この記事では、AI 導入のために組織を準備するプロセスについて説明します。 適切な AI ソリューションを選択し、データを準備し、責任ある AI 原則でアプローチを根拠にする方法について説明します。 適切に計画された AI 戦略は、ビジネス目標に合致し、AI プロジェクトが全体的な成功に貢献することを保証します。
AI のユース ケースを特定する
AI は、個々の効率を向上させ、ビジネス プロセスを強化します。 生成 AI は生産性を向上させ、カスタマー エクスペリエンスを向上させます。 機械学習などの非変性 AI は、構造化データを分析し、反復的なタスクを自動化します。 この理解を使用して、AI が価値を追加するビジネス全体の領域を特定します。
自動化の機会を特定する。 自動化に適したプロセスに焦点を当てて、効率を向上させ、運用コストを削減します。 反復タスク、データ負荷の高い操作、または AI が大きな影響を与える可能性があるエラー率の高い領域をターゲットにします。
お客様からのフィードバックを収集します。 AI を使用して自動化された場合に顧客満足度を向上させるユース ケースを明らかにするために、お客様のフィードバックを使用します。 このフィードバックは、影響を受ける AI イニシアチブに優先順位を付けるのに役立ちます。
内部評価を実施します。 さまざまな部門からの入力を収集して、AI が対処できる課題と非効率性を特定します。 ワークフローを文書化し、利害関係者の入力を収集して、自動化、分析情報の生成、または改善された意思決定の機会を明らかにします。
業界のユース ケースを調査します。 類似の組織や業界が AI を使用して問題を解決したり、運用を強化したりする方法を調査します。 Azure アーキテクチャ センターの AI アーキテクチャ などのツールを使用して、インスピレーションを得て、適切なアプローチを評価します。
AI ターゲットを定義します。 特定されたユース ケースごとに、目標 (汎用)、目標 (望ましい結果)、成功メトリック (定量化可能なメジャー) を定義します。 これらのベンチマークは、AI の導入をガイドし、成功を測定します。 詳細については、「AI 戦略例」を参照してください。
AI テクノロジ戦略を定義する
テクノロジ戦略は、組織の機能、データ資産、予算要件に適したアプローチを決定します。 この戦略は、複数の AI システムが複雑なタスクで共同作業できるようにするエージェントベースのアーキテクチャに組織を準備します。 ニーズに最も適したアプローチを選択するには、3 つのサービス モデル間でテクノロジ オプションを評価する必要があります。
AI エージェントについて理解します。 AI エージェントは、AI モデルを使用して、一定の人間の監視なしでタスクを完了する自律システムです。 これらのシステムは、従来の自動化から、変化する条件に適応するインテリジェントな意思決定への移行を表します。 複雑なワークフローとマルチシステムコラボレーションをサポートするために、エージェント統合を計画する必要があります。 エージェントとは何かを確認して、エージェントの機能を理解し、エージェントベースのソリューションのために組織を準備します。
AI 相互運用性のための標準的なメカニズムを採用する。 標準プロトコルを使用すると、AI システムはさまざまなプラットフォーム間で通信し、カスタム実装を減らすことができます。 これらのプロトコルは、データ共有とシステム統合をサポートすると同時に、将来のテクノロジの変更に対する柔軟性を維持します。 AI システムが相互運用性の要件を確実にサポートするために、システム間データ インジェストのモデル コンテキスト プロトコルなどのプロトコルを理解する必要があります。 NLWeb などのツールを評価して、AI Web 用のコンテンツを準備します。 たとえば、「 Microsoft Copilot Studio のモデル コンテキスト プロトコル 」と「 MCP サーバーとしての REST API の公開」を参照してください。
適切な AI サービス モデルを選択します。 Microsoft では、さまざまなレベルのカスタマイズと 共同責任を持つ 3 つのサービス モデルを提供しています。サービスとしてのソフトウェア (SaaS)、サービスとしてのプラットフォーム (PaaS)、サービスとしてのインフラストラクチャ (IaaS) です。 各モデルには異なる技術的スキルが必要であり、AI 実装に対してさまざまな程度の制御が提供されます。 チームの機能、データ要件、カスタマイズのニーズを適切なサービス モデルと一致させる必要があります。 以下の AI デシジョン ツリーを使用して、選択プロセスをガイドします。
ソフトウェア サービス (SaaS) で AI を購入する
Microsoft は、最小限の技術的専門知識で生産性を向上させるために、Copilots と呼ばれる SaaS 生成 AI ソリューションを提供しています。 詳細については、次の表を参照してください。
| Microsoft Copilots | 説明 | ユーザー | 必要なデータ | 必要なスキル | 主なコスト要因 |
|---|---|---|---|---|---|
| Microsoft 365 Copilot | Microsoft 365 Copilot は、Microsoft 365 アプリ用の Web ベース (インターネット) および仕事ベース (Microsoft Graph) チャットとアプリ内 AI を提供します。 | ビジネス | はい。 機密ラベルを使用してデータ を分類し、Microsoft Graph でデータを安全に操作します。 | 一般的な IT とデータ管理 | ライセンス |
| ロールベースの Copilot | セキュリティ、営業、サービス、および財務における特定のロールの効率を高めるエージェント。 | ビジネス | はい。 データ接続とプラグインのオプションを使用できます。 | 一般的な IT とデータ管理 | ライセンスまたは セキュリティ コンピューティング ユニット (Copilot for Security) |
| 製品内蔵の Copilot | GitHub、Power Apps、Power BI、Dynamics 365、Power Automate、Microsoft Fabric、Azure などの製品内の AI。 | 企業と個人 | はい。 ほとんどの場合、最小限のデータ準備が必要です。 | なし | 無料またはサブスクリプション |
| Microsoft Copilot または Microsoft Copilot Pro | Microsoft Copilot は、無料の Web ベースのチャット アプリケーションです。 Copilot Pro は、特定の Microsoft 365 アプリで、より優れたパフォーマンス、容量、および Copilot へのアクセスを提供します。 | 個人 | いいえ | なし | Microsoft Copilot は無料です。 Microsoft Copilot Pro にはサブスクリプションが必要です |
| Microsoft 365 Copilot 用の機能拡張ツール | カスタマイズ 宣言型エージェントを介して、より多くのデータまたは機能を備えた Microsoft 365 Copilot。 Copilot Studio、エージェント ビルダー、Teams ツールキット、SharePoint などのツールを使用します。 | 企業と個人 | Microsoft Graph コネクタを使用してデータを追加します。 | データ管理、一般的な IT、または開発者のスキル | Microsoft 365 Copilot ライセンス |
| Copilot Studio | Copilot Studio を使用して、SaaS オーサリング環境でエージェントをビルド、テスト、デプロイします。 | Developer | データ作業の多くを自動化して、カスタムの副操縦を作成します。 | データ ソースを接続し、プロンプトをマップし、副操縦をデプロイするためのプラットフォーム | ライセンス |
Azure プラットフォーム (PaaS) を使用して AI ワークロードを構築する
Azure には、AI の目標、スキル セット、データのニーズに合わせて調整された複数の PaaS オプションが用意されています。 これらのプラットフォームは、さまざまなレベルの技術的専門知識に対応します。 各 Azure サービスの 価格ページ を確認し、 Azure 料金計算ツール を使用してコスト見積もりを開発します。
| AI の目標 | Microsoft のソリューション | 必要なデータ | 必要なスキル | 主なコスト要因 |
|---|---|---|---|---|
| ビルド エージェント | Azure AI Foundry Agent Service | はい | 環境のセットアップ、モデルの選択、 ツール、データ ストレージの接地、データの分離、 エージェントのトリガー、 エージェントの接続、 コンテンツ のフィルター処理、 プライベート ネットワーク、 エージェントの監視、 サービスの監視 | モデル トークン、ストレージ、機能、コンピュート、グラウンディング接続の使用 |
| RAG アプリケーションをビルドする | Azure AI Foundry | はい | モデルの選択、データフローの調整、データのチャンク化、チャンクの強化、インデックス作成の選択、クエリの種類 (フルテキスト、ベクター、ハイブリッド)、フィルターとファセットの理解、再ランク付けの実行、エンジニアリングのプロンプト、エンドポイントのデプロイ、アプリでのエンドポイントの使用 | コンピューティング、インとアウトのトークンの数、使用された AI サービス、ストレージ、およびデータ転送 |
| GenAI モデルを微調整する | Azure AI Foundry | はい | データの前処理、データのトレーニング データと検証データへの分割、モデルの検証、その他のパラメーターの構成、モデルの改善、モデルのデプロイ、アプリでのエンドポイントの使用 | コンピューティング、インとアウトのトークンの数、使用された AI サービス、ストレージ、およびデータ転送 |
| モデルを訓練し、推論する | Azure Machine Learning または Microsoft Fabric |
はい | データの前処理、コードまたは自動化によるモデルのトレーニング、モデルの改善、機械学習モデルのデプロイ、アプリでのエンドポイントの使用 | コンピューティング、ストレージ、データ転送 |
| 事前構築済みの AI モデルとサービスを使用する | Azure AI サービス および/または Azure OpenAI |
はい | AI モデルの選択、エンドポイントのセキュリティ保護、アプリでのエンドポイントの使用、必要に応じて微調整 | モデル エンドポイントの使用量、ストレージ、データ転送、コンピューティング (カスタム モデルをトレーニングする場合) |
| AI アプリを分離する | Azure Container Apps | はい | AI モデルの選択、データフローの調整、データのチャンク化、チャンクの強化、インデックス作成の選択、クエリの種類 (フルテキスト、ベクター、ハイブリッド)、フィルターとファセットの理解、再ランク付けの実行、エンジニアリングのプロンプト、エンドポイントのデプロイ、アプリでのエンドポイントの使用 | コンピューティング、インとアウトのトークンの数、使用された AI サービス、ストレージ、およびデータ転送 |
インフラストラクチャ サービスを使用して AI モデルを取り込む (IaaS)
カスタマイズと制御を強化するために、CycleCloud を介して Azure Virtual Machines を したり、Azure Kubernetes Service をするなど、Azure の IaaS ソリューションを使用します。 これらのソリューションにより、カスタム AI モデルのトレーニングとデプロイが可能になります。 関連する価格ページと Azure 料金計算ツールをご覧ください。
| AI の目標 | Microsoft のソリューション | 必要なデータ | 必要なスキル | 主なコスト要因 |
|---|---|---|---|---|
| 貴社独自の AI モデルをトレーニングして推論します。 独自のモデルを Azure に持ち込む。 | Azure Virtual Machines または Azure Kubernetes Service |
はい | インフラストラクチャ管理、IT、プログラムのインストール、モデル トレーニング、モデル ベンチマーク、オーケストレーション、エンドポイントの展開、エンドポイントのセキュリティ保護、アプリでのエンドポイントの使用 | コンピューティング、コンピューティング ノード オーケストレーター、マネージド ディスク (省略可能)、ストレージ サービス、Azure Bastion、使用されるその他の Azure サービス |
AI データ戦略を策定する
データ戦略では、AI イニシアチブのためにデータを収集、管理、使用する方法を定義します。 この戦略により、セキュリティとコンプライアンスを維持しながら、データ資産が AI ユース ケースをサポートできるようになります。 ガバナンス フレームワークを確立し、スケーラビリティのニーズを評価し、ライフサイクル管理を設計し、責任あるデータ プラクティスを実装する必要があります。
AI ワークロードのデータ ガバナンス フレームワークを確立します。 データ ガバナンスは、アクセス制御と責任ある使用ポリシーを通じて、セキュリティで保護された準拠した AI データの使用を提供します。 ガバナンス フレームワークは、さまざまな AI ユース ケースの要件を定義し、継続的なデータ管理プロセスを確立します。 機密レベルと露出レベルに基づいてデータ分類スキームを定義する必要があります。 Microsoft Purview の生成 AI アプリには、データ セキュリティとコンプライアンス保護を使用します。
AI データニーズのスケーラビリティ要件を評価します。 スケーラビリティ評価により、データ インフラストラクチャは、パフォーマンスの問題やコストオーバーランなしで、現在および将来の AI ワークロードの需要を確実に処理できます。 この評価では、テクノロジの選択をガイドするボリューム、速度、および多様な要件を特定します。 AI ユース ケースごとに、現在のデータ ボリューム、処理頻度、およびデータ型を文書化する必要があります。
AI 資産のデータ ライフサイクル管理を設計する。 ライフサイクル管理では、AI 要件をサポートしながら、収集から破棄まで、データにアクセスでき、セキュリティで保護され、コスト効率が高い状態を維持します。 このアプローチでは、収集戦略、ストレージの最適化、品質保証プロセスに対処します。 データベース、API、IoT デバイス、およびサードパーティ プロバイダーからの体系的なデータ収集を計画する必要があります。 アクセス パターンとリテンション期間のニーズに基づいて、適切なレベルでストレージ戦略を設計します。 データ品質のための ETL/ELT パイプラインを確立し、 責任ある AI ダッシュボード を使用してデータセットの偏りを特定して軽減します。
AI 開発のための責任あるデータ プラクティスを実装します。 責任あるプラクティスにより、AI システムはデータを倫理的に使用し、規制コンプライアンスを維持します。 これらのプラクティスは、AI ライフサイクル全体を通じてデータの収集、使用状況、保持に関する決定を導きます。 透明性を確保するには、 Microsoft Fabric または Microsoft Purview を使用してデータ系列の追跡を実装する必要があります。 トレーニング データセットのデータ品質標準、バイアス検出、公平性に関する考慮事項を確立します。 AI のパフォーマンスとプライバシーとコンプライアンスの要件のバランスを取る保持ポリシーと破棄ポリシーを定義します。
責任ある AI 戦略を策定する
責任ある AI 戦略により、AI ソリューションは信頼でき、倫理的な状態を維持できます。 この戦略は、ビジネス目標に合った倫理的な AI 開発のフレームワークを確立します。 責任ある AI 戦略を作成するには、アカウンタビリティを確立し、原則を定義し、ツールを選択し、コンプライアンスを評価する必要があります。
指定されたチームに AI アカウンタビリティを割り当てます。 アカウンタビリティ構造は、AI ガバナンスの決定の所有権を提供し、規制要件の応答性の高い管理を保証します。 これらの構造は、AI イニシアチブの役割と意思決定機関を定義します。 AI テクノロジの変更と規制要件を監視するには、個人またはチームを割り当てる必要があります。 AI クラウドのセンター オブ エクセレンスを作成 して、責任を一元化し、エスカレーション手順を確立します。
責任ある AI 原則をビジネス目標として採用する。 責任ある AI の原則は、意思決定をガイドし、業界標準に準拠する倫理的 AI 開発のフレームワークを提供します。 これらの原則は、AI プロジェクトの選択と開発を形成するビジネス目標になります。 NIST AI リスク管理フレームワーク (RMF) と一致する、Microsoft の 6 つの責任ある AI 原則を採用する必要があります。 これらの原則をプロジェクト計画、開発プロセス、成功メトリックに統合します。
AI ポートフォリオの責任ある AI ツールを選択します。 ツールの選択により、倫理的な AI 原則に対する適切なメカニズムが保証され、責任ある AI 標準の一貫した適用が維持されます。 ツールの選択は、統合アプローチと運用プロセスに対応します。 AI のユース ケースとリスク プロファイルに合わせて適切な責任ある AI ツールとプロセス を評価して選択する必要があります。 これらのツールを開発ワークフロー内に統合して、一貫性のあるアプリケーションを確保します。
AI 規制のコンプライアンス要件を特定します。 コンプライアンス評価は、法的リスクから組織を保護し、AI イニシアチブが適用される法律や業界標準と一致することを保証します。 コンプライアンス要件は、業界、地域、AI アプリケーションによって異なります。 運用と AI のユース ケースに適用される、関連するローカルおよび国際的な AI 規制を特定する必要があります。 規制の変更を監視し、コンプライアンス戦略を更新して、AI 導入の取り組みを通じて継続的な連携を確保します。
AI 戦略例
この AI 戦略例は、架空の会社 Contoso に基づいています。 Contoso は、お客様向けの e コマース プラットフォームを運用し、ビジネス データを予測するためのツールを必要とする営業担当者を雇用しています。 また、生産用の製品開発と在庫の管理も行っています。 その販売チャネルには、民間企業や規制の厳しい公的機関の両方が含まれています。
| AI のユース ケース | 目標 | 目標 | 成功のメトリック | AI アプローチ | Microsoft のソリューション | データのニーズ | スキルのニーズ | コスト要因 | AI データ戦略 | 責任ある AI 戦略 |
|---|---|---|---|---|---|---|---|---|---|---|
| eコマース Web アプリケーション チャット機能 | ビジネスプロセスを自動化する | 顧客満足度の向上 | 顧客リテンション率の上昇 | PaaS、生成的 AI、RAG | Azure AI Foundry | 項目の説明とペアリング | RAG とクラウド アプリの開発 | 使用方法 | 顧客データのデータ ガバナンスを確立し、AI の公平性制御を実装します。 | AI CoE に AI アカウンタビリティを割り当て、責任ある AI の原則に合わせます。 |
| 内部アプリのドキュメント処理ワークフロー | ビジネスプロセスを自動化する | コストの削減 | 完了率の増加 | 分析人工知能、微調整 | Azure AI サービス - Document Intelligence | 標準ドキュメント | アプリ開発 | 概算使用量 | 内部ドキュメントのデータ ガバナンスを定義し、データ ライフサイクル ポリシーを計画します。 | AI アカウンタビリティを割り当て、データ処理ポリシーに確実に準拠します。 |
| 在庫管理と製品購入 | ビジネスプロセスを自動化する | コストの削減 | 在庫の保管期間の短縮 | 機械学習、トレーニング モデル | Azure Machine Learning | 履歴在庫と売上データ | 機械学習とアプリ開発 | 概算使用量 | 売上データのガバナンスを確立し、データの偏りを検出して対処します。 | AI アカウンタビリティを割り当て、金融規制に準拠します。 |
| 会社全体の毎日の作業 | 個々の生産性を向上させる | 従業員エクスペリエンスの向上 | 従業員の満足度の向上 | SaaS 生成 AI | Microsoft 365 Copilot | OneDrive データ | 一般的な IT | サブスクリプション コスト | 従業員データのデータ ガバナンスを実装し、データのプライバシーを確保します。 | AI アカウンタビリティを割り当て、組み込みの責任ある AI 機能を利用します。 |
| 規制業界向け E コマース アプリのチャット機能 | ビジネスプロセスを自動化する | 営業の拡大 | 売上の増加 | IaaS における生成型AIモデルのトレーニング | Azure 仮想マシン | ドメイン固有のトレーニング データ | クラウド インフラストラクチャとアプリ開発 | インフラストラクチャとソフトウェア | 規制対象データのガバナンスを定義し、コンプライアンス対策を使用してライフサイクルを計画します。 | AI アカウンタビリティを割り当て、業界の規制に準拠します。 |