Strategia di intelligenza artificiale - Raccomandazioni per le organizzazioni che sviluppano una strategia di adozione dell'IA

Questo articolo descrive il processo per preparare l'organizzazione per l'adozione dell'IA. Si apprenderà come selezionare le soluzioni di intelligenza artificiale appropriate, preparare i dati e basare l'approccio nei principi di IA responsabili. Una strategia di IA ben pianificata si allinea agli obiettivi aziendali e garantisce che i progetti di IA contribuiscano al successo complessivo. Come primo passaggio, creare un centro di eccellenza per l'intelligenza artificiale (AI CoE) o nominare un responsabile dell'IA per supervisionare l'adozione dell'IA.

Identificare i casi d'uso di intelligenza artificiale

L'IA supporta due obiettivi principali: migliorare l'efficienza individuale e migliorare i processi aziendali. L'intelligenza artificiale generativa promuove la produttività e migliora le esperienze dei clienti, mentre l'IA non generativa, ad esempio Machine Learning, è ideale per l'analisi dei dati strutturati e l'automazione delle attività ripetitive. Con questa comprensione, identificare le aree aziendali in cui l'intelligenza artificiale potrebbe aggiungere valore. Per altre informazioni, vedere casi d'uso di intelligenza artificiale di esempio.

• Cercare opportunità di automazione. Identificare i processi adatti per l'automazione per migliorare l'efficienza e ridurre i costi operativi. Concentrarsi su attività ripetitive, operazioni con carichi di dati o aree con tassi di errore elevati in cui l'intelligenza artificiale può avere un effetto significativo.

• Eseguire una valutazione. Raccogliere input da vari reparti per identificare le sfide e le inefficienze che l'intelligenza artificiale potrebbe affrontare. Documentare i flussi di lavoro correnti per trovare aree in cui l'intelligenza artificiale può automatizzare le attività o fornire informazioni dettagliate.

• Esplorare i casi d'uso del settore. Usare le architetture di intelligenza artificiale nel Centro architetture di Azure per informazioni dettagliate sui problemi che possono essere risolti dall'intelligenza artificiale. Ricerca su come altre aziende usano l'IA. Rimanere informati sulle tecnologie e le applicazioni di IA emergenti rilevanti per il settore.

• Impostare le destinazioni di intelligenza artificiale. Per ogni caso d'uso, definire un obiettivo (utilizzo generico), un obiettivo (risultato desiderato) e una metrica di successo (misura quantificabile) per guidare l'adozione dell'IA. Gli obiettivi di intelligenza artificiale chiari consentono di raggiungere la soluzione di intelligenza artificiale corretta e consentono di misurare e ottenere valore più velocemente.

Per altre informazioni, vedere La strategia di intelligenza artificiale di esempio.

Definire una strategia tecnologica di intelligenza artificiale

Una strategia tecnologica di intelligenza artificiale prevede la selezione degli strumenti e delle piattaforme appropriati per i casi d'uso generativi e non generativi dell'IA. È necessario scegliere soluzioni di intelligenza artificiale allineate al set di competenze, all'idoneità dei dati e al budget. Microsoft offre un'ampia gamma di soluzioni di intelligenza artificiale per allinearsi a esigenze diverse. Sono disponibili opzioni SaaS (Software as a Service), PaaS (Platform as a Service) e Infrastruttura distribuita come servizio (IaaS). Il modello di servizio scelto influisce sulla responsabilità condivisa dell'IA tra l'utente e Microsoft.

Usare l'albero delle decisioni di intelligenza artificiale seguente per restringere le opzioni per ogni caso d'uso di intelligenza artificiale. Esaminare tutte le opzioni prima di prendere la decisione iniziale. Quando si identifica un servizio di intelligenza artificiale, verificare che il servizio sia adatto. Usare le indicazioni seguenti per convalidare le competenze necessarie, i dati necessari e i fattori di costo per garantire il successo.

Acquistare servizi software di intelligenza artificiale (SaaS)

Microsoft offre vari servizi di intelligenza artificiale generati da Copilot che migliorano l'efficienza individuale. Questi Copilot consentono di acquistare software come servizio (SaaS) per le funzionalità di intelligenza artificiale nell'azienda o per utenti specifici. I prodotti SaaS in genere richiedono competenze tecniche minime.

In termini di esigenze di dati, Microsoft 365 Copilot usa i dati aziendali in Microsoft Graph. È possibile classificare i dati con etichette di riservatezza. I copiloti basati su ruoli hanno diverse opzioni di connessione dati e plug-in per inserire i dati. La maggior parte dei copiloti nel prodotto non richiede una preparazione aggiuntiva dei dati. Copilot Studio automatizza gran parte dell'elaborazione dei dati necessaria per creare copiloti personalizzati per varie applicazioni aziendali. Per altre informazioni, usare i collegamenti nella tabella seguente.

Microsoft Copilots	Descrizione	User	Dati necessari	Competenze richieste	Fattori di costo principali
Microsoft 365 Copilot	Usare Microsoft 365 Copilot per una soluzione a livello aziendale che automatizza il lavoro nelle app di Microsoft 365 e offre un modo di sicurezza avanzato per chattare con i dati aziendali in Microsoft Graph.	Azienda	Sì	Gestione generale dei dati e IT	Licenza
Copiloti basati sui ruoli	Usare Microsoft Copilot per la sicurezza e gli agenti basati sui ruoli per Microsoft 365, ad esempio Microsoft 365 Copilot for Sales, Microsoft 365 Copilot for Service e Microsoft 365 Copilot for Finance, per migliorare la produttività per ruoli aziendali specifici.	Azienda	Sì	Gestione generale dei dati e IT	Licenze o unità di calcolo per la sicurezza (Copilot per la sicurezza)
Copiloti in-product	Usare i copiloti per migliorare la produttività all'interno di prodotti Microsoft, ad esempio GitHub, Power Apps, Power BI, Dynamics 365, Power Automate e Azure.	Business e individual	Sì	None	Gratuito o abbonamento
Copilot Free o Pro	Usare la versione gratuita per l'accesso basato su browser ai modelli OpenAI di Azure. Usare Copilot Pro per migliorare le prestazioni e una maggiore capacità.	Singolo	No	None	None for Copilot Free or subscription for Copilot Pro
Copilot Studio	Usare Copilot Studio per creare test e distribuire agenti in un ambiente di creazione.	Sviluppatore	Sì	Uso di una piattaforma per connettere origini dati, mapping di richieste e distribuzione di copiloti in diverse posizioni	Licenza

Creare carichi di lavoro di intelligenza artificiale con piattaforme di intelligenza artificiale di Azure (PaaS)

Microsoft offre varie opzioni PaaS (Platform-as-a-Service) per la creazione di carichi di lavoro di intelligenza artificiale. La piattaforma scelta dipende dagli obiettivi di intelligenza artificiale, dalle competenze necessarie e dalle esigenze dei dati. Azure offre piattaforme adatte a diversi livelli di esperienza, dagli strumenti per principianti alle opzioni avanzate per sviluppatori esperti e data scientist. Esaminare le pagine dei prezzi e usare il calcolatore prezzi di Azure per stimare i cast.

Obiettivo dell'intelligenza artificiale	Soluzione Microsoft	Dati necessari	Competenze richieste	Fattori di costo principali
Creare applicazioni RAG con piattaforma code-first	Studio AI della piattaforma Azure or OpenAI di Azure	Sì	Selezione di modelli, orchestrazione del flusso di dati, suddivisione in blocchi, arricchimento di blocchi, scelta dell'indicizzazione, comprensione dei tipi di query (full-text, vettore, ibrido), comprensione di filtri e facet, esecuzione di reranking, flusso di richiesta di progettazione, distribuzione di endpoint e utilizzo di endpoint nelle app	Calcolo, numero di token in uscita e in uscita, servizi di intelligenza artificiale usati, archiviazione e trasferimento dei dati
Ottimizzare i modelli di intelligenza artificiale generativi	Studio AI della piattaforma Azure	Sì	Pre-elaborazione dei dati, suddivisione dei dati in dati di training e convalida, convalida dei modelli, configurazione di altri parametri, miglioramento dei modelli, distribuzione di modelli e utilizzo di endpoint nelle app	Calcolo, numero di token in uscita e in uscita, servizi di intelligenza artificiale usati, archiviazione e trasferimento dei dati
Eseguire il training e l'inferenza dei modelli di Machine Learning usando i propri dati	Azure Machine Learning or Microsoft Fabric	Sì	Pre-elaborazione dei dati, modelli di training tramite codice o automazione, miglioramento dei modelli, distribuzione di modelli di Machine Learning e utilizzo di endpoint nelle app	Calcolo, archiviazione e trasferimento dei dati
Usare modelli di intelligenza artificiale analitica nelle applicazioni	Servizi di Azure AI	Sì	Scelta del modello di intelligenza artificiale corretto, protezione degli endpoint, uso di endpoint nelle app e ottimizzazione in base alle esigenze	Uso di endpoint modello usati, archiviazione, trasferimento dei dati, calcolo (se si esegue il training di modelli personalizzati)

Usare modelli personalizzati con i servizi di infrastruttura (IaaS)

Per le organizzazioni che necessitano di maggiore controllo e personalizzazione, Microsoft offre soluzioni IaaS (Infrastructure-as-a-Service). Anche se le piattaforme PaaS (Azure AI Platform) sono preferite per i carichi di lavoro di intelligenza artificiale, Azure Macchine virtuali tramite CycleCloud e servizio Azure Kubernetes fornisce l'accesso a GPU e CPU per esigenze avanzate di intelligenza artificiale. Questa configurazione consente di portare i propri modelli in Azure. Fare riferimento alle pagine dei prezzi pertinenti e al calcolatore prezzi di Azure.

Obiettivo dell'intelligenza artificiale	Soluzione Microsoft	Dati necessari	Competenze richieste	Fattori di costo principali
Eseguire il training e l'inferenza dei propri modelli di intelligenza artificiale. Usare modelli personalizzati in Azure.	Macchine virtuali di Azure or Servizio Azure Kubernetes	Sì	Gestione dell'infrastruttura, IT, installazione del programma, training dei modelli, benchmarking dei modelli, orchestrazione, distribuzione di endpoint, protezione degli endpoint e utilizzo di endpoint nelle app	Calcolo, agente di orchestrazione dei nodi di calcolo, dischi gestiti (facoltativo), servizi di archiviazione, Azure Bastion e altri servizi di Azure usati

Per altre informazioni, vedere La strategia di intelligenza artificiale di esempio.

Definire una strategia per i dati di intelligenza artificiale

Per ogni caso d'uso di intelligenza artificiale, è necessario definire una strategia per i dati di intelligenza artificiale che delinea le procedure di raccolta, archiviazione e utilizzo dei dati in linea con gli standard normativi, etici e operativi. Adattare la strategia a ogni caso d'uso specifico garantisce output di intelligenza artificiale affidabili e promuove la sicurezza e la privacy dei dati. Se necessario, è possibile consolidare queste singole strategie in una strategia dei dati di riepilogo più ampia per l'organizzazione.

• Stabilire la governance dei dati. Definire i principi di governance dei dati specifici del caso d'uso di intelligenza artificiale per garantire che i carichi di lavoro siano trasparenti, responsabili e conformi agli standard legali ed etici. Includere la categorizzazione dei dati in base alla riservatezza e ai criteri per controllare l'accesso, l'utilizzo e l'archiviazione rilevanti per il caso d'uso.

• Pianificare il ciclo di vita dei dati. Specificare come raccogliere, archiviare, elaborare e ritirare i dati per questo particolare caso d'uso di intelligenza artificiale. Includere criteri di conservazione e eliminazione e usare il controllo della versione per mantenere l'accuratezza durante gli aggiornamenti.

• Configurare i controlli di equità e distorsione dell'intelligenza artificiale. Sviluppare processi per rilevare e risolvere le distorsioni nei dati usati per questo caso d'uso di intelligenza artificiale. Usare strumenti come Fairlearn per garantire che i modelli forniscano risultati equi e equi, soprattutto quando si usano attributi di dati sensibili.

• Promuovere la collaborazione tra i team di intelligenza artificiale e i team di dati. Allineare lo sviluppo di intelligenza artificiale alle attività di progettazione dei dati per garantire che i modelli vengano compilati usando dati di alta qualità e ben gestiti. Stabilire una pipeline unificata per il training del modello di intelligenza artificiale e gli aggiornamenti dei dati.

• Prepararsi per la scalabilità dei dati. Prevedere il volume, la velocità e la varietà di dati necessari per questo carico di lavoro di intelligenza artificiale. Usare architetture flessibili per ridimensionare con la domanda e prendere in considerazione le infrastrutture basate sul cloud per una gestione efficiente delle risorse.

• Incorporare l'automazione della gestione dei dati. Pianificare l'uso dell'intelligenza artificiale e dell'apprendimento automatico per automatizzare attività come l'assegnazione di tag, la catalogazione e i controlli qualitativi dei dati. L'automazione migliora l'accuratezza e consente ai team di concentrarsi sugli sforzi strategici.

• Pianificare il monitoraggio e la valutazione continui. Stabilire controlli regolari degli output di dati e modelli per garantire la qualità, le prestazioni e l'equità dei dati in corso. Monitorare i modelli di intelligenza artificiale e le pipeline di dati per identificare eventuali turni che potrebbero influire sull'affidabilità o sulla conformità.

Per altre informazioni, vedere La strategia di intelligenza artificiale di esempio.

Definire una strategia di IA responsabile

Per ogni caso d'uso di intelligenza artificiale, è necessario definire una strategia di IA responsabile che delinea il proprio ruolo per garantire che le soluzioni di intelligenza artificiale rimangano affidabili e vantaggiose per tutti gli utenti. Le responsabilità possono variare a seconda della tecnologia adottata in ogni caso. Se necessario, creare un riepilogo più ampio della strategia di IA responsabile che includa principi generali derivati dai singoli casi d'uso.

• Stabilire la responsabilità dell'IA. Man mano che la tecnologia e le normative di intelligenza artificiale avanzano, assegnare un utente per monitorare e gestire queste modifiche. In genere è responsabilità del coe di intelligenza artificiale o di un responsabile dell'IA.

• Allinearsi ai principi di IA responsabili stabiliti. Microsoft segue sei principi di IA responsabili che rispettano il framework di gestione dei rischi di intelligenza artificiale NIST (AI RMF). Usare questi principi come obiettivi aziendali per definire il successo e gestire l'adozione dell'IA in ogni caso d'uso.

• Identificare gli strumenti di IA responsabili. Gli strumenti di IA responsabili assicurano che l'IA sia allineata alle procedure di IA più ampie e responsabili. Nell'ambito della strategia, identificare quali strumenti e processi di IA responsabile sono rilevanti.

• Comprendere i requisiti di conformità legali e normativi. La conformità alle normative e legali influisce sul modo in cui si creano e gestiscono i carichi di lavoro di intelligenza artificiale. Ricercare e rispettare i requisiti che regolano l'IA in cui si opera.

Per altre informazioni, vedere La strategia di intelligenza artificiale di esempio.

Passaggio successivo

Piano di intelligenza artificiale

Casi d'uso di intelligenza artificiale di esempio

Questi esempi evidenziano varie applicazioni di intelligenza artificiale generative e non generative. Anche se non esaustivo, forniscono informazioni dettagliate sul modo in cui l'IA può essere applicata a aree diverse dell'azienda.

Intelligenza artificiale generativa	Intelligenza artificiale non generica
Agenti autonomi: sviluppare sistemi di intelligenza artificiale che eseguono attività in modo indipendente, ad esempio assistenti virtuali che gestiscono pianificazioni o richieste dei clienti.	Riconoscimento delle immagini: usare l'intelligenza artificiale per identificare e classificare gli oggetti all'interno di immagini o video, utili nei sistemi di controllo della sicurezza o della qualità.
Marketing: crea automaticamente post di social media e newsletter di posta elettronica.	Stima: prevedere le tendenze o ottimizzare le operazioni in base ai dati cronologici.
Piattaforme di e-commerce: generare raccomandazioni personalizzate sui prodotti e esperienze di acquisto personalizzate.	Automazione dei processi: automatizzare le attività di routine e i flussi di lavoro che non richiedono la generazione di contenuti, ad esempio bot del servizio clienti.
Progettazione del prodotto: creare rapidamente più varianti di prototipi di prodotto o elementi di progettazione.	Analisi dei dati: individuare modelli in dati strutturati per informazioni dettagliate e decisioni basate sui dati.
Sviluppo software: automatizzare la generazione di codice ripetitiva, ad esempio le operazioni CRUD.	Simulazione di modelli: simulare carichi di lavoro complessi (fluidità, analisi degli elementi finiti) per stimare il comportamento e ottimizzare progetti o processi.
Piattaforme didattiche: generare materiali di studio personalizzati per gli studenti.	Rilevamento anomalie: identificare modelli insoliti nei dati. È possibile usare questa strategia per il rilevamento delle frodi o la stima degli errori delle apparecchiature, ad esempio.
Servizio clienti: fornire risposte basate sul contesto tramite chatbot basati sull'intelligenza artificiale.	Raccomandazione: offrire raccomandazioni personalizzate in base al comportamento degli utenti, comunemente usato nei servizi di e-commerce e streaming.
Agenzie pubblicitarie: crea varianti di annunci mirate per segmenti di pubblico diversi.	Ottimizzazione: migliorare l'efficienza risolvendo problemi complessi (ottimizzazione della supply chain, allocazione delle risorse).
App per la salute e il benessere: genera routine di allenamento personalizzate e piani di pasto.	Analisi del sentiment: analizzare il testo dai social media o dalle recensioni dei clienti per misurare il sentiment pubblico e migliorare l'esperienza dei clienti.

Strategia di intelligenza artificiale di esempio

Questa strategia di intelligenza artificiale di esempio si basa su una società fittizia, Contoso. Contoso gestisce una piattaforma di e-commerce rivolta ai clienti e usa i rappresentanti delle vendite che necessitano di strumenti per prevedere i dati aziendali. L'azienda gestisce anche lo sviluppo e l'inventario dei prodotti per la produzione. I suoi canali di vendita includono sia aziende private che agenzie di settore pubblico altamente regolamentate.

Caso d'uso di intelligenza artificiale	Obiettivi	Obiettivi	Metriche di riuscita	Approccio di intelligenza artificiale	Soluzione Microsoft	Esigenze dei dati	Esigenze di competenza	Fattori di costo	Strategia dei dati di intelligenza artificiale	Strategia di IA responsabile
Funzionalità di chat dell'applicazione Web di e-commerce	Automatizzare il processo aziendale	Miglioramento della soddisfazione dei clienti	Aumento della frequenza di conservazione dei clienti	PaaS, intelligenza artificiale generativa, RAG	Studio AI della piattaforma Azure	Descrizioni e abbinamenti di elementi	Sviluppo di app rag e cloud	Utilizzo	Stabilire la governance dei dati per i dati dei clienti e implementare controlli di equità di intelligenza artificiale.	Assegnare la responsabilità dell'intelligenza artificiale al CoE di intelligenza artificiale e allinearsi ai principi di IA responsabile.
Flusso di lavoro interno per l'elaborazione dei documenti dell'app	Automatizzare il processo aziendale	Riduzione dei costi	Aumento della frequenza di completamento	Intelligenza artificiale analitica, ottimizzazione	Servizi di intelligenza artificiale di Azure - Document Intelligence	Documenti standard	Sviluppo di app	Utilizzo stimato	Definire la governance dei dati per documenti interni e pianificare i criteri relativi al ciclo di vita dei dati.	Assegnare la responsabilità dell'intelligenza artificiale e garantire la conformità ai criteri di gestione dei dati.
Gestione dell'inventario e acquisto di prodotti	Automatizzare il processo aziendale	Riduzione dei costi	Durata più breve dell'inventario	Machine Learning, modelli di training	Azure Machine Learning	Dati cronologici sull'inventario e le vendite	Machine Learning e sviluppo di app	Utilizzo stimato	Stabilire la governance per i dati di vendita e rilevare e risolvere i pregiudizi nei dati.	Assegnare la responsabilità dell'IA e rispettare le normative finanziarie.
Lavoro giornaliero in tutta l'azienda	Migliorare la produttività individuale	Migliorare l'esperienza dei dipendenti	Maggiore soddisfazione dei dipendenti	Intelligenza artificiale generativa SaaS	Microsoft 365 Copilot	Dati di OneDrive	IT generale	Costi della sottoscrizione	Implementare la governance dei dati per i dati dei dipendenti e garantire la privacy dei dati.	Assegnare la responsabilità dell'intelligenza artificiale e usare le funzionalità di IA responsabili predefinite.
App di e-commerce per la funzionalità di chat del settore regolamentato	Automatizzare il processo aziendale	Aumentare le vendite	Aumento delle vendite	Training del modello di intelligenza artificiale generativo IaaS	Macchine virtuali di Azure	Dati di training specifici del dominio	Sviluppo di app e infrastruttura cloud	Infrastruttura e software	Definire la governance per i dati regolamentati e pianificare il ciclo di vita con misure di conformità.	Assegnare la responsabilità dell'intelligenza artificiale e rispettare le normative del settore.