
Produktinterne Copilots	KI in Produkten wie GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric und Azure.	Geschäft und Einzelperson	Ja. Die meisten erfordern minimale Datenvorbereitung.	Keine	Kostenlos oder im Abonnement
Microsoft Copilot oder Microsoft Copilot Pro	Microsoft Copilot ist eine kostenlose webbasierte Chat-App. Copilot Pro bietet bessere Leistung, Kapazität und Zugriff auf Copilot in bestimmten Microsoft 365-Apps.	Einzelperson	Nein	Keine	Microsoft Copilot ist kostenlos. Microsoft Copilot Pro erfordert ein Abonnement
Erweiterbarkeitstools für Microsoft 365 Copilot	Passen Sie Microsoft 365 Copilot mit zusätzlichen Daten oder erweiterten Funktionen über deklarative Agenten an. Verwenden Sie Tools wie Copilot Studio, Agent Builder, Teams-Toolkit und SharePoint.	Geschäft und Einzelperson	Verwenden Sie Microsoft Graph-Connectors , um Daten hinzuzufügen.	Datenverwaltung, allgemeine IT oder Entwicklerkenntnisse	Microsoft 365 Copilot-Lizenz
Copilot Studio	Verwenden Sie Copilot Studio zum Erstellen, Testen und Bereitstellen von Agents in einer SaaS-Erstellungsumgebung.	Entwickler	Automatisiert einen Großteil der Datenarbeit, um benutzerdefinierte Copiloten zu erstellen.	Plattform zum Verbinden von Datenquellen, Kartenaufforderungen und Bereitstellen von Copiloten	Lizenz

Erstellen von KI-Workloads mit Azure-Plattformen (PaaS)

Azure bietet mehrere PaaS-Optionen, die auf Ihre KI-Ziele, Fähigkeiten und Datenanforderungen zugeschnitten sind. Diese Plattformen richten sich an verschiedene Fachkompetenzen. Überprüfen Sie die Preisseiten für jeden Azure-Dienst, und verwenden Sie den Azure-Preisrechner , um Kostenschätzungen zu entwickeln.

KI-Ziel	Microsoft-Lösung	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Build-Agents	Azure AI Foundry Agent Service	Ja	Umgebungseinrichtung, Modellauswahl, Tools, Erdungsdatenspeicher, Datenisolation, Agentauslöser, Verbindungs-Agents, Inhaltsfilterung, private Netzwerke, Agentüberwachung, Dienstüberwachung	Verbrauchen von Modell-Token, Storage, Funktionen, Compute, Erdung von Verbindungen
Erstellen von RAG-Anwendungen	Azure AI Foundry	Ja	Auswählen von Modellen, Orchestrierung des Datenflusses, Aufteilen von Daten, Anreichern von Datenabschnitten, Auswählen der Indizierung, Verständnis der Abfragetypen (Volltext, Vektor, Hybrid), Verständnis von Filtern und Facetten, Neuanordnung durchführen, Entwicklung des Anfrageflusses, Bereitstellen von Endpunkten und Verwenden von Endpunkten in Apps	Berechnen, Anzahl ein- und ausgehender Token, genutzte KI-Dienste, Speicher und Datenübertragung
Feinabstimmung von GenAI-Modellen	Azure AI Foundry	Ja	Vorverarbeitung von Daten, Aufteilen von Daten in Trainings- und Validierungsdaten, Validieren von Modellen, Konfigurieren anderer Parameter, Verbessern von Modellen, Bereitstellen von Modellen und Verwenden von Endpunkten in Apps	Berechnen, Anzahl ein- und ausgehender Token, genutzte KI-Dienste, Speicher und Datenübertragung
Trainieren und Ableiten von Modellen	Azure Machine Learning oder Microsoft Fabric	Ja	Vorverarbeitung von Daten, Training von Modellen mithilfe von Code oder Automatisierung, Verbessern von Modellen, Bereitstellen von Machine Learning-Modellen und Verwenden von Endpunkten in Apps	Computing, Datenspeicherung und Datenübertragung
Verwenden vorgefertigter KI-Modelle und -Dienste	Azure AI-Dienste und/oder Azure OpenAI	Ja	Auswahl von KI-Modellen, Sicherung von Endpunkten, Nutzung von Endpunkten in Apps und Feinabstimmung bei Bedarf	Verwendung von genutzten Modellendpunkten, Speicherung, Datenübertragung, Compute (wenn Sie benutzerdefinierte Modelle trainieren)
Isolieren von KI-Apps	Azure-Container-Apps	Ja	Auswahl von KI-Modellen, Orchestrierung des Datenflusses, Aufteilen von Daten in Abschnitte, Anreichern von Abschnitten, Auswahl der Indizierung, Verstehen von Abfragetypen (Volltext, Vektor, Hybrid), Verstehen von Filtern und Facetten, Durchführung von Reranking, Gestaltung des Prompt-Flows, Bereitstellung von Endpunkten und deren Nutzung in Apps.	Berechnen, Anzahl ein- und ausgehender Token, genutzte KI-Dienste, Speicher und Datenübertragung

Bereitstellen von KI-Modellen mit Infrastrukturdiensten (IaaS)

Verwenden Sie die IaaS-Lösungen von Azure, z. B. Azure Virtual Machines über CycleCloud und Azure Kubernetes Service, um eine größere Anpassung und Kontrolle zu ermöglichen. Diese Lösungen ermöglichen schulungen und die Bereitstellung von benutzerdefinierten KI-Modellen. Weitere Informationen finden Sie auf den relevanten Preisseiten und dem Azure-Preisrechner.

KI-Ziel	Microsoft-Lösung	Benötigte Daten	Erforderliche Fähigkeiten	Wesentliche Kostenfaktoren
Trainieren und Ableiten eigener KI-Modelle. Nutzen Sie Ihre eigenen Modelle in Azure.	Azure-VMs oder Azure Kubernetes Service (AKS)	Ja	Infrastrukturverwaltung, IT, Programminstallation, Modelltraining, Modell-Benchmarking, Orchestrierung, Bereitstellen von Endpunkten, Sichern von Endpunkten und Verbrauch von Endpunkten in Apps	Compute, Compute Node Orchestrator, verwaltete Datenträger (optional), Speicherdienste, Azure Bastion und andere verwendete Azure-Dienste

Entwickeln einer KI-Datenstrategie

Eine KI-Datenstrategie definiert, wie Ihre Organisation Daten erwerben, verwalten und verwenden soll, um KI-Initiativen zu unterstützen, während Governance, Skalierbarkeit und verantwortungsvolle Praktiken beibehalten werden. Diese Strategie stellt sicher, dass Datenressourcen mit KI-Anwendungsfällen und Geschäftszielen übereinstimmen und gleichzeitig Sicherheits-, Compliance- und ethische Überlegungen berücksichtigen. Sie müssen Datengovernance-Frameworks planen, Skalierbarkeitsanforderungen bewerten, Lebenszyklusmanagementansätze entwerfen und verantwortungsvolle Datenpraktiken einrichten, um eine umfassende KI-Datenstrategie zu erstellen.

1. Data-Governance-Frameworks für KI-Workloads planen. Die Datengovernanceplanung richtet die Grundlage für die sichere und kompatible KI-Datennutzung ein, indem Zugriffssteuerungen, Datengrenzen und verantwortungsvolle Nutzungsrichtlinien definiert werden. In dieser Planungsphase werden Governanceanforderungen für verschiedene KI-Anwendungsfälle identifiziert und Frameworks für die laufende Datenverwaltung eingerichtet. Definieren Sie Datenklassifizierungsschemas basierend auf Workload-Exposition und Vertraulichkeitsstufen. Beschränken Sie internetgestützte ("Online") Workloads auf öffentliche Daten, während interne Workloads ("Unternehmensarbeitslasten") mit definierten Grenzen auf Geschäftsdaten zugreifen können. Planen Sie die Verwendung der Microsoft Purview-Datenklassifizierung zum Kategorisieren von Datenressourcen. Verweisen Sie auf die Datenverwaltungs-Zielzone für Governance-Architekturleitlinien.

2. Bewerten der Datenskalierbarkeitsanforderungen für KI-Initiativen. Die Skalierbarkeitsbewertung stellt sicher, dass Ihre Datenstrategie aktuelle und projizierte KI-Workloadanforderungen ohne Leistungsbeschränkungen oder übermäßige Kosten aufnehmen kann. Diese Bewertung identifiziert Datenvolumen- und Geschwindigkeitsanforderungen und verschiedene Anforderungen, die die Technologieauswahl und Architekturplanung informieren. Dokumentieren Sie aktuelle Datenvolumes, Verarbeitungsfrequenzen und Datentypen für jeden identifizierten KI-Anwendungsfall. Analysieren Sie projizierte Wachstumsmuster, um die Skalierbarkeitsplanung zu informieren. Planen Sie flexible Speicher- und Verarbeitungsansätze, die mit Bedarf skaliert werden können, und berücksichtigen Sie sowohl Batch- als auch Echtzeitverarbeitungsanforderungen. Verweisen Sie auf die Daten-Zielzone für skalierbare Architekturmuster.

3. Entwerfen von Datenlebenszyklus-Management-Ansätzen für KI-Datenressourcen. Die Datenlebenszyklusplanung stellt sicher, dass Daten während der gesamten Zeit von Sammlung zu Entsorgung zugänglich, sicher und kosteneffizient bleiben und gleichzeitig KI-Workloadanforderungen unterstützen. Diese Planung befasst sich mit Strategien zur Datensammlung, Speicheroptimierung, Verarbeitungsworkflows und Qualitätssicherungsprozessen. Planen Sie systematische Datensammlungsansätze aus identifizierten Quellen, einschließlich Datenbanken, APIs, IoT-Geräten (Internet of Things) und Drittanbieterdatenanbietern. Entwerfen Sie Speicherstrategien, die mit Datenmerkmalen und Zugriffsmustern abgestimmt sind, und wählen Sie geeignete Ebenen basierend auf Häufigkeit, Aufbewahrungsanforderungen und Leistungsanforderungen aus. Planen Sie Datenverarbeitungsworkflows mithilfe von ETL-Pipelines (Extract, Transform, Load) oder ELT-Pipelines, um Qualität und KI-Bereitschaft sicherzustellen. Richten Sie regelmäßige Überwachungsprozesse ein, um Verzerrungen innerhalb von KI-Datasets mithilfe von Tools wie dem verantwortlichen KI-Dashboard zu vermeiden.

4. Legen Sie verantwortungsvolle Datenpraktiken für die KI-Entwicklung fest. Verantwortungsvolle Datenpraktiken stellen sicher, dass KI-Systeme Daten ethisch verwenden und die Einhaltung von Organisationswerten und behördlichen Anforderungen beibehalten. Diese Methoden leiten datensammlungs-, nutzungs- und Aufbewahrungsentscheidungen während des gesamten KI-Lebenszyklus. Planen Sie die Datenlinienverfolgung mithilfe von Microsoft Fabric oder Microsoft Purview , um Transparenz bei der Datennutzung aufrechtzuerhalten. Richten Sie Richtlinien für Datenqualitätsstandards, Bias-Erkennung und Fairnessaspekte in KI-Schulungsdatensätzen ein. Definieren Sie Richtlinien zur Datenaufbewahrung und -entsorgung, die KI-Leistungsanforderungen mit Datenschutz- und gesetzlichen Complianceverpflichtungen in Einklang bringen.

Entwickeln einer verantwortungsvollen KI-Strategie

Eine verantwortungsvolle KI-Strategie definiert den Ansatz Ihrer Organisation, um sicherzustellen, dass KI-Lösungen vertrauenswürdig, ethisch und vorteilhaft für alle Benutzer bleiben, während die gesetzlichen und organisatorischen Anforderungen erfüllt werden. Diese Strategie richtet den Rahmen für die ethische KI-Entwicklung und -Bereitstellung ein, die den Branchenstandards und geschäftszielen entspricht. Sie müssen Verantwortlichkeitsstrukturen planen, verantwortungsvolle KI-Prinzipien als Geschäftsziele definieren, geeignete Tools und Prozesse identifizieren und Complianceanforderungen bewerten, um eine umfassende verantwortungsvolle KI-Strategie zu erstellen.

1. Planen Sie Verantwortlichkeitsstrukturen für KI-Governance und regulierungsrechtliche Aufsicht. Die Verantwortlichkeitsplanung legt klare Eigenverantwortung und Verantwortung für KI-Governance-Entscheidungen fest und stellt gleichzeitig eine reaktionsfähige Verwaltung der sich entwickelnden regulatorischen Anforderungen sicher. In dieser Planungsphase werden Rollen, Verantwortlichkeiten und Entscheidungsträger für KI-Initiativen in der gesamten Organisation definiert. Definieren Sie dedizierte Verantwortlichkeit, indem Sie planen, Einzelpersonen oder Teams zuzuweisen, um Änderungen der KI-Technologie und behördlichen Anforderungen zu überwachen, zu verwalten und darauf zu reagieren. Planen Sie klare Rollen und Verantwortlichkeiten für KI-Governance, einschließlich Eskalationsverfahren, Entscheidungsbehörde und regelmäßige Überprüfungsprozesse für KI-Initiativen. Erstellen Sie ein AI Cloud Center of Excellence , um diese Verantwortlichkeiten zu übernehmen.

2. Definieren Sie verantwortungsvolle KI-Prinzipien als strategische Geschäftsziele. Verantwortungsvolle KI-Prinzipien stellen den strategischen Rahmen für die ethische KI-Entwicklung und -Bereitstellung bereit, die die Entscheidungsfindung der Organisation leitet und sich an Branchenstandards richtet. Diese Prinzipien werden zu Geschäftszielen, die die Auswahl von KI-Projekten, Entwicklungsansätze und Erfolgsmessungen gestalten. Planen Sie, die sechs verantwortlichen KI-Prinzipien von Microsoft zu übernehmen, die mit dem NIST AI Risk Management Framework (RMF) übereinstimmen. Definieren Sie, wie diese Prinzipien in Projektplanungsmethoden, Entwicklungsprozesse und Erfolgsmetriken für KI-Initiativen integriert werden.

3. Identifizieren Sie geeignete verantwortungsvolle KI-Tools und -Prozesse für Ihr KI-Portfolio. Die Toolidentifikation stellt sicher, dass Ihre Organisation geeignete Mechanismen für die Implementierung ethischer KI-Prinzipien auswählt und eine konsistente Anwendung verantwortungsvoller KI-Standards gewährleistet. Diese Planung befasst sich mit Toolauswahlkriterien, Integrationsansätzen und operativen Prozessen für verantwortungsvolle KI-Praktiken. Bewerten und planen Sie die Auswahl geeigneter verantwortlicher KI-Tools und -Prozesse , die ihren geplanten KI-Anwendungsfällen und Organisationsrisikoprofilen entsprechen. Planen Sie Integrationsansätze für diese Tools innerhalb von Entwicklungsworkflows und betrieblichen Verfahren, um eine konsistente Anwendung über KI-Initiativen hinweg sicherzustellen.

4. Beurteilung der Anforderungen an die Einhaltung von KI-Vorschriften und rechtlichen Normen. Die Compliancebewertung schützt die Organisation vor rechtlichen Risiken und stellt sicher, dass KI-Initiativen den geltenden Gesetzen und Branchenstandards entsprechen und strategische Planungsentscheidungen informieren. Complianceanforderungen variieren je nach Branche, Geographie und KI-Anwendung, die umfassende Analyse und strategische Planung erfordert. Identifizieren und bewerten Sie relevante lokale und internationale KI-Vorschriften, die für Ihre geplanten Vorgänge und KI-Anwendungsfälle gelten. Planen Sie Prozesse zur Überwachung gesetzlicher Änderungen, aktualisieren Sie Ihre Compliance-Strategien und stellen Sie sicher, dass sie während Ihrer KI-Einführungsreise kontinuierlich mit den gesetzlichen Anforderungen in Einklang bleiben.

Beispiel für eine KI-Strategie

Dieses Beispiel für KI-Strategie basiert auf einem fiktiven Unternehmen Contoso. Contoso betreibt eine kundenorientierte E-Commerce-Plattform und beschäftigt Vertriebsmitarbeiter, die Tools zum Prognostizieren von Geschäftsdaten benötigen. Das Unternehmen verwaltet auch die Produktentwicklung und den Bestand für die Produktion. Zu den Vertriebskanälen gehören sowohl private Unternehmen als auch streng regulierte öffentliche Stellen.

KI-Anwendungsfall	Ziele	Ziele	Erfolgsmetriken	KI-Ansatz	Microsoft-Lösung	Datenanforderungen	Qualifikationsanforderungen	Kostenfaktoren	KI-Datenstrategie	Verantwortungsvolle KI-Strategie
E-Commerce-Webanwendungschatfunktion	Automatisieren von Geschäftsprozessen	Die Kundenzufriedenheit verbessern	Erhöhte Kundenbindungsrate	PaaS, generative KI, RAG	Azure AI Foundry	Elementbeschreibungen und Kopplungen	RAG- und Cloud-App-Entwicklung	Verbrauch	Richten Sie die Datenverwaltung für Kundendaten ein und führen Sie Fairnesskontrollen für KI durch.	Weisen Sie dem KI-Kompetenzzentrum die Verantwortung für KI zu und stimmen Sie sich mit den Prinzipien der verantwortungsvollen KI ab.
Interner App-Workflow zur Dokumentverarbeitung	Automatisieren von Geschäftsprozessen	Senken Sie Kosten	Erhöhte Vervollständigungsrate	Analytische KI, Feinabstimmung	Azure KI Services – Dokumentintelligenz	Standarddokumente	App-Entwicklung	Geschätzte Nutzung	Datengovernance für interne Dokumente definieren und Datenlebenszyklusrichtlinien planen.	Weisen Sie KI-Verantwortlichkeiten zu, und stellen Sie die Einhaltung von Datenverarbeitungsrichtlinien sicher.
Bestandsverwaltung und Produktkauf	Automatisieren von Geschäftsprozessen	Senken Sie Kosten	Kürzere Haltbarkeit des Lagerbestands	Maschinelles Lernen, Trainingsmodelle	Azure Machine Learning	Historische Bestands- und Verkaufsdaten	Maschinelles Lernen und App-Entwicklung	Geschätzte Nutzung	Richten Sie Governance für Vertriebsdaten ein, und erkennen und beheben Sie Verzerrungen in Daten.	Weisen Sie KI-Rechenschaftspflicht zu und halten Sie sich an finanzrechtliche Vorschriften.
Tägliche Arbeit im gesamten Unternehmen	Steigern der individuellen Produktivität	Verbessern Sie das Mitarbeitererlebnis	Erhöhte Mitarbeiterzufriedenheit	Generative KI für SaaS	Microsoft 365 Copilot	OneDrive-Daten	Allgemeine IT	Abonnementkosten	Implementieren Sie die Datengovernance für Mitarbeiterdaten, und stellen Sie den Datenschutz sicher.	Weisen Sie KI-Verantwortlichkeit zu und nutzen Sie integrierte, verantwortungsvolle KI-Features.
E-Commerce-App für regulierte Branchenchatfunktion	Automatisieren von Geschäftsprozessen	Erhöhen des Vertriebs	Umsatzsteigerung	Training von generativen KI-Modellen (Infrastructure as a Service - IaaS)	Azure-virtuelle Maschinen	Domänenspezifische Trainingsdaten	Cloudinfrastruktur und App-Entwicklung	Infrastruktur und Software	Definieren Sie Governance für regulierte Daten und planen Sie den Lebenszyklus mit Compliance-Maßnahmen.	Weisen Sie KI-Verantwortlichkeiten zu und halten Sie branchenspezifische Vorschriften ein.

Nächster Schritt

KI-Plan