Strategi AI

Artikel ini menjelaskan proses untuk menyiapkan organisasi Anda untuk adopsi AI. Ini menjelaskan cara memilih solusi AI yang tepat, menyiapkan data Anda, dan membumikan pendekatan Anda dalam prinsip AI yang bertanggung jawab. Strategi AI yang direncanakan dengan baik selaras dengan tujuan bisnis Anda dan memastikan bahwa proyek AI berkontribusi pada keberhasilan keseluruhan.

Mengidentifikasi kasus penggunaan AI

AI meningkatkan efisiensi individu dan meningkatkan proses bisnis. AI Generatif meningkatkan produktivitas dan meningkatkan pengalaman pelanggan. AI nongeneratif, seperti pembelajaran mesin, menganalisis data terstruktur dan mengotomatiskan tugas berulang. Gunakan pemahaman ini untuk mengidentifikasi area di seluruh bisnis Anda di mana AI menambahkan nilai.

1. Identifikasi peluang otomatisasi. Fokus pada proses yang cocok untuk otomatisasi untuk meningkatkan efisiensi dan mengurangi biaya operasional. Menargetkan tugas yang berulang, operasi yang banyak memerlukan data, atau area dengan tingkat kesalahan tinggi di mana AI dapat memberikan dampak signifikan.

2. Kumpulkan umpan balik pelanggan. Gunakan umpan balik pelanggan untuk mengungkap kasus penggunaan yang meningkatkan kepuasan pelanggan saat diotomatisasi dengan AI. Umpan balik ini membantu memprioritaskan inisiatif AI yang berdampak.

3. Lakukan penilaian internal. Kumpulkan input dari berbagai departemen untuk mengidentifikasi tantangan dan inefisiensi yang dapat ditangani AI. Dokumentasikan alur kerja dan kumpulkan masukan dari pemangku kepentingan untuk mengungkap peluang otomatisasi, pengembangan wawasan, atau pengambilan keputusan yang ditingkatkan.

4. Kasus penggunaan dalam industri penelitian. Selidiki bagaimana organisasi atau industri serupa menggunakan AI untuk menyelesaikan masalah atau meningkatkan operasi. Gunakan alat seperti arsitektur AI di Azure Architecture Center untuk inspirasi dan untuk mengevaluasi pendekatan yang sesuai.

5. Tentukan target AI. Untuk setiap kasus penggunaan yang diidentifikasi, tentukan tujuan (tujuan umum), tujuan (hasil yang diinginkan), dan metrik keberhasilan (ukuran yang dapat diukur). Tolok ukur ini memandu adopsi AI Anda dan mengukur keberhasilan. Untuk informasi selengkapnya, lihat contoh strategi AI.

Menentukan strategi teknologi AI

Strategi teknologi menentukan pendekatan yang tepat untuk kemampuan, aset data, dan persyaratan anggaran organisasi Anda. Strategi ini mempersiapkan organisasi Anda untuk arsitektur berbasis agen yang memungkinkan beberapa sistem AI berkolaborasi pada tugas yang kompleks. Anda harus mengevaluasi opsi teknologi di tiga model layanan untuk memilih pendekatan yang paling sesuai untuk kebutuhan Anda.

1. Memahami agen AI. Agen AI adalah sistem otonom yang menggunakan model AI untuk menyelesaikan tugas tanpa pengawasan manusia yang konstan. Sistem ini mewakili pergeseran dari otomatisasi tradisional ke pengambilan keputusan cerdas yang beradaptasi dengan perubahan kondisi. Anda harus merencanakan integrasi agen untuk mendukung alur kerja yang kompleks dan kolaborasi multi-sistem. Tinjau Apa itu agen? untuk memahami kemampuan agen dan menyiapkan organisasi Anda untuk solusi berbasis agen.

2. Mengadopsi mekanisme standar untuk interoperabilitas AI. Protokol standar memungkinkan sistem AI berkomunikasi di berbagai platform dan mengurangi implementasi kustom. Protokol ini mendukung berbagi data dan integrasi sistem sambil mempertahankan fleksibilitas untuk perubahan teknologi di masa mendatang. Anda harus memahami protokol seperti Protokol Konteks Model untuk penyerapan data lintas sistem untuk memastikan sistem AI Anda mendukung persyaratan interoperabilitas. Evaluasi alat seperti NLWeb untuk menyiapkan konten Anda untuk web AI. Misalnya, lihat Protokol Konteks Model di Microsoft Copilot Studio dan Mengekspos REST API sebagai server MCP.

3. Pilih model layanan AI yang sesuai. Microsoft menawarkan tiga model layanan dengan berbagai tingkat penyesuaian dan tanggung jawab bersama: Software as a Service (SaaS), Platform as a Service (PaaS), dan Infrastructure as a Service (IaaS). Setiap model memerlukan keterampilan teknis yang berbeda dan memberikan tingkat kontrol yang berbeda atas implementasi AI. Anda harus mencocokkan kemampuan, persyaratan data, dan kebutuhan kustomisasi tim Anda dengan model layanan yang sesuai. Gunakan pohon keputusan AI di bawah ini untuk memandu proses pemilihan Anda.

Mulailah dengan mengidentifikasi kasus penggunaan AI Anda. Jika tujuannya adalah untuk meningkatkan produktivitas individu, gunakan Microsoft 365 Copilot saat berfokus pada aplikasi Microsoft 365. Gunakan Copilot dalam produk untuk produk seperti Azure, GitHub, Fabric, Dynamics 365, atau Power Platform. Gunakan Copilot yang sesuai dengan peran untuk peran khusus domain seperti keamanan, penjualan, layanan, atau keuangan. Jika kasus penggunaan lebih umum, gunakan Microsoft Copilot atau Copilot Pro. Jika Anda sudah menggunakan Microsoft 365 Copilot dan perlu membuat agen kustom dengan keterampilan khusus domain, gunakan Extensibility Tools untuk Microsoft 365 Copilot. Jika tujuannya adalah untuk mengotomatiskan fungsionalitas bisnis, gunakan Copilot Studio untuk alat SaaS yang memungkinkan pembuatan dan penyebaran agen melalui bahasa alami dengan harga terintegrasi. Gunakan Azure AI Foundry untuk platform pengembangan penuh dengan akses API ke layanan Azure OpenAI dan Azure AI. Jika Anda hanya memerlukan akses ke model OpenAI, gunakan Azure OpenAI. Jika Anda memerlukan model non-generatif bawaan atau Azure AI Search untuk dukungan agen, gunakan layanan Azure AI. Jika Anda perlu melatih dan menyebarkan model pembelajaran mesin dengan data Anda sendiri, gunakan Microsoft Fabric jika Anda sudah bekerja di lingkungan tersebut; jika tidak, gunakan Azure Machine Learning. Gunakan Azure Container Apps untuk inferensi AI ringan tanpa mengelola infrastruktur GPU. Jika Anda perlu membawa model Anda sendiri dan mengaturnya dengan Azure CycleCloud, Azure Batch, atau Kubernetes, gunakan Azure Virtual Machines.

Beli AI dengan layanan perangkat lunak (SaaS)

Microsoft menyediakan solusi AI generatif SaaS, yang dikenal sebagai Copilots, untuk meningkatkan produktivitas dengan keahlian teknis minimal. Lihat tabel di bawah ini untuk detailnya.

Microsoft Copilots	Deskripsi	Pengguna	Data yang diperlukan	Keterampilan yang diperlukan	Faktor biaya utama
Microsoft 365 Copilot	Microsoft 365 Copilot menyediakan obrolan berbasis web (internet) dan berbasis kerja (Microsoft Graph) dan AI dalam aplikasi untuk aplikasi Microsoft 365.	Bisnis	Ya. Kategorikan data Anda dengan label sensitivitas dan berinteraksi dengan aman dengan data Anda di Microsoft Graph.	TI umum dan manajemen data	Lisensi
Asisten Berbasis Peran	Agen yang meningkatkan efisiensi untuk peran tertentu dalam Keamanan, Penjualan, Layanan, dan Keuangan.	Bisnis	Ya. Opsi koneksi data dan plug-in tersedia.	TI umum dan manajemen data	Lisensi atau Unit Komputasi Keamanan (Copilot untuk Keamanan)
Asisten dalam Produk	AI dalam produk seperti GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric, dan Azure.	Bisnis dan individu	Ya. Sebagian besar memerlukan persiapan data minimal.	Tidak	Gratis atau langganan
Microsoft Copilot atau Microsoft Copilot Pro	Microsoft Copilot adalah aplikasi obrolan berbasis web gratis. Copilot Pro memberikan performa, kapasitas, dan akses yang lebih baik ke Copilot di aplikasi Microsoft 365 tertentu.	Individu	Tidak	Tidak	Microsoft Copilot gratis. Microsoft Copilot Pro memerlukan langganan
Alat ekstensibilitas untuk Microsoft 365 Copilot	Menyesuaikan Microsoft 365 Copilot dengan lebih banyak data atau kemampuan melalui agen deklaratif. Gunakan alat seperti Copilot Studio, penyusun agen, toolkit Teams, dan SharePoint.	Bisnis dan individu	Gunakan konektor Microsoft Graph untuk menambahkan data.	Manajemen data, IT umum, atau keterampilan pengembang	Lisensi Microsoft 365 Copilot
Copilot Studio	Gunakan Copilot Studio untuk membangun, menguji, dan menyebarkan agen di lingkungan penulisan SaaS.	Pengembang	Mengotomatiskan banyak pekerjaan data untuk membuat copilot kustom.	Platform untuk menyambungkan sumber data, memetakan permintaan, dan menyebarkan kopilot	Lisensi

Membangun beban kerja AI dengan platform Azure (PaaS)

Azure menyediakan beberapa opsi PaaS yang disesuaikan dengan tujuan AI, set keterampilan, dan kebutuhan data Anda. Platform ini melayani berbagai tingkat keahlian teknis. Tinjau halaman harga untuk setiap layanan Azure, dan gunakan kalkulator harga Azure untuk mengembangkan perkiraan biaya.

Tujuan AI	Solusi Microsoft	Data yang diperlukan	Keterampilan yang diperlukan	Faktor biaya utama
Membangun agen	Azure AI Foundry Layanan Agen	Ya	Pengaturan lingkungan, pemilihan model, alat, penyimpanan data grounding, isolasi data, pemicu agen, menghubungkan agen, pemfilteran konten, jaringan privat, pemantauan agen, pemantauan layanan	Mengonsumsi token model, penyimpanan, fitur, komputasi, dan koneksi penghubung
Membangun aplikasi RAG	Azure AI Foundry	Ya	Pilih model, mengatur aliran data, memotong data, memperkaya potongan, memilih pengindeksan, memahami jenis kueri (teks lengkap, vektor, hibrid), memahami filter dan faset, melakukan reranking, rekayasa cepat, menyebarkan titik akhir, dan menggunakan titik akhir di aplikasi	Komputasi, jumlah token masuk dan keluar, layanan AI yang digunakan, penyimpanan, dan transfer data
Menyempurnakan model GenAI	Azure AI Foundry	Ya	Pra-pemrosesan data, memisahkan data menjadi data pelatihan dan validasi, memvalidasi model, mengonfigurasi parameter lain, meningkatkan model, menyebarkan model, dan mengonsumsi titik akhir di aplikasi	Komputasi, jumlah token masuk dan keluar, layanan AI yang digunakan, penyimpanan, dan transfer data
Pelatihan dan inferensi model	Pembelajaran Mesin Azure atau Microsoft Fabric	Ya	Pra-pemrosesan data, model pelatihan dengan menggunakan kode atau otomatisasi, meningkatkan model, menyebarkan model pembelajaran mesin, dan mengkonsumsi titik akhir di aplikasi	Komputasi, penyimpanan, dan transfer data
Mengonsumsi model dan layanan AI bawaan	Layanan Azure AI dan/atau Azure OpenAI	Ya	Pilih model AI, mengamankan titik akhir, menggunakan titik akhir di aplikasi, dan menyempurnakan sesuai kebutuhan	Penggunaan titik akhir model yang dikonsumsi, penyimpanan, transfer data, komputasi (jika Anda melatih model kustom)
Mengisolasi aplikasi AI	Azure Container Apps	Ya	Pilih model AI, mengatur aliran data, memotong data, memperkaya potongan, memilih pengindeksan, memahami jenis kueri (teks lengkap, vektor, hibrid), memahami filter dan faset, melakukan reranking, rekayasa cepat, menyebarkan titik akhir, dan menggunakan titik akhir di aplikasi	Komputasi, jumlah token masuk dan keluar, layanan AI yang digunakan, penyimpanan, dan transfer data

Membawa model AI dengan layanan infrastruktur (IaaS)

Untuk penyesuaian dan kontrol yang lebih besar, gunakan solusi IaaS Azure seperti Azure Virtual Machines melalui CycleCloud dan Azure Kubernetes Service. Solusi ini memungkinkan pelatihan dan penyebaran model AI kustom. Lihat halaman harga terkait dan kalkulator Azure.

Tujuan AI	Solusi Microsoft	Data yang diperlukan	Keterampilan yang diperlukan	Faktor biaya utama
Latih dan inferensi model AI Anda sendiri. Bawa model Anda sendiri ke Azure.	Azure Virtual Machines atau Layanan Azure Kubernetes	Ya	Manajemen infrastruktur, TI, penginstalan program, pelatihan model, tolok ukur model, orkestrasi, menyebarkan titik akhir, mengamankan titik akhir, dan menggunakan titik akhir di aplikasi	Komputasi, orkestrator simpul komputasi, disk terkelola (opsional), layanan penyimpanan, Azure Bastion, dan layanan Azure lainnya yang digunakan

Mengembangkan strategi data AI

Strategi data menentukan cara Anda mengumpulkan, mengelola, dan menggunakan data untuk inisiatif AI. Strategi ini memastikan aset data mendukung kasus penggunaan AI Anda sambil menjaga keamanan dan kepatuhan. Anda harus menetapkan kerangka kerja tata kelola, menilai kebutuhan skalabilitas, merancang manajemen siklus hidup, dan menerapkan praktik data yang bertanggung jawab.

1. Menetapkan kerangka kerja tata kelola data untuk beban kerja AI. Tata kelola data menyediakan penggunaan data AI yang aman dan sesuai melalui kontrol akses dan kebijakan penggunaan yang bertanggung jawab. Kerangka kerja tata kelola menentukan persyaratan untuk kasus penggunaan AI yang berbeda dan menetapkan proses manajemen data yang sedang berlangsung. Anda harus menentukan skema klasifikasi data berdasarkan tingkat sensitivitas dan paparan. Gunakan perlindungan keamanan dan kepatuhan data untuk aplikasi AI generatif di Microsoft Purview.

2. Menilai persyaratan skalabilitas untuk kebutuhan data AI. Penilaian skalabilitas memastikan infrastruktur data Anda menangani tuntutan beban kerja AI saat ini dan di masa mendatang tanpa masalah performa atau overrun biaya. Penilaian ini mengidentifikasi persyaratan volume, kecepatan, dan variasi yang memandu pemilihan teknologi. Anda harus mendokumen volume data saat ini, frekuensi pemrosesan, dan jenis data untuk setiap kasus penggunaan AI.

3. Merancang manajemen siklus hidup data untuk aset AI. Manajemen siklus hidup menjaga data tetap dapat diakses, aman, dan hemat biaya dari pengumpulan hingga pembuangan sambil mendukung persyaratan AI. Pendekatan ini membahas strategi pengumpulan, pengoptimalan penyimpanan, dan proses jaminan kualitas. Anda harus merencanakan pengumpulan data sistematis dari database, API, perangkat IoT, dan penyedia pihak ketiga. Merancang strategi penyimpanan dengan tingkat yang sesuai berdasarkan pola akses dan kebutuhan retensi. Buat alur ETL/ELT untuk kualitas data dan gunakan Dasbor AI Yang Bertanggung Jawab untuk mengidentifikasi dan mengurangi bias himpunan data.

4. Menerapkan praktik data yang bertanggung jawab untuk pengembangan AI. Praktik yang bertanggung jawab memastikan sistem AI menggunakan data secara etis dan menjaga kepatuhan terhadap peraturan. Praktik ini memandu pengumpulan data, penggunaan, dan keputusan retensi sepanjang siklus hidup AI. Anda harus menerapkan pelacakan silsilah data menggunakan Microsoft Fabric atau Microsoft Purview untuk transparansi. Menetapkan standar kualitas data, deteksi bias, dan pertimbangan kewajaran dalam himpunan data pelatihan. Tentukan kebijakan retensi dan pembuangan yang menyeimbangkan performa AI dengan persyaratan privasi dan kepatuhan.

Mengembangkan strategi AI yang bertanggung jawab

Strategi AI yang bertanggung jawab memastikan solusi AI tetap dapat dipercaya dan beretika. Strategi ini menetapkan kerangka kerja untuk pengembangan AI etis yang selaras dengan tujuan bisnis. Anda harus menetapkan akuntabilitas, menentukan prinsip, memilih alat, dan menilai kepatuhan untuk membuat strategi AI yang bertanggung jawab.

1. Tetapkan akuntabilitas AI ke tim yang ditunjuk. Struktur akuntabilitas memberikan kepemilikan atas keputusan tata kelola AI dan memastikan manajemen persyaratan peraturan yang responsif. Struktur ini mendefinisikan peran dan otoritas pengambilan keputusan untuk inisiatif AI. Anda harus menetapkan individu atau tim untuk memantau perubahan teknologi AI dan persyaratan peraturan. Buat pusat keunggulan cloud AI untuk mempusatkan tanggung jawab dan menetapkan prosedur eskalasi.

2. Mengadopsi prinsip AI yang bertanggung jawab sebagai tujuan bisnis. Prinsip AI yang bertanggung jawab menyediakan kerangka kerja untuk pengembangan AI etis yang memandu pengambilan keputusan dan selaras dengan standar industri. Prinsip-prinsip ini menjadi tujuan bisnis yang membentuk pemilihan dan pengembangan proyek AI. Anda harus mengadopsi enam prinsip AI Microsoft yang bertanggung jawab, yang selaras dengan NIST AI Risk Management Framework (RMF). Integrasikan prinsip-prinsip ini ke dalam perencanaan proyek, proses pengembangan, dan metrik keberhasilan.

3. Pilih alat AI yang bertanggung jawab untuk portofolio AI Anda. Pemilihan alat memastikan mekanisme yang sesuai untuk prinsip AI etis dan mempertahankan penerapan standar AI yang bertanggung jawab secara konsisten. Pemilihan alat membahas pendekatan integrasi dan proses operasional. Anda harus menilai dan memilih alat dan proses AI bertanggung jawab yang sesuai yang selaras dengan kasus penggunaan AI dan profil risiko Anda. Integrasikan alat-alat ini dalam alur kerja pengembangan untuk memastikan aplikasi yang konsisten.

4. Identifikasi persyaratan kepatuhan untuk peraturan AI. Penilaian kepatuhan melindungi organisasi dari risiko hukum dan memastikan inisiatif AI selaras dengan hukum dan standar industri yang berlaku. Persyaratan kepatuhan bervariasi menurut industri, geografi, dan aplikasi AI. Anda harus mengidentifikasi peraturan AI lokal dan internasional yang relevan yang berlaku untuk operasi dan kasus penggunaan AI Anda. Pantau perubahan peraturan dan perbarui strategi kepatuhan untuk memastikan keselarasan berkelanjutan sepanjang perjalanan adopsi AI Anda.

Contoh strategi AI

Contoh strategi AI ini didasarkan pada perusahaan fiktif, Contoso. Contoso mengoperasikan platform e-niaga yang menghadap pelanggan dan mempekerjakan perwakilan penjualan yang membutuhkan alat untuk memperkirakan data bisnis. Perusahaan juga mengelola pengembangan produk dan inventori untuk produksi. Saluran penjualannya mencakup perusahaan swasta dan lembaga sektor publik yang sangat teregulasi.

Kasus penggunaan AI	Sasaran	Tujuan	Metrik keberhasilan	Pendekatan AI	Solusi Microsoft	Kebutuhan data	Kebutuhan keterampilan	Faktor biaya	Strategi data AI	Strategi AI yang bertanggung jawab
Fitur obrolan aplikasi web e-niaga	Otomatiskan proses bisnis	Meningkatkan kepuasan pelanggan	Peningkatan tingkat retensi pelanggan	PaaS, AI generatif, RAG	Azure AI Foundry	Deskripsi dan pasangan item	PENGEMBANGAN APLIKASI RAG dan cloud	Penggunaan	Menetapkan tata kelola data untuk data pelanggan dan menerapkan kontrol kewajaran AI.	Tetapkan tanggung jawab AI kepada AI CoE dan selaraskan dengan Prinsip AI yang Bertanggung Jawab.
Alur kerja pemrosesan dokumen aplikasi internal	Otomatiskan proses bisnis	Kurangi Biaya	Peningkatan tingkat penyelesaian	AI analitis, pemantapan	Layanan Azure AI - Kecerdasan Dokumen	Dokumen standar	Pengembangan aplikasi	Estimasi penggunaan	Tentukan tata kelola data untuk dokumen internal dan merencanakan kebijakan siklus hidup data.	Tetapkan akuntabilitas AI dan pastikan kepatuhan terhadap kebijakan penanganan data.
Manajemen inventori dan pembelian produk	Otomatiskan proses bisnis	Kurangi Biaya	Umur simpan inventori yang lebih pendek	Pembelajaran mesin, model pelatihan	Azure Machine Learning	Inventaris historis dan data penjualan	Pembelajaran mesin dan pengembangan aplikasi	Estimasi penggunaan	Menetapkan tata kelola untuk data penjualan dan mendeteksi dan mengatasi bias dalam data.	Tetapkan akuntabilitas AI dan patuhi peraturan keuangan.
Pekerjaan harian di seluruh perusahaan	Meningkatkan produktivitas individu	Meningkatkan pengalaman karyawan	Peningkatan kepuasan karyawan	SaaS AI generatif	Microsoft 365 Copilot	Data di OneDrive	IT Umum	Biaya langganan	Menerapkan tata kelola data untuk data karyawan dan memastikan privasi data.	Tetapkan akuntabilitas AI dan gunakan fitur AI bawaan yang bertanggung jawab.
Aplikasi e-niaga untuk fitur obrolan industri yang diatur	Otomatiskan proses bisnis	Meningkatkan penjualan	Peningkatan penjualan	Pelatihan model AI generatif berbasis IaaS	Azure Virtual Machines	Data pelatihan yang spesifik untuk domain	Infrastruktur cloud dan pengembangan aplikasi	Infrastruktur dan perangkat lunak	Tentukan tata kelola untuk data yang diatur dan rencanakan siklus hidup dengan langkah-langkah kepatuhan.	Tetapkan akuntabilitas AI dan patuhi peraturan industri.

Langkah selanjutnya

Paket AI