AI戦略 - AI導入戦略を策定する組織向けの推奨事項

この記事では、AI 導入のために組織を準備するプロセスについて説明します。 適切な AI ソリューションを選択し、データを準備し、責任ある AI 原則でアプローチを基礎にする方法について説明します。 適切に計画された AI 戦略は、ビジネス目標に合致し、AI プロジェクトが全体的な成功に貢献することを保証します。 最初のステップとして、AI センター オブ エクセレンス (AI CoE) を作成するか、AI リードを指定して AI の導入を監視します。

AI のユース ケースを特定する

AI は、個々の効率の向上とビジネス プロセスの改善という 2 つの主な目標をサポートしています。 生成 AI は生産性を高め、カスタマー エクスペリエンスを向上させますが、機械学習などの非生成 AI は、構造化データの分析や反復的なタスクの自動化に最適です。 このように理解した上で、AI が付加価値をもたらす可能性があるビジネス全体の領域を特定します。 詳細については、「AI の使用例」を参照してください。

• 自動化の機会を探す。 自動化に適したプロセスを特定して、効率を向上させ、運用コストを削減します。 反復的なタスク、データ負荷の高い操作、または AI が大きな影響を与える可能性があるエラー率の高い領域に焦点を当てます。

• アセスメントの実施。 さまざまな部門からの意見を収集して、AI が対処できる課題と非効率性を特定します。 現在のワークフローを文書化して、AI がタスクを自動化したり、分析情報を提供したりできる領域を見つけます。

• 業界のユース ケースの調査。 AZURE アーキテクチャ センターの AI アーキテクチャ を使用して、AI が解決できる問題に関する分析情報を得ることができます。 他の企業が AI を使用する方法を調査します。 貴社の業界に関連する新たな AI テクノロジとアプリケーションについて常に情報を入手します。

• AI のターゲットを設定します。 ユース ケースごとに、目標 (汎用)、目標 (期待する結果)、成功メトリック (定量化可能な測定) を定義して、AI の導入を導きます。 明確な AI ターゲットを使用すると、適切な AI ソリューションに進み、価値をより迅速に測定して達成するのに役立ちます。

詳細については、「AI 戦略例」を参照してください。

AI テクノロジ戦略を定義する

AI テクノロジ戦略では、生成型および非変性型の AI ユース ケースに適したツールとプラットフォームを選択する必要があります。 スキル セット、データの準備状況、予算に合った AI ソリューションを選択する必要があります。 Microsoft には、さまざまなニーズに合わせてさまざまな AI ソリューションがあります。 サービスとしてのソフトウェア (SaaS)、サービスとしてのプラットフォーム (PaaS)、サービスとしてのインフラストラクチャ (IaaS) オプションがあります。 選択したサービス モデルは、貴社と Microsoft の間の AI 共有責任 に影響します。

次の AI デシジョン ツリーを使用して、各 AI ユース ケースのオプションを絞り込みます。 最初の決定を行う前に、すべてのオプションを確認してください。 AI サービスを特定するときは、サービスが適切であることを確認します。 成功を確実にするために必要なスキル、必要なデータ、コスト要因を検証するには、次のガイダンスを使用します。

AI ソフトウェア サービス (SaaS) を購入する

Microsoft では、個々の効率を高めるさまざまな Copilot 生成 AI サービスを提供しています。 これらの Copilots を使用すると、貴社のビジネス全体または特定のユーザー向けの AI 機能用のサービスとしてのソフトウェア (SaaS) を購入できます。 SaaS 製品には通常、最小限の技術スキルが必要です。

データのニーズという点では、Microsoft 365 Copilot は Microsoft Graph でエンタープライズ データを使用します。 秘密度ラベルを使用してデータを分類できます。 ロールベースの Copilots には、データを取り込むためのさまざまなデータ接続とプラグイン オプションがあります。 製品内の Copilot ではほとんどの場合、追加のデータ準備は必要ありません。 Copilot Studio は、さまざまなビジネス アプリケーション用のカスタム copilots を作成するために必要なデータ処理の多くを自動化します。 詳細については、次の表のリンクを参照してください。

Microsoft Copilots	説明	User	必要なデータ	必要なスキル	主なコスト要因
Microsoft 365 Copilot	Microsoft 365 アプリでの作業を自動化し、Microsoft Graph のビジネス データとチャットするためのセキュリティ強化された方法を提供するエンタープライズ全体のソリューションには、Microsoft 365 Copilot を使用します。	事業	はい	一般的な IT とデータ管理	ライセンス
ロールベースの Copilots	Microsoft Copilot for Security と Microsoft 365 のロールベースのエージェント (Microsoft 365 Copilot for Sales、Microsoft 365 Copilot for Service、Microsoft 365 Copilot for Finance など) を使用して、特定のビジネス ロールの生産性を向上させます。	事業	はい	一般的な IT とデータ管理	ライセンスまたは セキュリティ コンピューティング ユニット (Copilot for Security)
製品内 Copilots	GitHub、Power Apps、Power BI、Dynamics 365、Power Automate、Azure のような Microsoft 製品の生産性を向上させるために、copilots を使用します。	企業と個人	はい	なし	無料またはサブスクリプション
Copilot Free または Pro	Azure OpenAI モデルへの ブラウザー ベースのアクセスには、無料バージョンを使用します。 パフォーマンスと容量を向上させるには、Copilot Pro を使用します。	個人	いいえ	なし	Copilot Free は無料、Copilot Pro はサブスクリプション
Copilot Studio	Copilot Studio を使用してテストをビルドし、オーサリング環境にエージェントをデプロイします。	開発者	はい	プラットフォームを使用してデータ ソースを接続し、プロンプトをマッピングし、さまざまな場所に副操縦士をデプロイする	ライセンス

Azure AI プラットフォーム (PaaS) を使用して AI ワークロードを構築する

Microsoft は、AI ワークロードを構築するためのさまざまな「サービスとしてのプラットフォーム (PaaS)」 オプションを提供しています。 選択するプラットフォームは、貴社の AI に関する目標、必要なスキル、データのニーズによって異なります。 Azure には、初心者向けのツールから、経験豊富な開発者やデータ サイエンティスト向けの高度なオプションまで、さまざまな専門知識レベルに適したプラットフォームが用意されています。 価格ページを確認し、Azure 料金計算ツールを使用してコストを見積もってください。

AI の目標	Microsoft のソリューション	必要なデータ	必要なスキル	主なコスト要因
コード優先プラットフォームを使用して RAG アプリケーションを構築する	Azure AI Studio または Azure OpenAI	はい	モデルの選択、データフローの調整、データのチャンク化、チャンクの強化、インデックス作成の選択、クエリの種類 (フルテキスト、ベクター、ハイブリッド) の理解、フィルターとファセットの理解、再ランク付けの実行、プロンプト フローの設計、エンドポイントのデプロイ、アプリでのエンドポイントの使用	コンピューティング、インとアウトのトークンの数、使用された AI サービス、ストレージ、およびデータ転送
生成 AI モデルを微調整する	Azure AI Studio	はい	データの前処理、データのトレーニング データと検証データへの分割、モデルの検証、その他のパラメーターの構成、モデルの改善、モデルのデプロイ、アプリでのエンドポイントの使用	コンピューティング、インとアウトのトークンの数、使用された AI サービス、ストレージ、およびデータ転送
独自のデータを使用して機械学習モデルをトレーニングおよび推論する	Azure Machine Learning または Microsoft Fabric	はい	データの前処理、コードまたは自動化によるモデルのトレーニング、モデルの改善、機械学習モデルのデプロイ、アプリでのエンドポイントの使用	コンピューティング、ストレージ、データ転送
アプリケーションで分析 AI モデルを使用する	Azure AI サービス	はい	適切な AI モデルの選択、エンドポイントのセキュリティ保護、アプリでのエンドポイントの使用、必要に応じた微調整	モデル エンドポイントの使用量、ストレージ、データ転送、コンピューティング (カスタム モデルをトレーニングする場合)

インフラストラクチャ サービスを利用して独自のモデルを持ち込む (IaaS)

より詳細な制御とカスタマイズが必要な組織向けに、Microsoft は「サービスとしてのインフラストラクチャ (IaaS)」 ソリューションを提供しています。 Azure AI プラットフォーム (PaaS) は AI ワークロードに適していますが、 Azure Virtual Machines through CycleCloud Azure Kubernetes Service は高度な AI ニーズに対して GPU と CPU へのアクセスを提供します。 このセットアップにより、独自のモデルを Azure に持ち込むことができます。 関連する価格ページと Azure 料金計算ツールをご覧ください。

AI の目標	Microsoft のソリューション	必要なデータ	必要なスキル	主なコスト要因
貴社独自の AI モデルをトレーニングして推論します。 独自のスタックを Azure に持ち込む。	Azure Virtual Machines または Azure Kubernetes Service	はい	インフラストラクチャ管理、IT、プログラムのインストール、モデル トレーニング、モデル ベンチマーク、オーケストレーション、エンドポイントの展開、エンドポイントのセキュリティ保護、アプリでのエンドポイントの使用	コンピューティング、コンピューティング ノード オーケストレーター、マネージド ディスク (省略可能)、ストレージ サービス、Azure Bastion、使用されるその他の Azure サービス

詳細については、「AI 戦略例」を参照してください。

AI データ戦略を定義する

AI ユース ケースごとに、規制、倫理的、運用上の標準に沿ったデータ コレクション、ストレージ、および使用プラクティスの概要を示す AI データ戦略を定義する必要があります。 各特定のユース ケースに合わせて戦略を調整することで、信頼性の高い AI 出力が保証され、データ セキュリティとプライバシーが促進されます。 必要に応じて、これらの個々の戦略を組織のより広範な概要データ戦略に統合できます。

• データ ガバナンスを確立します。 AI ユース ケースに固有のデータ ガバナンスの原則を定義して、ワークロードが透過的で説明責任を持ち、法的および倫理的な標準に準拠していることを確認します。 秘密度とポリシーに基づくデータの分類を含め、ユース ケースに関連するアクセス、使用状況、ストレージを制御します。

• データのライフサイクルを計画します。 この特定の AI ユース ケースのデータを収集、格納、処理、および廃止する方法を指定します。 保持および廃棄に関するポリシーを含め、更新時の正確性を維持するためにバージョン管理を使用します。

• AI の公平性と偏りの制御を設定します。 この AI ユース ケースに使用されるデータの偏りを検出して対処するプロセスを開発します。 Fairlearn のようなツールを使用して、特に機密データ属性を扱う場合には、モデルが公平かつ公正な結果を提供できるようにします。

• AI チームとデータ チーム間のコラボレーションを促進します。 AI 開発をデータ エンジニアリングの取り組みと一致させ、高品質で適切に管理されたデータを使用してモデルが構築されるようにします。 AI モデルのトレーニングとデータ更新のための統合パイプラインを確立します。

• データのスケーラビリティを準備します。 この AI ワークロードに必要なデータの量、速度、多様性を予測します。 柔軟なアーキテクチャを使用して需要に合わせてスケーリングし、効率的なリソース管理のためにクラウドベースのインフラストラクチャを検討します。

• データ管理の自動化を組み込みます。 AI と機械学習を使用して、タグ付け、カタログ化、データ品質チェックなどのタスクを自動化することを計画します。 自動化により精度が向上し、チームは戦略的な取り組みに集中できます。

• 継続的な監視と評価を計画します。 データとモデル出力の定期的な監査を確立して、継続的なデータの品質、パフォーマンス、公平性を確保します。 AI モデルとデータ パイプラインを監視して、信頼性やコンプライアンスに影響を与える可能性のある変化を特定します。

詳細については、「AI 戦略例」を参照してください。

責任ある AI 戦略を定義する

AI ユース ケースごとに、AI ソリューションが信頼でき、すべてのユーザーにとって有益であることを保証する役割を概説する責任ある AI 戦略を定義する必要があります。 責任は、それぞれのケースで採用されているテクノロジによって異なる場合があります。 必要に応じて、個々のユース ケースから派生した包括的な原則を含む、より広範な概要責任ある AI 戦略を作成します。

• AI の説明責任を確立します。 AI テクノロジと規制が進むにつれて、これらの変化を監視し、管理する担当者を任命します。 通常は、AI CoE または AI リードの責任です。

• 確立された責任ある AI 原則に合わせます。 Microsoft は、NIST 人工知能リスク管理フレームワーク (AI RMF) に準拠する 6 つの 責任あるAI 原則に従います。 これらの原則をビジネス目標として使用して、成功を定義し、各ユース ケースで AI 導入を管理します。

• 責任ある AI ツールを特定します。 責任ある AI ツールを使用すると、AI がより広範な責任ある AI プラクティスに確実に適合します。 戦略の一環として、どの責任ある AI ツールとプロセス が関連しているかを特定します。

• 法律および規制のコンプライアンス要件を理解します。 法律と規制のコンプライアンスは、AI ワークロードの構築と管理方法に影響します。 業務を行う場所における AI に関する要件を調査し、遵守します。

詳細については、「AI 戦略例」を参照してください。

次のステップ

AI 計画

AI ユース ケースの例

これらの例では、さまざまな生成型および非生成型 AI アプリケーションについて説明します。 網羅的ではありませんが、AI をビジネスのさまざまな領域に適用する方法に関する分析情報を提供します。

生成 AI	非生成型 AI
自律エージェント: スケジュールやお客様の問い合わせを管理する仮想アシスタントなど、タスクを個別に実行する AI システムを開発します。	画像認識: AI を使用して、画像またはビデオ内のオブジェクトを識別および分類します。これは、セキュリティまたは品質管理システムで役立ちます。
Marketing: ソーシャルメディアの投稿やメール ニュースレターを自動的に作成します。	予測: 履歴データに基づいて傾向を予測するか、操作を最適化します。
Eコマース プラットフォーム: パーソナライズされた製品のレコメンデーションとカスタマイズされたショッピング エクスペリエンスを生成します。	プロセスの自動化: 顧客サービス ボットなど、コンテンツ生成を必要としない日常的なタスクとワークフローを自動化します。
製品設計: 製品のプロトタイプまたは設計要素の複数のバリエーションをすばやく作成します。	データ分析: 分析情報とデータドリブンの意思決定のために、構造化データのパターンを明らかにします。
ソフトウェア開発: CRUD 操作などの反復的なコード生成を自動化します。	モデル シミュレーション: 複雑なワークロード (流体力学、有限要素分析) をシミュレートして動作を予測し、設計またはプロセスを最適化します。
教育プラットフォーム: 学生のためのパーソナライズされた学習資料を生成します。	異常検出: データ内の異常なパターンを特定します。 たとえば、この戦略を使用して、不正行為の検出や機器の故障の予測を行うことができます。
カスタマー サービス: AI 駆動型チャットボットを通じてコンテキストベースの応答を提供します。	推奨事項: eコマースおよびストリーミング サービスでよく使用されるユーザーの行動に基づいて、パーソナライズされた推奨事項を提供します。
広告代理店: 様々な対象ユーザー セグメントごとにターゲット広告バリエーションを作成します。	最適化: 複雑な問題 (サプライ チェーンの最適化、リソースの割り当て) を解決することで、効率を向上させます。
健康とウェルネスのアプリ: カスタマイズされたトレーニング ルーチンと食事計画を生成します。	センチメント分析: ソーシャル メディアや顧客レビューのテキストを分析して、一般のセンチメントを測定し、カスタマー エクスペリエンスを強化します。

AI 戦略例

この AI 戦略例は、架空の会社 Contoso に基づいています。 Contoso は、お客様向けの e コマース プラットフォームを運用し、ビジネス データを予測するためのツールを必要とする営業担当者を雇用しています。 また、生産用の製品開発と在庫の管理も行っています。 その販売チャネルには、民間企業や規制の厳しい公的機関の両方が含まれています。

AI のユース ケース	目標	目標	成功のメトリック	AI アプローチ	Microsoft のソリューション	データのニーズ	スキルのニーズ	コスト要因	AI データ戦略	責任ある AI 戦略
eコマース Web アプリケーション チャット機能	SaaS とオンプロミス全体で	顧客満足度の向上	顧客リテンション率の上昇	PaaS、生成 AI、RAG	Azure AI Studio	項目の説明とペアリング	RAG とクラウド アプリの開発	使用方法	顧客データのデータ ガバナンスを確立し、AI の公平性制御を実装します。	AI CoE に AI アカウンタビリティを割り当て、責任ある AI の原則に合わせます。
内部アプリのドキュメント処理ワークフロー	SaaS とオンプロミス全体で	コストの削減	完了率の増加	分析 AI、微調整	Azure AI サービス - Document Intelligence	標準ドキュメント	アプリ開発	概算使用量	内部ドキュメントのデータ ガバナンスを定義し、データ ライフサイクル ポリシーを計画します。	AI アカウンタビリティを割り当て、データ処理ポリシーに確実に準拠します。
在庫管理と製品購入	SaaS とオンプロミス全体で	コストの削減	在庫の保管期間の短縮	機械学習、トレーニング モデル	Azure Machine Learning	履歴在庫と売上データ	機械学習とアプリ開発	概算使用量	売上データのガバナンスを確立し、データの偏りを検出して対処します。	AI アカウンタビリティを割り当て、金融規制に準拠します。
会社全体の毎日の作業	個々の生産性を向上させる	従業員エクスペリエンスの向上	従業員の満足度の向上	PaaS 生成 AI	Microsoft 365 Copilot	OneDrive データ	一般的な IT	サブスクリプション コスト	従業員データのデータ ガバナンスを実装し、データのプライバシーを確保します。	AI アカウンタビリティを割り当て、組み込みの責任ある AI 機能を利用します。
規制業界向け E コマース アプリのチャット機能	SaaS とオンプロミス全体で	営業の拡大	売上の増加	IaaS 生成 AI モデル トレーニング	Azure Virtual Machines	ドメイン固有のトレーニング データ	クラウド インフラストラクチャとアプリ開発	インフラストラクチャとソフトウェア	規制対象データのガバナンスを定義し、コンプライアンス対策を使用してライフサイクルを計画します。	AI アカウンタビリティを割り当て、業界の規制に準拠します。