Planowanie wdrożenia sztucznej inteligencji

Ten artykuł ułatwia utworzenie planu wdrożenia sztucznej inteligencji, który przekształca strategię sztucznej inteligencji organizacji w kroki umożliwiające podejmowanie działań. Plan wdrożenia sztucznej inteligencji stanowi mostek między wizją sztucznej inteligencji a wykonywaniem. Plan zapewnia dopasowanie inicjatyw sztucznej inteligencji i celów biznesowych przy jednoczesnym rozwiązywaniu problemów z lukami w umiejętnościach, wymaganiami dotyczącymi zasobów i osiami czasu implementacji.

Identyfikacja przypadków użycia sztucznej inteligencji

Pierwszym krokiem tworzenia ram strategii sztucznej inteligencji jest identyfikacja przypadków użycia. W tym kroku opisano, w jaki sposób osoby podejmujące decyzje odkrywają, gdzie sztuczna inteligencja może poprawić wyniki biznesowe w całej organizacji. Celem jest w pierwszej kolejności pokazanie najbardziej istotnych możliwości. Lista nie musi być wyczerpująca, chociaż może być. Jego celem jest zapewnienie wszystkim wspólnego poglądu na to, co ma największe znaczenie dla firmy. Przejdź przez to po kolei, aby każdy przypadek użycia można było powiązać z rzeczywistą wartością.

1. Zacznij od problemów biznesowych. Poszukaj miejsca, w którym organizacja potrzebuje lepszych wyników, zanim w ogóle rozważysz sztuczną inteligencję. Najwyraźniejsze sygnały pojawiają się w sposobie, w jaki ludzie pracują, na przykład w postaci powtarzającej się ręcznej pracy lub powolnych procesów zatwierdzania. Sformułuj poszukiwania prostymi słowami, na przykład: „gdzie wyniki nie spełniają oczekiwań” albo „gdzie ludzie poświęcają czas na powtarzalne zadania”. Takie podejście pozwala skupić AI na wartości, a nie na nowości. Kompromis: Szeroka analiza ujawnia wiele możliwości, więc skup się na lukach względem oczekiwanych rezultatów, które są zarówno mierzalne, jak i istotne.

2. Przetłumacz problemy na przypadki użycia. Przekształć każdy problem biznesowy w krótkie stwierdzenie określające działanie i oczekiwany rezultat, na przykład „pomóc pracownikom wsparcia odpowiadać na podstawie dokumentów wewnętrznych, aby skrócić czas rozwiązywania zgłoszeń”. Upewnij się, że dane działanie występuje wystarczająco często, aby uzasadnić inwestycję. Kompromis polega na tym, że wczesne scenariusze są zwykle mało precyzyjne, więc przed przejściem dalej doprecyzuj je do postaci jasnych i praktycznych opisów.

3. Klasyfikuj przypadek użycia. Klasyfikuj każdy przypadek użycia na podstawie sposobu tworzenia wartości. Ta decyzja służy do kierowania późniejszymi opcjami technologicznymi.

   • Praca indywidualna: Te przypadki użycia zwiększają sposób działania poszczególnych osób lub zespołów wewnątrz istniejących narzędzi. Przykłady obejmują pisanie pomocy lub przygotowanie na spotkanie. Są one silnie dostosowane do generacyjnych rozwiązań sztucznej inteligencji, takich jak Microsoft 365 Copilot.

   • Automatyzacja biznesowa: Te przypadki użycia zmieniają sposób działania organizacji lub dostarczają wartość. Przykłady to automatyczne kierowanie klientów lub prognozowanie zapotrzebowania. Często potrzebują integracji z innymi systemami i mogą łączyć więcej niż jeden typ sztucznej inteligencji.

4. Weź pod uwagę wymagany typ sztucznej inteligencji. Ta kwestia nie jest ostateczną decyzją i można ją ponownie przejrzeć, ponieważ scenariusz użycia staje się jaśniejszy. Przybliżone poczucie, ile spójności chcesz uzyskać w wyniku, zawęża wybory technologiczne, które nadejdą dalej. Masz swobodę dostosowywania go później.

   • Generowanie sztucznej inteligencji (niedeterministycznej) generuje dane wyjściowe, które mogą się różnić nawet dla tych samych danych wejściowych, i działa dobrze, gdy dane wejściowe są nieustrukturyzowane, takie jak język naturalny lub dokumenty. Pasuje do przypadków, w których przepływ pracy nie jest stały i gdzie system ma tworzyć zawartość lub pomagać w podjęciu decyzji przez człowieka. Wybierz to podejście, gdy nie znasz z góry dokładnych kroków i pewna zmienność wyników jest dopuszczalna.

   • Niegeneracyjna sztuczna inteligencja (deterministyczna) generuje spójne i powtarzalne dane wyjściowe ze ustrukturyzowanych danych wejściowych. Pasuje do przypadków, w których zdefiniowany jest przepływ pracy, a te same dane wejściowe powinny prowadzić do tego samego wyniku. Wybierz tę opcję w przypadku zadań wymagających dokładności, takich jak przewidywanie lub wykrywanie anomalii.

Zastosuj tę samą sekwencję w każdym obszarze biznesowym. Powtarzalny proces ogranicza chaos, powstrzymuje przed sięganiem po generatywną sztuczną inteligencję tam, gdzie nie jest potrzebna, i przygotowuje do wyboru dalszej ścieżki postępowania.

Ocena umiejętności związanych ze sztuczną inteligencją

Ocena bieżących możliwości zapobiega błędnej alokacji zasobów i zapewnia realistyczne planowanie projektu dostosowane do gotowości organizacji. Projekty sztucznej inteligencji kończą się niepowodzeniem, gdy organizacje próbują zaimplementować implementacje poza ich dojrzałość techniczną lub dostępność danych. Oceń swoje umiejętności, zasoby danych i infrastrukturę, aby ustanowić podstawę pomyślnego wdrożenia sztucznej inteligencji. Oto, jak to zrobić:

1. Zmierz poziom dojrzałości AI z wykorzystaniem ram gotowości umiejętności i danych. Struktura zawiera obiektywne kryteria oceny bieżących możliwości sztucznej inteligencji w organizacji. Ta miara uniemożliwia nadmierne zobowiązywanie się do projektów ponad twoje bieżące możliwości. Użyj poniższej tabeli, aby ocenić swoją dojrzałość:

   Poziom dojrzałości do sztucznej inteligencji	Wymagane umiejętności	Gotowość danych	Możliwe przypadki użycia sztucznej inteligencji
   Poziom 1	▪ Podstawowa wiedza na temat pojęć związanych ze sztuczną inteligencją ▪ Możliwość integrowania źródeł danych i mapowania monitów	▪ Dostępne są prawie żadne dane ▪ Dostępne dane przedsiębiorstwa	▪ Projekty szybkiego startu Azure ▪ Dowolne rozwiązanie Copilot
   Poziom 2	▪ Doświadczenie w wyborze modelu sztucznej inteligencji ▪ Znajomość wdrażania sztucznej inteligencji i zarządzania punktami końcowymi ▪ Doświadczenie w czyszczeniu i przetwarzaniu danych	▪ Dostępne są prawie żadne dane ▪ Mały, ustrukturyzowany zestaw danych ▪ Niewielka ilość dostępnych danych specyficznych dla domeny	▪ Dowolne projekty na poziomie 1 ▪ Niestandardowe obciążenie analityczne sztucznej inteligencji przy użyciu narzędzi Foundry ▪ Niestandardowa aplikacja do czatu sztucznej inteligencji bez pobierania rozszerzonej generacji (RAG) w narzędziu Foundry ▪ Niestandardowa aplikacja Azure Machine Learning z zautomatyzowanym trenowaniem modelu ▪ Dostrajanie modelu generatywnej sztucznej inteligencji
   Poziom 3	▪ Biegłość w zakresie inżynierii monitowej ▪ Biegłość w wyborze modelu sztucznej inteligencji, fragmentowaniu danych i przetwarzaniu zapytań ▪ Biegłość w wstępnym przetwarzaniu, czyszczeniu, dzieleniu i walidacji danych ▪ Przygotowanie danych na potrzeby indeksowania	▪ Duże ilości historycznych danych biznesowych dostępnych na potrzeby uczenia maszynowego ▪ Niewielka ilość dostępnych danych specyficznych dla domeny	▪ Wszystkie projekty poziomu 1–2 ▪ Generowanie aplikacji sztucznej inteligencji za pomocą narzędzia RAG w narzędziu Foundry ▪ Trenowanie i wdrażanie modelu uczenia maszynowego ▪ Trenowanie i uruchamianie małego modelu sztucznej inteligencji na Azure Virtual Machines
   Poziom 4	▪ Zaawansowana wiedza na temat sztucznej inteligencji/uczenia maszynowego, w tym zarządzanie infrastrukturą ▪ Biegłość w obsłudze złożonych przepływów pracy szkolenia modeli sztucznej inteligencji ▪ Doświadczenie w orkiestracji, benchmarkingu modeli i optymalizacji wydajności ▪ Silne umiejętności w zakresie zabezpieczania punktów końcowych sztucznej inteligencji i zarządzania nimi	▪ Duże ilości danych dostępnych do trenowania	▪ Wszystkie projekty poziomu 1–3 ▪ Trenowanie i uruchamianie dużych aplikacji generacyjnych lub niegeneracyjnych sztucznej inteligencji w Virtual Machines, Azure Kubernetes Service lub Azure Container Apps

2. Utwórz spis zasobów danych i oceń ich jakość pod kątem przypadków użycia sztucznej inteligencji. Jakość danych ma bezpośredni wpływ na wydajność modelu sztucznej inteligencji i określa przypadki użycia, które można pomyślnie zaimplementować. Ten spis ujawnia wymagania dotyczące przygotowywania danych i pomaga określić priorytety przypadków użycia na podstawie dostępnych danych. Dokumentowanie źródeł danych, formatów, jakości i ułatwień dostępu w całej organizacji.

3. Przejrzyj infrastrukturę technologiczną i określ wymagania dotyczące gotowości do sztucznej inteligencji. Pojemność infrastruktury ogranicza zakres projektu sztucznej inteligencji i wpływa na strategie wdrażania. Ten przegląd pomaga zaplanować inwestycje w infrastrukturę i wybrać odpowiednie usługi Azure. Ocena zasobów obliczeniowych, pojemności magazynu, przepustowości sieci i mechanizmów kontroli zabezpieczeń wymaganych dla docelowych przypadków użycia sztucznej inteligencji.

Uzyskiwanie umiejętności związanych ze sztuczną inteligencją

Kompleksowa strategia tworzenia możliwości zapewnia, że Twoja organizacja ma umiejętności potrzebne do pomyślnego wdrożenia i utrzymania systemów sztucznej inteligencji. Luki w zakresie umiejętności tworzą opóźnienia projektu i zwiększają ryzyko błędów implementacji. Opracuj wieloaspektowe podejście, które łączy szkolenia, zatrudnianie i partnerstwa w celu tworzenia zrównoważonych możliwości sztucznej inteligencji. Oto, jak to zrobić:

1. Rozwijaj umiejętności związane ze sztuczną inteligencją. Rozwój umiejętności wewnętrznych zapewnia długoterminowy rozwój kompetencji i zachowanie wiedzy w organizacji. Takie podejście zwiększa zaufanie organizacji i zmniejsza zależność od zasobów zewnętrznych. Skorzystaj z platformy centrum szkoleniowego sztucznej inteligencji, aby uzyskać bezpłatne szkolenia, certyfikaty i wskazówki dotyczące produktów. Ustaw cele certyfikacji, takie jak certyfikacja Azure AI Fundamentals.

2. Rekrutuj specjalistów AI. Rekrutacja zewnętrzna zapewnia natychmiastowy dostęp do specjalistycznej wiedzy i przyspiesza harmonogramy projektów. Ta strategia pomaga wypełnić luki, które potrzebowałyby zbyt dużo czasu na rozwój wewnętrzny. Zatrudniaj ekspertów w dziedzinie tworzenia modeli, generowania sztucznej inteligencji lub etyki sztucznej inteligencji. Aktualizowanie opisów miejsc pracy w celu odzwierciedlenia bieżących potrzeb związanych z umiejętnościami i budowania marki pracodawcy, która podkreśla innowacje i kierownictwo techniczne.

3. Skorzystaj z partnerów Microsoft. Microsoft partnerstwa zapewniają dostęp do sprawdzonej wiedzy i najlepszych rozwiązań branżowych przy jednoczesnym zmniejszeniu ryzyka implementacji. Takie podejście przyspiesza uczenie się i zapewnia dopasowanie do technologii sztucznej inteligencji Microsoft. Skorzystaj z marketplace partnerów Microsoft, aby uzyskać dostęp do wiedzy z dziedziny AI, danych i Azure w różnych branżach.

Uzyskiwanie dostępu do zasobów sztucznej inteligencji

Jasne wymagania dostępu i strategie licencjonowania zapobiegają opóźnieniom wdrażania i zapewniają zgodność z zasadami organizacji. Różne rozwiązania sztucznej inteligencji mają różne wzorce dostępu wpływające na koszty, zabezpieczenia i ład. Zapoznaj się z określonymi wymaganiami dotyczącymi dostępu dla każdego rozwiązania sztucznej inteligencji w portfolio, aby efektywnie planować budżety i mechanizmy kontroli zabezpieczeń. Oto, jak to zrobić:

Microsoft rozwiązania sztucznej inteligencji	Jak uzyskać dostęp
Microsoft Copilot	Wymaga licencji Microsoft 365 z dodatkową licencją Copilot. Zobacz Microsoft Copilot.
Microsoft Copilot Studio	Wymaga licencji autonomicznej lub licencji dodatku. Zobacz Microsoft Copilot Studio.
Copiloty w produkcie	Wymaga dostępu do produktu podstawowego. Zobacz GitHub Copilot, Copilot in Power Apps, Copilot in Power BI, Dynamics 365, Power Automate, Copilot in Microsoft Fabric i Azure Copilot.
Kopiloci oparte na rolach	Wymaga określonych wymagań dotyczących dostępu. Zobacz Microsoft Security Copilot, Agent sprzedaży, Agent obsługi, Agent finansowy.
usługi Azure	Wymaga konta Azure. Zawiera Microsoft Foundry.

Określanie priorytetów przypadków użycia sztucznej inteligencji

Priorytetyzacja strategiczna zapewnia skoncentrowanie zasobów na projektach, które zapewniają maksymalną wartość podczas dopasowywania możliwości organizacji. Priorytetyzacja przypadków użycia zmniejsza ryzyko implementacji i skraca czas do wartości. Oceń każdy przypadek użycia pod kątem możliwości, wartości strategicznej i wymagań dotyczących zasobów, aby utworzyć osiągalny plan implementacji. Oto, jak to zrobić:

1. Oceń przypadki użycia w kontekście Twojej bieżącej dojrzałości sztucznej inteligencji i dostępnych zasobów. Realistyczna ocena zapobiega nadmiernemu angażowaniu się w projekty ponad bieżące możliwości i zapewnia pomyślną implementację. Ta ocena pomaga skupić się na osiągalnych celach, które budują rozmach dla przyszłych projektów. Przejrzyj poziom dojrzałości w zakresie sztucznej inteligencji, dostępność danych, infrastrukturę techniczną i możliwości kadrowe dla każdego przypadku użycia.

2. Klasyfikuj przypadki użycia według wartości strategicznej i możliwości wdrożenia. Ranking strategiczny pomaga przydzielić ograniczone zasoby do projektów z najwyższym potencjalnym wpływem i prawdopodobieństwem sukcesu. Takie podejście maksymalizuje zwrot z inwestycji w sztuczną inteligencję przy jednoczesnym budowaniu zaufania organizacji. Ocenianie każdego przypadku użycia na wpływ biznesowy, złożoność techniczną, wymagania dotyczące zasobów i dopasowanie do celów organizacji.

3. Utwórz priorytetowy plan implementacji z jasnymi kryteriami sukcesu. Plan ustrukturyzowany zapewnia jasny kierunek dla zespołów implementacji i umożliwia śledzenie postępu względem zdefiniowanych kamieni milowych. Ten plan pomaga zarządzać oczekiwaniami uczestników projektu i alokacją zasobów. Wybierz przypadki użycia najwyższego priorytetu i zdefiniuj określone metryki powodzenia, osie czasu i wymagania dotyczące zasobów dla każdego projektu.

Tworzenie weryfikacji koncepcji sztucznej inteligencji

Weryfikacja koncepcji pomaga zmniejszyć ryzyko implementacji, sprawdzając możliwości techniczne i wartość biznesową przed rozpoczęciem opracowywania w pełnej skali. Weryfikacje koncepcji pomagają identyfikować potencjalne wyzwania i uściślić wymagania w kontrolowanym środowisku. Twórz ukierunkowane projekty weryfikacji, które testuje podstawowe założenia i zbierają dane na potrzeby świadomego podejmowania decyzji. Oto, jak to zrobić:

1. Wybierz odpowiedni przypadek użycia na potrzeby weryfikacji koncepcji. Odpowiedni wybór weryfikacji koncepcji równoważy możliwości uczenia się z możliwością zarządzania ryzykiem i złożonością. Ten wybór zapewnia zbieranie znaczących szczegółowych informacji bez przeciążenia zespołu lub organizacji. Wybierz projekt o wysokiej wartości z listy z priorytetem zgodnym z poziomem dojrzałości AI. Zacznij od wewnętrznych, niezwiązanych z klientami projektów, aby ograniczyć ryzyko i przetestować swoje podejście.

2. Zaimplementuj ukierunkowany dowód koncepcji przy użyciu wskazówek i narzędzi Microsoft. Implementacja ustrukturyzowana skraca czas programowania i zapewnia stosowanie sprawdzonych rozwiązań dla wybranego podejścia do sztucznej inteligencji. Takie podejście maksymalizuje uczenie się przy jednoczesnym zminimalizowaniu inwestycji w zasoby. Skorzystaj z następujących przewodników implementacji opartych na typie sztucznej inteligencji:

   Typ sztucznej inteligencji	Przewodnik implementacji
   Generatywna sztuczna inteligencja	Azure PaaS: Microsoft Foundry Microsoft Copilots: Copilot Studio i Microsoft 365 Copilot rozszerzalność
   Uczenie maszynowe	Azure Machine Learning
   Analiza sztucznej inteligencji	Narzędzia Foundry z określonymi przewodnikami dotyczącymi Content Safety, Document Intelligence i innych usług

3. Wykorzystaj wyniki PoC, aby doprecyzować priorytetyzację przypadków użycia i strategię implementacji. Analiza PoC ujawnia praktyczne wyzwania oraz szanse, które mają znaczenie dla przyszłego planowania projektów i alokacji zasobów. Ta pętla sprzężenia zwrotnego zapewnia, że plan rozwoju sztucznej inteligencji pozostaje realistyczny i osiągalny. Udokumentowano wnioski, wyzwania techniczne i wartość biznesową. Dostosuj priorytety przypadków użycia na podstawie sprawdzonej wykonalności i zmierzonego wpływu.

4. Użyj wyników weryfikacji koncepcji, aby oszacować osie czasu implementacji dla każdego przypadku użycia. Dane Proof of Concept zapewniają realistyczne podstawowe oszacowania uwzględniające konkretne możliwości i ograniczenia organizacji. Takie podejście daje bardziej precyzyjne harmonogramy niż teoretyczne szacunki. Czas programowania dokumentu, cykle testowania i złożoność wdrażania zaobserwowana podczas implementacji weryfikacji koncepcji.

5. Uwzględnij czynniki dojrzałości i złożoności organizacji w planowaniu osi czasu. Różne rozwiązania sztucznej inteligencji mają charakterystyczne osie czasu implementacji, które różnią się w zależności od gotowości organizacji i zakresu projektu. To zrozumienie pomaga określić odpowiednie oczekiwania z uczestnikami projektu. Microsoft Copilots zazwyczaj zapewniają najkrótsze terminy zwrotu z inwestycji (dni do tygodni), podczas gdy niestandardowe obciążenia Azure sztucznej inteligencji i uczenia maszynowego wymagają od kilku tygodni do miesięcy osiągnięcia gotowości produkcyjnej.

6. Tworzenie czasu buforu na potrzeby nauki, iteracji i nieoczekiwanych wyzwań. Projekty sztucznej inteligencji często napotykają nieprzewidziane wyzwania techniczne i wymagają wielu iteracji w celu osiągnięcia pożądanych wyników. Czas buforu zapobiega presji harmonogramu, która mogłaby zagrozić jakości lub względom etycznym. Dodaj 20–30% czas awaryjny do początkowych oszacowań i zaplanuj wiele cykli rozwojowych.

Implementowanie odpowiedzialnej sztucznej inteligencji

Praktyki odpowiedzialnego używania sztucznej inteligencji chronią organizację przed ryzykiem etycznym, prawnym i reputacji przy jednoczesnym zapewnieniu zgodności systemów sztucznej inteligencji z wartościami organizacyjnymi. Wczesna integracja zasad odpowiedzialnej sztucznej inteligencji uniemożliwia kosztowne przeprojektowanie i budowanie zaufania uczestników projektu. Od początku osadź zagadnienia etyczne, struktury ładu i środki zabezpieczeń w planie implementacji. Oto, jak to zrobić:

1. Użyj narzędzi do planowania odpowiedzialnej sztucznej inteligencji, aby ocenić potencjalne skutki i zaprojektować systemy etyczne. Systematyczne narzędzia do oceny pomagają identyfikować potencjalne zagrożenia i zapewnić, że systemy sztucznej inteligencji spełniają standardy etyczne i wymagania prawne. Te narzędzia zapewniają ustrukturyzowane podejścia do złożonych zagadnień etycznych. Skorzystaj z narzędzi i praktyk Microsoft Responsible AI, takich jak Human-AI eXperience Toolkit i Responsible AI Maturity Model, aby kierować procesem planowania.

2. Zaimplementuj struktury ładu sztucznej inteligencji, aby kierować decyzjami projektowymi i monitorować zachowanie systemu. Struktury ładu zapewniają spójne kryteria podejmowania decyzji i zapewniają odpowiedzialność w projektach sztucznej inteligencji. Te struktury ułatwiają organizacjom utrzymanie kontroli nad opracowywaniem i wdrażaniem sztucznej inteligencji. Ustanów zasady obejmujące role, obowiązki, wymagania dotyczące zgodności i standardy etyczne. Aby uzyskać szczegółowe wskazówki dotyczące implementacji ładu, zobacz Zarządzanie sztuczną inteligencją.

3. Stosowanie najlepszych rozwiązań dotyczących zabezpieczeń i operacji sztucznej inteligencji w całym cyklu życia implementacji. Bezpieczeństwo i doskonałość operacyjna zapewniają, że systemy sztucznej inteligencji pozostają niezawodne, bezpieczne i ekonomiczne w całym cyklu życia. Te rozwiązania uniemożliwiają zdarzenia zabezpieczeń i błędy operacyjne. Zaimplementuj struktury operacji sztucznej inteligencji, takie jak GenAIOps lub MLOps, na potrzeby śledzenia wdrożenia i monitorowania wydajności. Aby uzyskać szczegółowe wskazówki dotyczące implementacji, zobacz Manage AI and Secure AI (Zarządzanie sztuczną inteligencją i zabezpieczanie sztucznej inteligencji ).

Następne kroki

Ukończ planowanie wdrażania sztucznej inteligencji, ustanawiając podstawy techniczne do wdrożenia. W przypadku niestandardowych obciążeń sztucznej inteligencji w Azure, przejdź do AI Ready, aby skonfigurować swoje środowisko techniczne. Aby przyjąć Microsoft Copilot, przejdź do etapu Zarządzania sztuczną inteligencją, aby ustanowić nadzór organizacyjny.

AI Ready (tylko Azure)

Govern AI (Copilots i Azure)