หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
ออกแบบความสามารถใหม่โดยใช้เอเจนต์เป็นองค์ประกอบหลัก ไม่ใช่การดัดแปลงจากเวิร์กโฟลว์ที่มีอยู่เดิม ความสามารถเหล่านี้ไม่สามารถทําได้ก่อน AI พวกเขาปรับปรุงเมื่อเวลาผ่านไปผ่านคําติชม การเรียนรู้ และการปรับให้เหมาะสมอย่างต่อเนื่อง
ในรูปแบบนี้ เอเจนต์จะทำงานเป็นวงจรการรับรู้-ตัดสินใจ-ลงมือทำ โดยคอยตรวจสอบสัญญาณอย่างต่อเนื่อง ตัดสินใจได้อย่างอัตโนมัติภายในขอบเขตที่กำหนด ดำเนินการ และเรียนรู้จากผลลัพธ์ ระบบเหล่านี้ไม่ใช่ผู้ช่วย พวกเขาเป็นระบบอัจฉริยะที่สร้างมูลค่าทางธุรกิจใหม่
Note
รูปแบบนี้แตกต่างจากรูปแบบอื่นอีกห้ารูปแบบโดยเนื้อแท้ ไม่ใช่แค่ในระดับเท่านั้น ไม่มีกระบวนการเดิมให้เปรียบเทียบ ไม่มีจุดอ้างอิงสำหรับการปรับปรุง และไม่มีเวิร์กโฟลว์เดิมเพื่อชี้นำการออกแบบ คุณต้องสร้างทุกอย่าง รวมถึงวิธีการที่คุณวัดความสําเร็จ
รูปแบบนี้คืออะไร
ความสามารถทางธุรกิจขั้นแรกของ AI เริ่มต้นจากคําถามที่รูปแบบอื่น ๆ ไม่เคยถาม: เราสามารถทําอะไรได้บ้างที่เราไม่เคยทํามาก่อน? คำตอบไม่ใช่แค่การทำงานแบบเดิมให้เร็วขึ้นเท่านั้น ซึ่งเป็นความสามารถใหม่ ซึ่งมักจะเป็นรอบอัตโนมัติที่เข้าใจสถานการณ์ ตัดสินใจ และดําเนินการ และปรับปรุงตัวเองเมื่อเวลาผ่านไป เอเจนต์เป็นองค์ประกอบพื้นฐานของขีดความสามารถ ไม่ใช่ส่วนเสริมที่นำไปพ่วงเข้ากับเวิร์กโฟลว์ที่มีอยู่เดิม
รูปแบบนี้เป็นการแสดงออกที่ลึกซึ้งที่สุดของด้าน การลงมือทำ ในการเปลี่ยนผ่านจากการช่วยเหลือไปสู่การลงมือทำ เนื่องจากไม่เคยมีแบบอย่างมาก่อน คุณจึงต้องคิดค้นการออกแบบ กรอบกำกับ และมาตรการขึ้นมาเอง
ตัวแทนทําอะไร
เอเจนต์ในรูปแบบนี้ก้าวข้ามการทำงานตามเวิร์กโฟลว์ที่กำหนดไว้ ไปสู่การทำงานได้อย่างอิสระ:
- กลไกจัดการการปรับให้เหมาะสมแบบต่อเนื่อง: ราคา สินค้าคงคลัง การจัดกําหนดการ
- รอบการตัดสินใจของ AI-เนทีฟ: การตรวจจับการฉ้อโกง การตอบสนองสิ่งผิดปกติ การปรับเส้นทาง
- แพลตฟอร์มความรู้สึกของตลาด: การตรวจสอบการแข่งขันการวิเคราะห์แนวโน้มการระบุโอกาส
- ระบบการวางแผนเชิงทํานาย: การคาดการณ์ความต้องการ การวางแผนความจุ การสร้างแบบจําลองความเสี่ยง
- การสร้างเวิร์กโฟลว์อัตโนมัติ: ตัวแทนที่ออกแบบและปรับกระบวนการของตนเองให้เหมาะสม
- การเรียงลําดับแบบหลายตัวแทน: ทีมประสานงานของตัวแทนเฉพาะที่แก้ปัญหาที่ซับซ้อน
ความสามารถเหล่านี้สร้างค่าที่ไม่สามารถอยู่ได้หากไม่มี AI ซึ่งไม่ใช่เวอร์ชันที่รวดเร็วกว่าของกระบวนการที่มีอยู่ ใหม่จริง ๆ
มนุษย์ทําอะไร
มนุษย์ทําหน้าที่เป็นเจ้าของผลิตภัณฑ์ พวกเขากําหนดวัตถุประสงค์ กําหนดขอบเขต ตรวจสอบผลลัพธ์ และทําการตัดสินใจเชิงกลยุทธ์เกี่ยวกับการพัฒนาความสามารถ พวกเขาไม่ทำงาน แต่พวกเขาเป็นผู้ควบคุมระบบที่ทำเช่นนั้น
การแปลงบทบาทนี้มีความสําคัญมากที่สุดของรูปแบบใด ๆ มนุษย์ที่มีความรับผิดชอบรับผิดชอบต่อผลลัพธ์แม้ว่าพวกเขาจะไม่ได้ทํางานด้วยตนเอง พวกเขา:
- กําหนดเกณฑ์ความสําเร็จและเมตริกผลลัพธ์สําหรับระบบอัตโนมัติ
- กำหนดขอบเขตที่เอเจนต์สามารถดำเนินการได้ (และปรับขอบเขตนั้นเมื่อความไว้วางใจเพิ่มขึ้น)
- ตรวจสอบลูปการเรียนรู้เพื่อให้แน่ใจว่าความสามารถได้รับการปรับปรุงในทิศทางที่ถูกต้อง
- ทําการตัดสินใจเชิงกลยุทธ์เกี่ยวกับเวลาที่จะขยายอิสระของตัวแทน
- กํากับดูแลแนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบ เนื่องจากความสามารถมีความซับซ้อนมากขึ้น
วิธีการทํางานของแบบจําลองการทํางาน
การนำรูปแบบนี้ไปปรับใช้อย่างประสบความสำเร็จจำเป็นต้องปรับเปลี่ยนในสี่มิติ:
| มิติ | ก่อน | หลัง |
|---|---|---|
| บุคคล | ผู้ปฏิบัติงานที่กำลังดำเนินงาน | ความสามารถด้านการควบคุมของเจ้าของผลิตภัณฑ์ |
| เจ้าหน้าที่ | การดําเนินการขั้นตอนที่กําหนดไว้ล่วงหน้า | วงจรอัตโนมัติแบบรับรู้-ตัดสินใจ-ลงมือปฏิบัติ |
| การกํากับดูแล |
การตรวจสอบการปฏิบัติตามกฎระเบียบ | ตัวควบคุมแบบฝังตัวที่มีวงจรชีวิตที่มีการตรวจสอบอย่างต่อเนื่อง |
| วัด | ปริมาณงานและประสิทธิภาพ | ทางเลือกเชิงกลยุทธ์ + อัตราการเรียนรู้ + ความเร็วในการปรับตัว |
โปรไฟล์การครบกำหนดเป้าหมาย
รูปแบบนี้ต้องการระดับความพร้อมสูงสุดในปัจจัยขับเคลื่อนด้านความสามารถทั้งห้าประการ ไม่มีทางลัด
โปรไฟล์วุฒิภาวะ
| โปรแกรมควบคุมความสามารถ | ระดับเป้าหมาย | ทําไม |
|---|---|---|
| เทคโนโลยีและข้อมูล | 500 (มีประสิทธิภาพ) | ผู้พลิกเกม। การประสานงานแบบหลายตัวแทน การวัดและส่งข้อมูลทางไกลแบบเรียลไทม์ และโครงสร้างพื้นฐานการเรียนรู้ |
| กลยุทธ์และประสบการณ์ AI | 500 (มีประสิทธิภาพ) | ขีดความสามารถคือกลยุทธ์ที่ขับเคลื่อนด้วยการปรับปรุงแบบวนซ้ำอย่างต่อเนื่อง |
| กลยุทธ์ทางธุรกิจ | 500 (มีประสิทธิภาพ) | ความสามารถทางธุรกิจใหม่ด้วยกระบวนการปรับตัวและอิสระ |
| การกำกับดูแลและการรักษาความปลอดภัย | 500 (มีประสิทธิภาพ) | การจัดการความเสี่ยงเชิงทํานายและการปฏิบัติตามกฎระเบียบอย่างต่อเนื่องสําหรับระบบอัตโนมัติ |
| องค์กรและวัฒนธรรม | 500 (มีประสิทธิภาพ) | ชุมชนที่ยั่งยืนด้วยตนเองและวัฒนธรรมการเรียนรู้ที่สามารถประดิษฐ์และดําเนินการใหม่ |
ข้อมูลเชิงลึกสำคัญ: รูปแบบนี้ต้องการระดับวุฒิภาวะสูงสุดในทุกขีดความสามารถ ไม่มีกระบวนการเดิมให้ใช้เปรียบเทียบ ไม่มีค่าพื้นฐานสำหรับใช้วัดผลการปรับปรุง และไม่มีเวิร์กโฟลว์เดิมเพื่อใช้เป็นแนวทางในการออกแบบ ทุกอย่างจะต้องถูกสร้างขึ้น รวมถึงวิธีการที่คุณวัดความสําเร็จ
ตัวเร่งการขยายขนาด: เทคโนโลยีและข้อมูล โดยเฉพาะการประสานการทำงานของหลายเอเจนต์ เทเลเมทรีแบบเรียลไทม์ และโครงสร้างพื้นฐานสำหรับการเรียนรู้ หากไม่มีรากฐานทางเทคนิคที่แข็งแกร่ง ความสามารถในการทำงานอัตโนมัติก็จะกลายเป็นสิ่งที่คาดการณ์ไม่ได้และไม่สามารถควบคุมได้
โครงสร้างศูนย์ความเป็นเลิศที่แนะนำ: แบบสหพันธรัฐ
ความสามารถของ AI-first จะเป็นเจ้าของเป็นผลิตภัณฑ์ ขยายหลายโดเมน และจําเป็นต้องมีทีมผลิตภัณฑ์แบบกระจายที่ดําเนินการภายในมาตรฐานที่ใช้ร่วมกัน CoE มีรูปแบบสถาปัตยกรรม เฟรมเวิร์ก AI ที่รับผิดชอบ และมาตรฐานการประสานงาน ซึ่งไม่ได้ส่งจากส่วนกลาง
Tip
บทบาทที่ชี้เป็นชี้ตายสำหรับรูปแบบนี้คือเจ้าของผลิตภัณฑ์ของเอเจนต์ นี่คือผลิตภัณฑ์ ไม่ใช่โครงการ จําเป็นต้องมีวินัยการจัดการผลิตภัณฑ์: โรดแมป, งานตกค้าง, คําจํากัดความของความสําเร็จและทีมมุ่งมั่นที่จะวิวัฒนาการในระยะยาว หากไม่มีบทบาทนี้ ขีดความสามารถนี้จะถูกสร้างขึ้นเพียงครั้งเดียว และจะไม่ได้รับการปรับปรุงอีกเลย
เรียนรู้เพิ่มเติมเกี่ยวกับโครงสร้าง บทบาท และการกํากับดูแลตามระดับความเสี่ยงใน สร้างศูนย์ความเป็นเลิศเชิงตัวแทน
สิ่งที่ต้องการและไม่ต้องการ
คุณต้องมี:
- ความเป็นเจ้าของผลิตภัณฑ์กับทีมที่ทุ่มเท: ความสามารถแต่ละรายการต้องการเจ้าของผลิตภัณฑ์และทีมที่มีทักษะและความต่อเนื่องในการพัฒนาเมื่อเวลาผ่านไป การพัฒนานี้ไม่ใช่โครงการที่สิ้นสุดลง
- ขอบเขตของการทำงานอัตโนมัติพร้อมการติดตามตรวจสอบอย่างต่อเนื่อง: กำหนดขีดจำกัดที่ชัดเจนซึ่งปรับเปลี่ยนได้เมื่อความไว้วางใจเพิ่มขึ้น เริ่มต้นการอนุรักษ์และขยายตัวตามหลักฐาน
- รอบการเรียนรู้อย่างต่อเนื่อง: ความสามารถที่ปรับปรุงผ่านการโต้ตอบทุกครั้ง ออกแบบสําหรับการเรียนรู้ตั้งแต่เริ่มต้นเนื่องจากเป็นการยากที่จะเพิ่มในภายหลัง
- แนวทางปฏิบัติของ AI ที่รับผิดชอบแบบฝังตัว: จริยธรรมและความปลอดภัยต้องถูกสร้างขึ้นในสถาปัตยกรรมไม่ได้ถูกระบุไว้หลังการปรับใช้ วิธีนี้รวมถึงการทดสอบอคติ การประเมินความเป็นธรรม และการออกแบบความสามารถในการอธิบาย
- วัฒนธรรมการทดลองที่มีการควบคุมที่ไม่ปลอดภัย: ทีมต้องการสิทธิ์ในการลองใช้วิธีการใหม่และอวนความปลอดภัยที่ชัดเจนเมื่อสิ่งผิดปกติเกิดขึ้น วัฒนธรรมที่ลงโทษความล้มเหลวไม่สามารถสร้างระบบการเรียนรู้ได้
- สถาปัตยกรรมแบบหลายตัวแทน: หากความสามารถของคุณเกี่ยวข้องกับตัวแทนที่ประสานงานให้ออกแบบเพื่อการประสานงานตัวแทนตัวแทนจากจุดเริ่มต้น การดัดแปลงสถาปัตยกรรมแบบหลายเอเจนต์เพิ่มเติมภายหลังมีต้นทุนสูง
คุณไม่จําเป็นต้องมี:
- ระบบอัตโนมัติแบบค่อยเป็นค่อยไป: แนวทางนี้ไม่ใช่การทำให้กระบวนการที่มีอยู่เดิมเร็วขึ้นเพียง 10%
- การจัดส่ง IT ส่วนกลาง: ความสามารถเหล่านี้จําเป็นต้องมีทีมผลิตภัณฑ์ที่มีความเชี่ยวชาญด้านโดเมน
- การปรับเวิร์กโฟลว์ที่มีอยู่เดิม: ออกแบบใหม่ตั้งแต่ต้นเพื่อการทำงานแบบ AI-native ข้อจํากัดเวิร์กโฟลว์แบบดั้งเดิมจํากัดสิ่งที่เป็นไปได้
- รุ่นครั้งเดียว: ความสามารถเหล่านี้ต้องเรียนรู้และปรับปรุงอย่างต่อเนื่อง ความสามารถที่ไม่ได้เรียนรู้จะลดลงเมื่อเวลาผ่านไป
- การจัดการโครงการแบบดั้งเดิม: ใช้การจัดการผลิตภัณฑ์ด้วยวงจรการทดลอง หลักเป้าหมายและการส่งมอบเป็นรูปแบบการกํากับดูแลที่ไม่ถูกต้องสําหรับระบบการเรียนรู้
AI ที่รับผิดชอบในระดับมาตราส่วน
ความสามารถที่ให้ AI เป็นแกนหลักถือเป็นแนวหน้าของการทำงานอัตโนมัติของ AI แนวทางปฏิบัติด้าน AI ที่รับผิดชอบมีความสําคัญอย่างยิ่งเนื่องจาก:
- เอเจนต์ทำงานได้อย่างอิสระสูงและมีการกำกับดูแลจากมนุษย์อย่างจำกัดแบบเรียลไทม์
- ข้อผิดพลาดสามารถเผยแพร่ที่ความเร็วเครื่องก่อนที่มนุษย์สามารถแทรกแซงได้
- ระบบการเรียนรู้สามารถพัฒนาพฤติกรรมที่ไม่คาดคิดได้เมื่อพวกเขาปรับให้เหมาะสม
- ขนาดของผลกระทบทั้งด้านบวกและลบมีขนาดใหญ่กว่ารูปแบบอื่น ๆ
สร้าง AI ที่รับผิดชอบลงในสถาปัตยกรรมของคุณตั้งแต่วันเดียว:
- ความสามารถในการอธิบาย: คุณเข้าใจได้หรือไม่ว่าทําไมระบบจึงตัดสินใจอย่างเฉพาะเจาะจง หากไม่เป็นเช่นนั้น คุณจะไม่สามารถตรวจจับหรือแก้ไขการล่องลอยได้
- การตรวจสอบอคติ: ประเมินอย่างต่อเนื่องว่าการเรียนรู้กําลังเสริมสร้างอคติหรือสร้างผลลัพธ์ที่ไม่สามารถหลีกเลี่ยงได้
- ความสามารถในการย้อนกลับ: คุณสามารถแปลงกลับเป็นสถานะก่อนหน้าถ้าการอัปเดตการเรียนรู้ไม่ถูกต้องหรือไม่
- การแทนที่ของมนุษย์: แม้แต่ในระบบอิสระเต็มรูปแบบ ให้กําหนดเงื่อนไขที่มนุษย์สามารถแทรกแซงและวิธีดําเนินการแทรกแซงได้
เรียนรู้เพิ่มเติมใน ใช้หลักการ AI ที่รับผิดชอบ
เมตริกค่าและความสําเร็จ
ค่านี่คือการมีอยู่ของความสามารถที่ไม่มีอยู่ก่อนและผลลัพธ์ใหม่ที่สร้างขึ้น ให้เน้นมาตรวัดด้านการสร้างคุณค่าและการมีอยู่ก่อน ไม่ใช่เปอร์เซ็นต์ด้านประสิทธิภาพ เพราะไม่มีค่าพื้นฐานเดิมให้ปรับปรุงต่อได้
ค่ามีลักษณะอย่างไร
- ความสามารถใหม่ที่ไม่สามารถทําก่อน AI ได้
- รายได้ บริการ หรือแบบจําลองธุรกิจใหม่
- การตอบสนองอัตโนมัติด้วยความเร็วและในระดับที่กระบวนการแบบทำด้วยตนเองไม่อาจทำได้
- ข้อได้เปรียบที่เพิ่มพูนขึ้นเมื่อความสามารถนั้นเรียนรู้และพัฒนาขึ้น
เมตริกความสําเร็จในการติดตาม
| ประเภท | หน่วยวัดตัวอย่าง | สิ่งที่มันบอกคุณ |
|---|---|---|
| การสร้างค่า (บรรทัดแรก) | รายได้หรือรูปแบบธุรกิจใหม่ที่สร้างขึ้น การมีอยู่ของความสามารถ ("ตอนนี้เราสามารถทํา X") ปลดล็อกการเข้าถึงใหม่แล้ว | ความสามารถสร้างค่าที่ไม่มีอยู่ก่อนหน้าหรือไม่ |
| ระบบอัตโนมัติและลูป | เวลาแฝงในการตัดสินใจจากสัญญาณสู่การดําเนินการ อัตราการทํางานอัตโนมัติ อัตราความเร็วรอบและสเกล ต้นทุนต่อหน่วยต่องานอัตโนมัติ | การที่วงจรรับรู้-ตัดสินใจ-ลงมือปฏิบัติทำงานด้วยความเร็วระดับเครื่องและในระดับขนาดใหญ่หรือไม่ |
| คุณภาพและความปลอดภัย | การประเมิน, คะแนนพื้นฐานและความปลอดภัย, การเลื่อนระดับและอัตราการสํารอง | ไม่ว่าระบบอัตโนมัติจะยังคงถูกต้องและปลอดภัยอยู่เสมอเมื่อทํางานหรือไม่ |
| อัตราการสร้างนวัตกรรม | ถึงเวลาเปิดตัวความสามารถใหม่ จํานวนของความสามารถในการผลิต นํามาใช้ใหม่ในสถานการณ์ต่างๆ | ไม่ว่าคุณสามารถเข้าถึงชายแดนซ้ํา ๆ ได้หรือไม่ไม่เพียง แต่ครั้งเดียว |
| การกำกับดูแล | สัดส่วนของเอเจนต์ภายใต้ข้อมูลประจำตัวที่มีการจัดการ, อัตราการปฏิบัติตามนโยบาย, จำนวนเอเจนต์เงา | สภาพแวดล้อมอัตโนมัติจะยังคงอยู่ภายใต้การกำกับดูแลเมื่อมีการขยายตัวหรือไม่ |
วิธีการวัด
- การประเมินผลการก่อตั้ง Microsoft และพฤติกรรมของเอเจนต์การติดตามการสังเกตได้ และให้คะแนนคุณภาพและความปลอดภัย ซึ่งมีความสําคัญมากที่สุดในกรณีที่ไม่มีข้อมูลพื้นฐาน
- กําหนดหน่วยวัดความสําเร็จล่วงหน้าเนื่องจากความสามารถไม่มีลําดับความสําคัญ กำหนดให้ชัดเจนก่อนเริ่มใช้งานว่า "ดี" หมายถึงอะไร
- Microsoft Agent 365 จะควบคุมและวัดอสังหาริมทรัพย์แบบอัตโนมัติ รวมถึงการค้นพบข้อมูลประจําตัวและเงาของตัวแทน
Tip
อย่าตัดสินความสามารถใหม่สุทธิด้วยเมตริกประสิทธิภาพเก่า "เราประหยัดเวลาไปได้มากแค่ไหน" เป็นการสมมติว่ามีกระบวนการดังกล่าวอยู่ ทั้งที่จริงไม่เคยมีอยู่เลย วัดว่าขณะนี้มีความสามารถดังกล่าวอยู่หรือไม่ สร้างคุณค่าใหม่อะไรได้บ้าง และลูปอัตโนมัติทำงานได้ปลอดภัยเพียงใด สร้างหน่วยวัดควบคู่ไปกับความสามารถ
รูปแบบการป้องกันทั่วไป
ความล้มเหลวในพื้นที่นี้มาจากการรักษาการทํางานของชายแดนเหมือนโครงการปกติ
| รูปแบบที่ไม่พึงปฏิบัติ | หน้าตาเป็นอย่างไร | สิ่งที่ต้องทําแทน |
|---|---|---|
| ผลิตภาพที่ถูกอำพราง | ความสามารถ "net-new" แท้จริงแล้วคืองานเดิมที่มีอยู่แล้ว ซึ่งทำได้เร็วขึ้น | ทดสอบแนวคิด: คุณสามารถทําสิ่งนี้ทั้งหมดก่อน AI ได้หรือไม่? ถ้าใช่ ก็ควรจัดอยู่ในรูปแบบอื่น |
| เมตริกเก่าในงานใหม่ | ความสำเร็จถูกตัดสินจากเวลาที่ประหยัดได้เมื่อเทียบกับค่าอ้างอิงที่ไม่มีอยู่จริง | กําหนดหน่วยวัดการมีอยู่และการสร้างค่าล่วงหน้า |
| การสร้างก่อนมูลนิธิพร้อม | ความสามารถจะเปิดใช้งานก่อนเทคโนโลยี ข้อมูล และการกํากับดูแลจะเติบโตเพียงพอ โครงสร้างพื้นฐานไม่สามารถรองรับวงจรการเรียนรู้ การวัดและส่งข้อมูลทางไกล และตรวจสอบความต้องการดังนั้นระบบจึงไม่สามารถคาดเดาได้โดยไม่ต้องมองเห็นสาเหตุที่ระบบทํางานอย่างที่เห็น | เข้าถึงความสมบูรณ์เพียงพอในเทคโนโลยี ข้อมูล และการกํากับดูแลก่อน สร้างการเรียงลําดับ การวัดและส่งข้อมูลทางไกลแบบเรียลไทม์ และลูปการเรียนรู้ก่อนความสามารถ |
| การเรียนรู้โดยไม่มีผู้พิทักษ์ | ระบบเรียนรู้จากข้อมูลในการปฏิบัติงานโดยไม่มีการกํากับดูแล เสริมสร้างรูปแบบที่ไม่ได้ตั้งใจ ปรับให้เหมาะสมสําหรับวัตถุประสงค์ที่ไม่ถูกต้อง หรือขยายอคติที่มีอยู่ในข้อมูล | กําหนดสิ่งที่ระบบควรและไม่ควรเรียนรู้ก่อนที่คุณจะเปิดใช้งานการเรียนรู้และตรวจสอบอย่างต่อเนื่อง |
| ไม่มีข้อจำกัดที่สร้างขึ้นเอง | ขอบเขตความปลอดภัยจะถูกสันนิษฐานจากรูปแบบอื่น ๆ ที่ไม่เหมาะสม | กำหนดแนวทางควบคุมสำหรับความสามารถนี้โดยเฉพาะ เนื่องจากยังไม่มีแบบอย่างมาก่อน |
| กำหนดการตรวจสอบ AI อย่างมีความรับผิดชอบไว้หลังการเปิดตัว | ทีมงานวางแผนที่จะจัดการกับ AI ที่รับผิดชอบเมื่อได้รับการพิสูจน์ความสามารถแล้ว จากนั้นสถาปัตยกรรมก็คงที่และค่าใช้จ่ายในการเปลี่ยนแปลงจะสูง | รวม AI ที่รับผิดชอบตั้งแต่เริ่มต้น |
| แนวคิด Project ที่นําไปใช้กับผลิตภัณฑ์ | ทีมบรรลุหมุดหมายสำคัญของการเริ่มใช้งานจริงและถือว่างานเสร็จแล้ว ความสามารถไม่ได้ถูกรักษาไว้ ลูปการเรียนรู้จะไม่ถูกตรวจสอบ และระบบจะลดลงเมื่อเวลาผ่านไป | ถือว่าเป็นผลิตภัณฑ์ที่มีข้อผูกมัดการจัดการที่ไม่จํากัดไม่ใช่โครงการที่ลงท้ายด้วยการเปิดใช้งาน |
| การทดลองที่ไม่มีการกำกับดูแล | เอเจนต์แนวหน้าเพิ่มจำนวนขึ้นโดยไม่มีการระบุตัวตนหรือการกำกับดูแล | กำกับดูแลด้วยข้อมูลประจำตัวที่มีการจัดการและรีจิสทรีตั้งแต่เริ่มต้น |
เรื่องราวของลูกค้า
เรื่องราวความสำเร็จของลูกค้า Microsoft ที่เผยแพร่เหล่านี้แสดงให้เห็นว่าความรู้ระดับผู้เชี่ยวชาญสามารถขยายผลได้ด้วยเอเจนต์ที่อิงข้อมูลจริงและมีการอ้างอิง ขณะที่มนุษย์ยังคงต้องรับผิดชอบ
| ลูกค้า | ผลลัพธ์ที่รายงาน |
|---|---|
| Microsoft (ถาม Microsoft) | ระบบหลายเอเจนต์ที่มีเอเจนต์ย่อยเฉพาะทางซึ่งยึดโยงกับเนื้อหาเฉพาะ ช่วยลดเวลาแฝงได้สูงสุด 61% และลดการส่งต่อให้เจ้าหน้าที่ได้สูงสุด 70% โดยผู้เข้าชมที่มีส่วนร่วมมีแนวโน้มสมัครใช้งานสูงกว่ามาก |
| ฟู จิต สึ | AI แบบรวมประสานงานตัวแทนเฉพาะหลายตัวแทนและตัวแทนประสานงานที่ตอบ "เป็นทีม" สถาปัตยกรรมแบบหลายตัวแทนนี้ซึ่งไม่มีอยู่ใน AI ที่สร้างสรรค์แบบเดิม ปรับปรุงการสร้างข้อเสนอขึ้น 67% |
| กลุ่มทุนควอนตัม | ลดเวลาการวางแผนสถานการณ์การพัฒนาแหล่งจาก 3 สัปดาห์เหลือ 20 นาทีด้วยการเพิ่มประสิทธิภาพเชิงภูมิสารสนเทศบน Azure และเอเจนต์คิวรีใน Copilot Studio |
| ฟิสิกส์ วัลลาห์ | สนับสนุนนักเรียนสองล้านคนด้วยติวเตอร์ AI "Gyan Guru" Azure OpenAI |
| Rolls-Royce | การใช้เครื่องที่เพิ่มขึ้น 30% ด้วย AI ที่คาดการณ์ได้ใน Azure Databricks และ Microsoft Cloud for Manufacturing |
| บริษัทของ Estée Lauder | ตัดข้อมูลเชิงลึกของผู้บริโภคจากสัปดาห์เป็นนาที ด้วยตัวแทน "ConsumerIQ" บน Copilot Studio และ Azure OpenAI |
ความสามารถด้านเอเจนต์ของ Microsoft สําหรับแพตเทิร์นนี้
ตัวอย่างต่อไปนี้เน้นขีดความสามารถที่เกี่ยวข้องโดยเฉพาะอย่างยิ่งกับความสามารถของ AI เป็นอันดับแรก ใช้ตัวอย่างเหล่านี้เป็นจุดเริ่มต้นสําหรับการจับคู่ความสามารถในการจับคู่กับสถานการณ์และเซกเมนต์ผู้ใช้ของคุณ จากนั้นสํารวจระบบนิเวศตัวแทนของ Microsoft สําหรับรูปภาพทั้งหมด
สร้างความสามารถ
- การประสานการทำงานแบบหลายเอเจนต์ของ Copilot Studio ประสานการทำงานของเอเจนต์เฉพาะทางในสถานการณ์แบบใช้โค้ดน้อย
- ชุดเครื่องมือ Pro รวมถึง Foundry SDK และ Semantic Kernel สามารถควบคุมทีมวิศวกรรมได้อย่างเต็มที่
- นําแบบจําลองของคุณเองมารับพร้อมท์ใน Copilot Studio ช่วยให้คุณสามารถกําหนดเส้นทางโหนดพร้อมท์เฉพาะไปยังแบบจําลองที่คุณเลือก รวมถึงแบบจําลองที่ปรับใช้เองหรือปรับแต่งแล้ว แทนที่จะใช้ค่าเริ่มต้นของแพลตฟอร์ม ใช้ความสามารถนี้เมื่อขั้นตอนในเวิร์กโฟลว์จําเป็นต้องมีแบบจําลองที่ปรับให้เหมาะสมสําหรับงาน โดเมน หรือโปรไฟล์ต้นทุนเฉพาะที่ไม่ตรงกับแบบจําลองเริ่มต้น
- Microsoft Foundry และ Microsoft Foundry Agent Service ใช้สำหรับสร้างและโฮสต์เอเจนต์แบบกำหนดเองสำหรับนักพัฒนาโดยใช้โค้ด
ลงพื้น เชื่อมต่อ และสังเกต
- Azure AI Search และการทำ grounding จะดึงบริบทปัจจุบันเพื่อให้เอเจนต์ใช้เหตุผลจากสถานะล่าสุด
- โพรโทคอลบริบทแบบจําลองและการทํางานร่วมกันระหว่างตัวแทนกับตัวแทนช่วยให้ตัวแทนและเครื่องมือทํางานร่วมกันทั่วทั้งระบบนิเวศแบบเปิด
- ID เอเจนต์ของ Microsoft Entra ให้ข้อมูลประจําตัวของเจ้าหน้าที่แต่ละรายสําหรับการเข้าถึงที่มีสิทธิ์การใช้งานน้อยที่สุด
- การประเมิน Microsoft Foundry และการสังเกตการณ์ระบบใช้ในการติดตาม ประเมิน และตรวจสอบความปลอดภัยของระบบ ความสามารถหลายอย่างเหล่านี้ได้รับการพัฒนาในการแสดงตัวอย่างและความพร้อมใช้งานทั่วไป ดังนั้นโปรดยืนยันสถานะ
- Microsoft Agent 365 ควบคุมอสังหาริมทรัพย์เมื่อจํานวนตัวแทนเพิ่มขึ้น
ประเมินและทดสอบก่อนที่คุณจะจัดส่ง
ที่ระดับอิสระและความซับซ้อนนี้ การประเมินผลอย่างต่อเนื่องเป็นวินัยทางวิศวกรรมหลัก ไม่ใช่รายการตรวจสอบก่อนเปิดตัว
- การประเมินผลเจ้าหน้าที่ใน Copilot Studio เรียกใช้การประเมินที่มีโครงสร้างการให้คะแนนการตอบสนองในมิติคุณภาพ เช่น ความถูกต้อง เหตุผล และความเสร็จสมบูรณ์ของงาน ใช้เพื่อตรวจสอบความถูกต้องของพฤติกรรมของเอเจนต์กับข้อมูลนำเข้าทุกรูปแบบ รวมถึงกรณีขอบและสถานการณ์เชิงปฏิปักษ์ ก่อนและหลังการเปลี่ยนแปลงแต่ละครั้ง
- Copilot Agent Kit (เดิมเรียกว่า Copilot Studio Kit) ขยายความครอบคลุมการทดสอบด้วยการทดสอบจํานวนมาก เรียกใช้การถดถอยอัตโนมัติ และแดชบอร์ดการให้คะแนน สําหรับระบบ AI-first ที่ปรับปรุงตามช่วงเวลา หลักฐานการประเมินผลที่ทําซ้ําได้และตรวจสอบได้ เป็นสิ่งจําเป็นสําหรับการรักษาความน่าเชื่อถือเนื่องจากความสามารถที่พัฒนาขึ้น
วิธีการทราบว่าคุณพร้อมแล้ว
รูปแบบนี้เหมาะสำหรับองค์กรที่ดำเนินงานอยู่ในระดับวุฒิภาวะสูงสุด ให้พิจารณาเมื่อ:
- คุณมีทีมขั้นสูงที่สามารถออกแบบ เรียกใช้ และปรับปรุงระบบอัตโนมัติได้
- คุณมีพื้นฐานทางเทคนิค: การเรียงลําดับแบบหลายตัวแทน การวัดและส่งข้อมูลทางไกลแบบเรียลไทม์ และรอบการเรียนรู้
- คุณสามารถกำหนดกรอบแนวทางและตัวชี้วัดความสำเร็จขึ้นมาได้ในจุดที่ยังไม่มีสิ่งเหล่านี้อยู่เลย
- คุณสามารถควบคุมอสังหาริมทรัพย์แบบอิสระด้วยข้อมูลประจําตัวที่ได้รับการจัดการและการปฏิบัติตามข้อกําหนดอย่างต่อเนื่อง
- คุณใช้งานรูปแบบอื่น ๆ หลายรูปแบบได้ดีอยู่แล้ว
ขั้นตอนถัดไป
หรือสำรวจโมเดลวุฒิภาวะการนำ Agentic AI ไปใช้ฉบับเต็ม
สํารวจรูปแบบอื่น ๆ ในรายละเอียดเพิ่มเติม:
- รูปแบบการเปิดใช้งาน AI ของพนักงาน
- รูปแบบการเพิ่มขีดความสามารถของผู้เชี่ยวชาญทางธุรกิจ
- รูปแบบบริการสถานที่ทํางานและบริการไอที
- รูปแบบการแปลงกระบวนการทางธุรกิจหลัก
- รูปแบบการมีส่วนร่วมภายนอก