Yapay zeka benimsemeyi planlama

Bu makale, kuruluşunuzun yapay zeka stratejisini eyleme dönüştürülebilir adımlara dönüştüren bir yapay zeka benimseme planı oluşturmanıza yardımcı olur. Yapay zeka benimseme planı, yapay zeka vizyonu ve yürütme arasındaki boşluğu kapatır. Plan yapay zeka girişimleriyle iş hedefleri arasında uyum sağlarken beceri boşluklarını, kaynak gereksinimlerini ve uygulama zaman çizelgelerini de ele alır.

Yapay zeka becerilerini değerlendirme

Geçerli yetenek değerlendirmesi, kaynağın yanlış yerleştirilmesini önler ve kurumsal hazırlıkla uyumlu gerçekçi proje planlaması sağlar. Yapay zeka projeleri, kuruluşlar uygulamaları teknik olgunluk veya veri kullanılabilirliği dışında denediğinde başarısız olur. Yapay zekanın başarılı bir şekilde benimsenmesi için bir temel oluşturmak için becerilerinizi, veri varlıklarınızı ve altyapınızı değerlendirmeniz gerekir. Şöyle yapılır:

1. Becerileri ve veri hazırlığı çerçevesini kullanarak yapay zeka olgunluk düzeyinizi ölçün. Çerçeve, kuruluşunuzun geçerli yapay zeka özelliklerini değerlendirmek için hedef ölçütler sağlar. Bu ölçüm, mevcut yeteneklerinizin ötesinde projelere fazla sorumluluk almaktan kaçınmanızı sağlar. Olgunluğunuzu değerlendirmek için aşağıdaki tabloyu kullanın:

   Yapay zeka olgunluk düzeyi	Gerekli beceriler	Veri hazır olma	Uygulanabilir yapay zeka kullanım örnekleri
   Düzey 1	▪ Yapay zeka kavramlarını temel olarak anlama ▪ Veri kaynaklarını tümleştirme ve istemleri eşleme olanağı	Minimum veya hiç veri mevcut değil ▪ Kullanılabilir kurumsal veriler	▪ Azure hızlı başlangıç projeleri ▪ Herhangi bir Copilot çözümü
   Düzey 2	▪ Yapay zeka modeli seçimi deneyimi ▪ Yapay zeka dağıtımı ve uç nokta yönetimi hakkında bilgi ▪ Veri temizleme ve işleme deneyimi	Minimum veya hiç veri mevcut değil ▪ Küçük, yapılandırılmış veri kümesi ▪ Az miktarda etki alanına özgü veri kullanılabilir	▪ Herhangi bir Düzey 1 projesi ▪ Azure AI hizmetlerini kullanan özel analitik yapay zeka iş yükü ▪ Foundry'de Bilgi Getirimi Artırılmış Üretim (RAG) içermeyen özel üretken AI sohbet uygulaması ▪ Otomatik model eğitimi ile özel makine öğrenmesi uygulaması ▪ Oluşturucu yapay zeka modelinde ince ayarlama
   Düzey 3	▪ İstem mühendisliğinde uzmanlık ▪ Yapay zeka modeli seçimi, veri öbekleme ve sorgu işleme konusunda yetkinlik ▪ Veri ön işleme, temizleme, bölme ve doğrulama yetkinliği ▪ Dizin oluşturma için topraklama verileri	▪ Makine öğrenmesi için büyük miktarda geçmiş iş verileri kullanılabilir ▪ Az miktarda etki alanına özgü veri kullanılabilir	▪ Herhangi bir Düzey 1-2 projesi ▪ Foundry'de RAG ile üretken yapay zeka uygulaması ▪ Makine öğrenmesi modelini eğitma ve dağıtma ▪ Azure Sanal Makineler'da küçük bir yapay zeka modeli eğitip çalıştırma
   4. Düzey	▪ Altyapı yönetimi de dahil olmak üzere gelişmiş yapay zeka/makine öğrenmesi uzmanlığı ▪ Karmaşık yapay zeka modeli eğitim iş akışlarını işleme konusunda yetkinlik ▪ Düzenleme, model karşılaştırma ve performans iyileştirme deneyimi ▪ Yapay zeka uç noktalarının güvenliğini sağlama ve yönetme konusunda güçlü beceriler	▪ Eğitim için büyük miktarda veri kullanılabilir	▪ Herhangi bir Düzey 1-3 projesi ▪ Sanal Makineler, Azure Kubernetes Service veya Azure Container Apps üzerinde büyük üretken veya üretken olmayan yapay zeka uygulamalarını eğitme ve çalıştırma

2. Veri varlıklarınızın envanterini oluşturun ve yapay zeka kullanım örnekleri için bunların kalitesini değerlendirin. Veri kalitesi yapay zeka modeli performansını doğrudan etkiler ve hangi kullanım örneklerini başarıyla uygulayabileceğinizi belirler. Bu envanter, veri hazırlama gereksinimlerini ortaya koyuyor ve kullanılabilir verilere göre kullanım örneklerinin önceliklerini belirlemeye yardımcı oluyor. Kuruluşunuz genelinde veri kaynaklarını, biçimleri, kaliteyi ve erişilebilirliği belgeleyin.

3. Teknoloji altyapınızı gözden geçirin ve yapay zeka hazırlığı gereksinimlerini belirleyin. Altyapı kapasitesi yapay zeka proje kapsamını kısıtlar ve dağıtım stratejilerini etkiler. Bu inceleme, altyapı yatırımlarını planlamanıza ve uygun Azure hizmetlerini seçmenize yardımcı olur. Hedef yapay zeka kullanım örnekleriniz için gereken işlem kaynaklarını, depolama kapasitesini, ağ bant genişliğini ve güvenlik denetimlerini değerlendirin.

Yapay zeka becerileri edinme

Kapsamlı bir yetenek oluşturma stratejisi, kuruluşunuzun yapay zeka sistemlerini başarıyla uygulamak ve korumak için gereken becerilere sahip olmasını sağlar. Beceri boşlukları proje gecikmelerine neden olur ve uygulama hatası riskini artırır. Sürdürülebilir yapay zeka özellikleri oluşturmak için eğitim, işe alma ve ortaklıkları birleştiren çok yönlü bir yaklaşım geliştirmeniz gerekir. Şöyle yapılır:

1. Yapılandırılmış öğrenme programları aracılığıyla iç yapay zeka becerileri geliştirin. İç beceri geliştirme, uzun süreli yetenek oluşturma olanağı sağlar ve kuruluşunuzda bilgi saklamayı sağlar. Bu yaklaşım kurumsal güven oluşturur ve dış kaynaklara bağımlılığı azaltır. Ücretsiz yapay zeka eğitimi, sertifikaları ve ürün kılavuzu için yapay zeka öğrenme merkezi platformunu kullanın. Azure AI Ile İlgili Temel Bilgiler, Azure Yapay Zeka Mühendisi İş Ortağı ve Azure Veri Bilimcisi İş Ortağı sertifikaları gibi sertifikasyon hedeflerini belirleyin.

2. İç kapasitenin ötesindeki kritik beceri boşluklarını doldurmak için yapay zeka uzmanlarını işe alın. Dış işe alım, özel uzmanlığa anında erişim sağlar ve proje zaman çizelgelerini hızlandırır. Bu strateji, şirket içinde geliştirilmesi çok uzun sürecek boşlukları doldurmaya yardımcı olur. Model geliştirme, üretken yapay zeka veya yapay zeka etiği konusunda uzmanlar işe alın. İş açıklamalarını güncel beceri gereksinimlerini yansıtacak şekilde güncelleştirin ve yenilikleri ve teknik liderliği vurgulayan bir işveren markası oluşturun.

3. Yapay zeka özelliklerinizi desteklemek için Microsoft uzmanlarıyla iş ortağı olun. Microsoft iş ortaklıkları, uygulama riskini azaltırken kanıtlanmış uzmanlık ve sektördeki en iyi deneyimlere erişim sağlar. Bu yaklaşım, öğrenmeyi hızlandırır ve Microsoft yapay zeka teknolojileriyle uyumlu olmasını sağlar. Sektörler arasında yapay zeka, veri ve Azure uzmanlığına erişmek için Microsoft iş ortakları marketini kullanın.

Yapay zeka kaynaklarına erişme

Açık erişim gereksinimleri ve lisanslama stratejileri, dağıtım gecikmelerini önler ve kuruluş ilkeleriyle uyumluluğu güvence altına alır. Farklı yapay zeka çözümlerinin maliyet, güvenlik ve idareyi etkileyen farklı erişim desenleri vardır. Bütçeleri ve güvenlik denetimlerini etkili bir şekilde planlamak için portföyünüzdeki her yapay zeka çözümü için belirli erişim gereksinimlerini anlamanız gerekir. Şöyle yapılır:

Microsoft AI çözümü	Erişim kazanma
Microsoft 365 Copilot	Ek Copilot lisansına sahip bir Microsoft 365 iş veya kurumsal lisansı gerektirir. Bkz. Microsoft 365 Copilot.
Microsoft Copilot Studio	Tek başına lisans veya eklenti lisansı gerektirir. Bkz. Microsoft Copilot Studio.
Ürün içi Eş Pilotlar	Birincil ürüne erişim gerektirir. Bkz. GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric ve Azure.
Rol bazlı Ortak Pilotlar	Belirli erişim gereksinimleri gerektirir. Rol tabanlı aracılar için bkz. Microsoft 365 Copilot ve Microsoft Copilot Güvenlik için.
Azure hizmetleri	Bir Azure hesabı gerektirir. Foundry ve Azure OpenAI içerir.

Yapay zeka kullanım örneklerinin önceliklerini belirleme

Stratejik öncelik belirleme, kaynakları kurumsal özelliklerinizle eşleştirirken en yüksek değeri sunan projelere odaklamanızı sağlar. Kullanım örneği öncelik belirlemesi uygulama riskini azaltır ve değer elde etme süresini kısaltır. Ulaşılabilir bir uygulama yol haritası oluşturmak için her kullanım örneğini fizibilite, stratejik değer ve kaynak gereksinimlerine karşı değerlendirmeniz gerekir. Şöyle yapılır:

1. Kullanım örneklerini geçerli yapay zeka olgunluğunuz ve kullanılabilir kaynaklarınıza göre değerlendirin. Gerçekçi değerlendirme, mevcut yeteneklerinizin ötesindeki projelere aşırı taahhütte bulunmayı önler ve uygulamanın başarılı olmasını sağlar. Bu değerlendirme, gelecekteki projeler için ivme oluşturan ulaşılabilir hedeflere odaklanmanıza yardımcı olur. Yapay zeka Stratejinizde tanımlanan her kullanım örneği için yapay zeka olgunluk düzeyinizi, veri kullanılabilirliğinizi, teknik altyapınızı ve personel kapasitenizi gözden geçirin.

2. Kullanım örneklerini stratejik değere ve uygulama uygulanabilirliğine göre dereceleme. Stratejik derecelendirme, en yüksek olası etki ve başarı olasılığına sahip projelere sınırlı kaynak ayırmanıza yardımcı olur. Bu yaklaşım, kurumsal güven oluştururken yapay zeka yatırımlarının getirilerini en üst düzeye çıkarır. İş etkisi, teknik karmaşıklık, kaynak gereksinimleri ve kuruluş hedefleriyle uyumlu olma ile ilgili her kullanım örneğini puanlayın.

3. Net başarı ölçütleriyle öncelikli bir uygulama yol haritası oluşturun. Yapılandırılmış yol haritası, uygulama ekipleri için net bir yön sağlar ve tanımlı kilometre taşlarında ilerleme izleme olanağı sağlar. Bu yol haritası paydaş beklentilerini ve kaynak ayırmayı yönetmeye yardımcı olur. En öncelikli kullanım örneklerini seçin ve her proje için belirli başarı ölçümlerini, zaman çizelgelerini ve kaynak gereksinimlerini tanımlayın.

Kavram kanıtı aracılığıyla kavramları doğrulama

Kavram kanıtı, tam ölçekli geliştirmeden önce teknik fizibilite ve iş değerini doğrulayarak uygulama riskini azaltır. PoC'ler olası zorlukları belirlemeye ve denetimli bir ortamda gereksinimleri iyileştirmeye yardımcı olur. Temel varsayımları test eden ve bilinçli karar alma için veri toplayan odaklanmış doğrulama projeleri oluşturmanız gerekir. Şöyle yapılır:

1. Kavram kanıtı doğrulaması için uygun bir kullanım örneği seçin. Doğru PoC seçimi, öğrenme fırsatlarını yönetilebilir risk ve karmaşıklıkla dengeler. Bu seçim, takımınızı veya kuruluşunuzu bunaltmadan anlamlı içgörüler toplamanızı sağlar. Öncelikli listenizden yapay zeka olgunluk düzeyinizle eşleşen yüksek değerli bir proje seçin. Riski sınırlamak ve yaklaşımınızı test etmek için şirket içi, müşteriye yönelik olmayan projelerle başlayın.

2. Microsoft kılavuzlarını ve araçlarını kullanarak odaklanmış bir kavram kanıtı uygulayın. Yapılandırılmış uygulama, geliştirme süresini kısaltarak seçtiğiniz yapay zeka yaklaşımı için kanıtlanmış uygulamaları izlemenizi sağlar. Bu yaklaşım, kaynak yatırımlarını en aza indirirken öğrenmeyi en üst düzeye çıkarır. Yapay zeka türünüz temelinde aşağıdaki uygulama kılavuzlarını kullanın:

   Yapay zeka türü	Uygulama kılavuzu
   Üretici AI	Azure PaaS: Dökümhane ve Azure OpenAI Microsoft Copilots: Copilot Studio ve Microsoft 365 Copilot genişletilebilirliği
   Makine öğrenimi	Azure Machine Learning
   Analitik yapay zeka	İçerik Güvenliği, Özel Görüntü İşleme, Belge Zekası ve diğer hizmetler için belirli kılavuzlara sahip Azure AI hizmetleri

3. Kullanım örneği önceliklendirme ve uygulama yaklaşımınızı geliştirmek için PoC sonuçlarını kullanın. PoC içgörüleri, gelecekteki proje planlama ve kaynak ayırmayı bilgilendiren pratik zorlukları ve fırsatları ortaya koyuyor. Bu geri bildirim döngüsü, yapay zeka yol haritanızın gerçekçi ve ulaşılabilir kalmasını sağlar. Öğrenilen dersleri, teknik zorlukları ve gösterilen iş değerini belgeleyin. Kullanım örneği önceliklerinizi kanıtlanmış fizibiliteye ve ölçülen etkiye göre ayarlayın.

Sorumlu yapay zeka uygulamaları oluşturma

Sorumlu yapay zeka uygulamaları, yapay zeka sistemlerinin kurumsal değerlerle uyumlu olmasını sağlarken kuruluşunuzu etik, yasal ve itibar risklerinden korur. Sorumlu yapay zeka ilkelerinin erken tümleştirilmesi, maliyetli yeniden tasarlamaları önler ve paydaş güveni oluşturur. En baştan uygulama planınıza etik konuları, idare çerçevelerini ve güvenlik önlemlerini eklemelisiniz. Şöyle yapılır:

1. Olası etkileri değerlendirmek ve etik sistemler tasarlamak için sorumlu yapay zeka planlama araçlarını kullanın. Sistematik değerlendirme araçları olası riskleri belirlemeye ve yapay zeka sistemlerinin etik standartları ve mevzuat gereksinimlerini karşılamasını sağlamaya yardımcı olur. Bu araçlar karmaşık etik konulara yönelik yapılandırılmış yaklaşımlar sağlar. Planlama sürecinize yol göstermek için yapay zeka etki değerlendirmesi şablonunu, Human-AI eXperience Toolkit'i ve Sorumlu Yapay Zeka Olgunluk Modeli'ni kullanın.

2. Proje kararlarına yol göstermek ve sistem davranışını izlemek için yapay zeka idare çerçeveleri uygulayın. İdare çerçeveleri tutarlı karar alma ölçütleri sağlar ve yapay zeka projelerinde sorumluluk sağlar. Bu çerçeveler kuruluşların yapay zeka geliştirme ve dağıtımı üzerinde denetim sahibi olmasına yardımcı olur. Rolleri, sorumlulukları, uyumluluk gereksinimlerini ve etik standartları kapsayan ilkeler oluşturun. İdare uygulaması hakkında ayrıntılı yönergeler için bkz. Yapay zekayı yönetme.

3. Uygulama yaşam döngüsü boyunca yapay zeka güvenliği ve işlemleri için en iyi yöntemleri uygulayın. Güvenlik ve operasyonel mükemmellik, yapay zeka sistemlerinin yaşam döngüleri boyunca güvenilir, güvenli ve uygun maliyetli kalmasını sağlar. Bu uygulamalar güvenlik olaylarını ve işletimsel hataları önler. Dağıtım izleme ve performans izleme için GenAIOps veya MLOps gibi yapay zeka işlem çerçeveleri uygulayın. Ayrıntılı uygulama kılavuzu için bkz. Yapay zekayı yönetme ve güvenli yapay zeka .

Teslim zaman çizelgelerini tahmin eder

Gerçekçi zaman çizelgesi tahmini, etkili kaynak planlaması ve proje katılımcısı yönetimi sağlarken projenin başarılı olmasını sağlar. Zaman çizelgesi doğruluğu proje karmaşıklığı, kuruluş olgunluğu ve kaynak kullanılabilirliğine bağlıdır. Kavram kanıtınızdan ve kuruluş özelliklerinizden ampirik verilere göre zaman çizelgesi tahminlerini temel almanız gerekir. Şöyle yapılır:

1. Her kullanım örneğinin uygulama zaman çizelgelerini tahmin etmek için kavram kanıtı sonuçlarını kullanın. PoC verileri, kuruluşunuzun belirli özelliklerine ve kısıtlamalarına yönelik gerçekçi temel tahminler sağlar. Bu yaklaşım teorik tahminlerden daha doğru zaman çizelgeleri üretir. PoC uygulaması sırasında gözlemlenen geliştirme süresini, test döngülerini ve dağıtım karmaşıklığını belgeleyin.

2. Zaman çizelgesi planlamasında kurumsal olgunluk ve karmaşıklık faktörlerini hesaba ekleyin. Farklı yapay zeka çözümleri, kurumsal hazırlık ve proje kapsamına göre değişen karakteristik uygulama zaman çizelgelerine sahiptir. Bu anlayış, paydaşlarla uygun beklentilerin ayarlanmasına yardımcı olur. Microsoft Copilots genellikle yatırım getirisi için en kısa zaman çizelgelerini (günler ve haftalar) sağlarken, özel Azure yapay zeka iş yüklerinin üretime hazır olma durumu için birkaç hafta ile ay arasında bir süre gerekir.

3. Öğrenme, yineleme ve beklenmeyen zorluklar için zaman ayırmayı unutmayın. Yapay zeka projeleri genellikle öngörülemeyen teknik zorluklarla karşılaşır ve istenen sonuçları elde etmek için birden çok yineleme gerektirir. Arabellek süresi, kaliteyi veya etik konuları tehlikeye atabilecek zamanlama baskısını önler. İlk tahminlere 20-30% bekleme süresi ekleyin ve birden çok geliştirme döngüsünü planlayın.

Azure kaynakları

Kategori	Araç	Açıklama
Öğrenme ve Sertifikasyon	yapay zeka öğrenme merkezi	Beceri geliştirme için ücretsiz yapay zeka eğitimi, sertifikaları ve ürün kılavuzu sağlar
Değerlendirme ve Planlama	Yapay zeka etki değerlendirmesi şablonu	Yapay zeka girişimlerinin sosyal, ekonomik ve etik etkilerini değerlendirir
Geliştirme Platformu	Dökümhane	Yapay zeka modellerine ve görüntü işleme, konuşma, dil ve karar alma için yeni olmayan modellere erişime sahip yapay zeka uygulamaları ve aracıları oluşturmaya yönelik geliştirme platformu
Model Eğitimi	Azure Machine Learning	Uçtan uca makine öğrenmesi yaşam döngüsü yönetimi ve model dağıtımı
Konuşma yapay zekası	Microsoft Yardımcı Stüdyo	Özel konuşma yapay zekası aracıları ve sohbet botları oluşturma platformu
İş Ortağı Ağı	Microsoft iş ortakları marketi	Yapay zeka, veriler ve Azure uzmanlığıyla sertifikalı iş ortaklarına erişim

Sonraki adım

Uygulama için teknik temel oluşturarak yapay zeka benimseme planlamanızı tamamlayın. Azure ile özel yapay zeka iş yükleri için yapay zeka hazır bölümüne giderek teknik ortamınızı yapılandırın. Microsoft Copilot'un benimsenmesi için yapay zeka idaresine ilerleyerek kurumsal gözetim sağlayın.

AI Ready (yalnızca Azure)

Yapay zekayı yönetme (Copilots ve Azure)