你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站,请访问 https://docs.azure.cn。
本文可帮助你创建 AI 采用计划,将组织的 AI 策略转换为可作的步骤。 AI 采用计划弥合了 AI 视觉和执行之间的差距。 该计划可确保 AI 计划与业务目标之间的一致性,同时解决技能差距、资源要求和实施时间表。
评估 AI 技能
当前功能评估可防止资源分配不当,并确保符合组织准备情况的现实项目规划。 当组织尝试实现超出其技术成熟度或数据可用性时,AI 项目会失败。 必须评估技能、数据资产和基础结构,以建立成功采用 AI 的基础。 操作方法如下:
使用技能和数据就绪性框架衡量 AI 成熟度级别。 该框架提供客观条件来评估组织的当前 AI 功能。 此度量可防止对超出当前能力的项目过度承诺。 使用下表评估成熟度:
AI 成熟度水平 所需技能 数据就绪情况 可行的 AI 用例 1 级 ▪ 对 AI 概念有基本了解
▪ 能够整合数据源并制定提示▪ 可用数据最少到零
▪ 可用企业数据▪ Azure 快速入门项目
▪ 任何 Copilot 解决方案二级 ▪ 有 AI 模型选择经验
▪ 熟悉 AI 部署和终结点管理
▪ 有数据清理和处理经验▪ 可用数据最少到零
▪ 小型结构化数据集
▪ 少量领域特定的数据可用▪ 任何“Level 1”项目
▪ 使用 Azure AI 服务的自定义分析 AI 工作负荷
▪ Azure AI Foundry 中无检索增强生成 (RAG) 的自定义生成式 AI 聊天应用
▪ 使用自动化模型训练的自定义机器学习应用
▪ 优化生成式 AI 模型级别 3 ▪ 精通提示工程
▪ 精通 AI 模型选择、数据分块和查询处理
▪ 精通数据预处理、清理、拆分和验证
▪ 用于编制索引的基础数据▪ 可用于机器学习的大量历史业务数据
▪ 少量领域特定的数据可用▪ 任何等级 1 至 2 的项目
▪ 在 Azure AI Foundry 中使用 RAG 生成 AI 应用
▪ 训练和部署机器学习模型
▪ 在 Azure 虚拟机上训练和运行小型 AI 模型级别 4 ▪ 高级 AI/机器学习专业知识,包括基础结构管理
▪ 精通处理复杂的 AI 模型训练工作流
▪ 具有编排、模型基准测试和性能优化经验
▪ 在保护和管理 AI 终结点方面具有很强的技能▪ 可用于训练的大量数据 ▪ 任何 1到3级 的项目
▪ 在虚拟机、Azure Kubernetes 服务或 Azure 容器应用中训练和运行大型生成或非生成 AI 应用清点数据资产并评估其 AI 用例的质量。 数据质量直接影响 AI 模型性能,并确定可以成功实现的用例。 此清单显示数据准备要求,并帮助根据可用数据确定用例的优先级。 记录整个组织内的数据源、格式、质量和可访问性。
查看技术基础结构并确定 AI 就绪性要求。 基础结构容量限制 AI 项目范围并影响部署策略。 此评审可帮助你规划基础结构投资并选择适当的 Azure 服务。 评估目标 AI 用例所需的计算资源、存储容量、网络带宽和安全控制。
获取 AI 技能
全面的功能构建策略可确保组织具备成功实施和维护 AI 系统所需的技能。 技能差距造成项目延迟并增加实施失败的风险。 必须开发一种多方面方法,该方法结合了培训、招聘和伙伴关系,以构建可持续的 AI 功能。 操作方法如下:
通过结构化学习计划开发内部 AI 技能。 内部技能开发提供长期的能力构建,并确保组织中的知识保留。 此方法可建立组织信心并减少对外部资源的依赖。 使用 AI 学习中心 平台免费进行 AI 培训、认证和产品指南。 设置认证目标,例如 Azure AI 基础知识、 Azure AI 工程师助理和 Azure 数据科学家助理 认证。
招聘 AI 专业人员,以填补超出内部容量的关键技能差距。 外部招聘可立即获得专业知识,并加快项目时间线。 此策略有助于填补需要很长时间才能通过内部进行开发的空白。 聘请模型开发、生成 AI 或 AI 道德方面的专家。 更新工作描述,以反映当前的技能需求,并建立一个强调创新和技术领导性的雇主品牌。
与Microsoft专家合作,以补充 AI 功能。 Microsoft伙伴关系提供获得经过验证的专业知识和行业最佳做法的机会,同时降低实施风险。 此方法可加速学习,并确保与 Microsoft AI 技术保持一致。 使用 Microsoft合作伙伴市场 访问跨行业的 AI、数据和 Azure 专业知识。
访问 AI 资源
清除访问要求和许可策略可防止部署延迟,并确保符合组织策略。 不同的 AI 解决方案具有影响成本、安全性和治理的不同访问模式。 必须了解项目组合中每个 AI 解决方案的特定访问要求,以便有效地规划预算和安全控制。 操作方法如下:
Microsoft AI 解决方案 | 如何获取访问权限 |
---|---|
Microsoft 365 Copilot | 需要Microsoft 365 商业或企业许可证,并具有额外的 Copilot 许可证。 请参阅 Microsoft 365 Copilot。 |
Microsoft Copilot Studio | 需要独立许可证或附加许可证。 请参阅 Microsoft Copilot Studio。 |
产品内 Copilot | 需要访问主要产品。 请参阅 GitHub、 Power Apps、 Power BI、 Dynamics 365、 Power Automate、 Microsoft Fabric 和 Azure。 |
基于角色的 Copilot | 需要特定的访问要求。 请参阅 Microsoft 365 Copilot 的基于角色的代理和 Microsoft Copilot for Security。 |
Azure 服务 | 需要 Azure 帐户。 包括 Azure AI Foundry 和 Azure OpenAI。 |
确定 AI 用例的优先级
战略优先顺序可确保将资源集中在提供最大值的项目上,同时与组织功能匹配。 用例优先顺序可降低实现风险,并缩短价值时间。 必须根据可行性、战略价值和资源要求评估每个用例,才能创建可实现的实施路线图。 操作方法如下:
根据当前的 AI 成熟度和可用资源评估用例。 现实的评估可防止过度投入到超过当前能力的项目,并确保项目成功实施。 此评估可帮助你专注于为未来项目构建动力的可实现目标。 查看 AI 策略中定义的每个用例的 AI 成熟度级别、数据可用性、技术基础结构和人员配备能力。
按战略价值和实施可行性对用例进行排名。 战略排名有助于将有限的资源分配给具有最高潜在影响和成功概率的项目。 此方法在构建组织信心的同时,最大程度地提高 AI 投资的回报。 根据业务影响、技术复杂性、资源要求以及符合组织目标对每个用例进行评分。
创建具有明确成功条件的优先实施路线图。 结构化路线图为实施团队提供了明确的方向,并支持针对定义的里程碑进行进度跟踪。 此路线图有助于管理利益干系人的期望和资源分配。 选择优先级最高的用例,并为每个项目定义特定的成功指标、时间线和资源要求。
通过概念证明验证概念
概念证明通过在全面开发之前验证技术可行性和业务价值来降低实施风险。 POC 有助于确定受控环境中的潜在挑战和优化要求。 必须创建重点验证项目,用于测试核心假设,并收集数据以做出明智的决策。 操作方法如下:
为概念验证选择适当的用例。 正确的 PoC 选择将学习机会与可管理的风险和复杂性相平衡。 此选择可确保在不压倒团队或组织的情况下收集有意义的见解。 从优先顺序列表中选择与 AI 成熟度级别匹配的高价值项目。 从内部、非面向客户的项目开始,以限制风险并测试方法。
使用Microsoft指南和工具实现重点概念证明。 结构化实现可缩短开发时间,并确保遵循所选 AI 方法的成熟做法。 此方法最大限度地利用学习,同时最大程度地减少资源投资。 根据 AI 类型使用以下实现指南:
AI 类型 实施指南 生成式 AI Azure PaaS: Azure AI Foundry 和 Azure OpenAI
Microsoft Copilot:Copilot Studio 和智能 Microsoft 365 Copilot 副驾驶®扩展性机器学习 Azure 机器学习 分析型人工智能 具有 内容安全、 自定义视觉、 文档智能和其他服务的特定指南的 Azure AI 服务 使用 PoC 结果优化用例优先级和实现方法。 PoC 见解揭示了影响未来项目规划和资源分配的实际挑战和机会。 此反馈循环可确保 AI 路线图保持现实且可行。 记录所吸取的教训、技术挑战和业务价值。 根据经过验证的可行性和测量的影响调整用例优先级。
建立负责任的 AI 做法
负责任的 AI 做法可保护组织免受道德、法律和声誉风险的影响,同时确保 AI 系统与组织价值观保持一致。 负责任的 AI 原则的早期集成可防止成本高昂的重新设计并建立利益干系人信任。 必须从一开始就将道德注意事项、治理框架和安全措施嵌入到实施计划中。 操作方法如下:
使用负责任的 AI 规划工具评估潜在影响并设计道德系统。 系统评估工具有助于识别潜在风险,并确保 AI 系统满足道德标准和法规要求。 这些工具提供了复杂的道德注意事项的结构化方法。 使用 AI 影响评估模板、 Human-AI eXperience 工具包和 负责任的 AI 成熟度模型 来指导规划过程。
实现 AI 治理框架,指导项目决策和监视系统行为。 治理框架提供一致的决策标准,并确保在所有 AI 项目中责任明确。 这些框架可帮助组织保持对 AI 开发和部署的控制。 制定涵盖角色、职责、合规性要求和道德标准的策略。 有关治理实现的详细指南,请参阅 Govern AI 。
在整个实施生命周期内应用 AI 安全和运营最佳实践。 安全和运营卓越确保 AI 系统在整个生命周期内保持可靠、安全且经济高效。 这些做法可防止安全事件和操作失败。 实现 AI操作框架(如 GenAIOps 或 MLOps),用于部署跟踪和性能监控。 有关详细的实现指南,请参阅 “管理 AI 和安全 AI ”。
估计交付时间线
现实时间线估计可实现有效的资源规划和利益干系人管理,同时确保项目成功。 时间线准确性取决于项目复杂性、组织成熟度和资源可用性。 必须基于概念证明和组织能力的经验数据进行时间线估计。 操作方法如下:
使用概念证明结果来估算每个用例的实施时间线。 PoC 数据提供实际基线估计,这些估计考虑到了组织的特定功能和约束。 此方法产生的时间线比理论估计更准确。 记录 PoC 实现期间观察到的开发时间、测试周期和部署复杂性。
考虑时间线规划中的组织成熟度和复杂性因素。 不同的 AI 解决方案具有特征实现时间线,这些时间线因组织准备情况和项目范围而异。 这种理解有助于为利益干系人设置适当的期望。 Microsoft Copilots 通常提供最短的投资回报时间线(几天到几周),而自定义 Azure AI 工作负载需要数周到数月才能达到生产准备情况。
生成用于学习、迭代和意外挑战的缓冲时间。 AI 项目经常遇到不可预见的技术挑战,需要多次迭代才能获得所需的结果。 缓冲时间可防止可能会损害质量或道德考虑的计划压力。 将 20-30% 的应急时间加入到初始估算中,并规划多个开发周期。
Azure 资源
类别 | 工具 | 说明 |
---|---|---|
学习和认证 | AI 学习中心 | 为技能开发提供免费的 AI 培训、认证和产品指南 |
评估与规划 | AI 影响评估模板 | 评估 AI 计划的社会、经济和道德影响 |
开发平台 | Azure AI Foundry | 用于构建和部署生成式人工智能应用程序的综合平台 |
模型训练 | Azure 机器学习 | 端到端机器学习生命周期管理和模型部署 |
AI 服务 | Azure AI 服务 | 用于视觉、语音、语言和决策的预构建 AI 功能 |
会话式 AI | Microsoft Copilot Studio | 用于生成自定义聊天 AI 代理和聊天机器人的平台 |
合作伙伴网络 | Microsoft合作伙伴市场 | 访问拥有 AI、数据和 Azure 专业知识的认证合作伙伴 |
下一步
通过建立实现的技术基础来完成 AI 采用规划。 对于使用 Azure 的自定义 AI 工作负载,请转到 AI Ready 以配置技术环境。 为采用 Microsoft Copilot,请推进 AI 治理以建立组织监督。