Стратегия искусственного интеллекта — процесс разработки стратегии искусственного интеллекта

В этой статье описывается процесс подготовки организации к внедрению искусственного интеллекта. Вы узнаете, как выбрать правильные решения в области искусственного интеллекта, подготовить свои данные и основать свой подход на принципах ответственного ИИ. Хорошо запланированная стратегия искусственного интеллекта соответствует вашим бизнес-целям и гарантирует, что проекты ИИ способствуют общему успеху.

Определение вариантов использования ИИ

ИИ повышает эффективность отдельных процессов и улучшает бизнес-процессы. Создание искусственного интеллекта способствует повышению производительности и улучшает взаимодействие с клиентами. Негенеративные ИИ, такие как машинное обучение, идеально подходят для анализа структурированных данных и автоматизации повторяющихся задач. С помощью этого понимания определите области в вашем бизнесе, где ИИ может добавить ценность. Для получения дополнительной информации см. примеры вариантов использования ИИ.

• Ищите возможности автоматизации. Определение процессов, подходящих для автоматизации для повышения эффективности и снижения операционных затрат. Сосредоточьтесь на повторяющихся задачах, операциях с большим объемом данных или областях с высоким уровнем ошибок, где ИИ может иметь значительный эффект.

• Проведение внутренней оценки. Соберите входные данные из различных отделов для выявления проблем и неэффективности, которые может решить ИИ. Документирование рабочих процессов и сбор мнений от заинтересованных лиц для определения возможностей автоматизации, генерации инсайтов или улучшения принятия решений.

• Изучите варианты использования в отрасли. Исследование того, как аналогичные организации или отрасли используют ИИ для решения проблем или улучшения операций. Используйте такие инструменты, как архитектуры ИИ, в Центре архитектуры Azure для вдохновения, и чтобы оценить, какие подходы могут соответствовать вашим потребностям.

• Задайте целевые объекты ИИ. Для каждого идентифицированного варианта использования четко определите цель (общую цель), цель (требуемый результат) и метрику успеха (квантификируемую меру). Эти элементы служат эталонами для руководства по внедрению ИИ и измерению его влияния.

Для получения дополнительной информации см. пример стратегии ИИ.

Определение стратегии технологии искусственного интеллекта

Стратегия технологий ИИ посвящена выбору наиболее подходящих инструментов и платформ для создания и негенеривных вариантов использования ИИ. Корпорация Майкрософт предлагает различные варианты, включая программное обеспечение как услуга (SaaS), платформу как услуга (PaaS) и инфраструктуру как услуга (IaaS), каждый из которых имеет различные уровни настройки и общую ответственность между вами и Корпорацией Майкрософт. Чтобы руководствоваться вашим решением, используйте следующее дерево принятия решений ИИ. Для каждой службы оцените навыки, данные и бюджет, необходимые для успешного выполнения этой службы. В этой статье приведены рекомендации, которые помогут в этом процессе оценки.

Приобретение программных служб ИИ (SaaS)

Корпорация Майкрософт предлагает различные службы искусственного интеллекта Copilot, которые повышают индивидуальную эффективность. Эти инструменты позволяют приобрести программное обеспечение как услугу (SaaS) для реализации возможностей искусственного интеллекта во всей вашей компании или только для отдельных пользователей. Продукты SaaS обычно требуют минимальных технических навыков.

С точки зрения необходимых данных Microsoft 365 Copilot использует корпоративные данные в Microsoft Graph. Данные можно классифицировать с помощью меток конфиденциальности. Ролевые копилоты имеют различные возможности подключения данных и плагинов для интеграции данных. Большинству встроенных копилотов не требуется дополнительная подготовка данных. Расширение возможностей Microsoft 365 Copilot позволяет вам добавлять больше данных через Microsoft Graph или декларативные агенты, которые могут извлекать данные из различных источников. Copilot Studio автоматизирует большую часть обработки данных, необходимых для создания пользовательских асистентов для различных бизнес-приложений. Дополнительные сведения см. в следующей таблице.

Microsoft Copilots	Описание	Пользователь	Необходимые данные	Необходимые навыки	Основные факторы затрат
Microsoft 365 Copilot	Используйте Microsoft 365 Copilot для корпоративного решения, которое автоматизирует работу в приложениях Microsoft 365 и предоставляет расширенный способ общения с бизнес-данными в Microsoft Graph.	Бизнес	Да	Общие ИТ-управление и управление данными	Лицензия
Копилоты на ролевой основе	Используйте Microsoft Copilot для обеспечения безопасности и ролевых агентов для Microsoft 365, чтобы повысить производительность определенных бизнес-ролей. Агенты на основе ролей включают Microsoft 365 Copilot для продаж, Microsoft 365 Copilot для обслуживанияи Microsoft 365 Copilot для финансов.	Бизнес	Да	Общие ИТ-управление и управление данными	Лицензии или вычислительные единицы безопасности (Copilot для безопасности)
Копилоты в рамках продукта	Используйте Copilots для повышения производительности в продуктах Майкрософт. Продукты с интегрированными помощниками Copilot включают GitHub, Power Apps, Power BI, Dynamics 365, Power Automateи Azure.	Бизнес и физическое лицо	Да	Нет	Бесплатный или подписка
Copilot Free или Pro	Используйте бесплатную версию для доступа на основе браузера к моделям Azure OpenAI. Используйте Copilot Pro для повышения производительности и большей емкости.	Индивидуальный	Нет	Нет	Нет для Copilot Free или подписки для Copilot Pro
Средства расширяемости для Microsoft 365 Copilot	Настраивайте (расширяйте) Microsoft 365 Copilot с использованием дополнительных данных (знаний) через соединители Microsoft Graph или возможностей (навыков) с помощью декларативных агентов. Чтобы создать декларативные агенты, используйте средства расширяемости, такие как Copilot Studio (разработка SaaS), конструктор агентов, набор инструментов Teams в VS Code (вариант pro-code) и Sharepoint.	Бизнес и частные лица	Да	Управление данными, общие ИТ-навыки или навыки разработчика	лицензия на Microsoft 365 Copilot
Copilot Studio	Используйте Copilot Studio для создания тестов и развертывания агентов в среде разработки SaaS.	разработчик.	Да	Использование платформы для подключения источников данных, сопоставления подсказок и развертывания помощников по различным местам	Лицензия

Создание рабочих нагрузок ИИ с помощью платформ Azure (PaaS)

Корпорация Майкрософт предоставляет различные варианты платформы как услуги (PaaS) для создания рабочих нагрузок ИИ. Выбранная платформа зависит от целей ИИ, необходимых навыков и данных. Azure предлагает платформы, подходящие для различных уровней знаний, от начальных инструментов до расширенных вариантов для опытных разработчиков и специалистов по обработке и анализу данных. Просмотрите страницы ценообразования и и используйте калькулятор цен Azure для оценки затрат.

Цель ИИ	Решение Майкрософт	Необходимые данные	Необходимые навыки	Основные факторы затрат
Создание приложений RAG с помощью платформы code-first	Azure AI Foundry или Azure OpenAI	Да	Выбор моделей, оркестрация потоков данных, фрагментирование данных, обогащение фрагментов, выбор индексирования, понимание типов запросов (полнотекстовые, векторные, гибридные), понимание фильтров и аспектов, выполнение повторного ранжирования, разработка потоков подсказок, развёртывание точек завершения и использование этих точек в приложениях.	Вычисления, количество входящих и исходящих маркеров, потребленные службы ИИ, хранилища и передача данных
Тонкая настройка генеративных моделей ИИ	Azure AI Foundry	Да	Предварительная обработка данных, разделение данных на данные обучения и проверки, проверка моделей, настройка других параметров, улучшение моделей, развертывание моделей и использование конечных точек в приложениях	Вычисление, количество токенов входящих и исходящих, потребляемые сервисы ИИ, хранилище и передача данных
Обучение и вывод моделей машинного обучения с помощью собственных данных	Машинное обучение Azure или Microsoft Fabric	Да	Предварительная обработка данных, обучение моделей с помощью кода или автоматизации, улучшение моделей, развертывание моделей машинного обучения и использование конечных точек в приложениях	Вычислительные ресурсы, хранилище и передача данных
Использование негенеривных моделей ИИ в приложениях	Службы ИИ Azure	Да	Выбор правильной модели ИИ, защиты конечных точек, использования конечных точек в приложениях и точной настройки по мере необходимости	Использование конечных точек модели, хранилища, передачи данных, вычислительных ресурсов (если вы обучаете пользовательские модели)

Используйте собственные модели с помощью инфраструктурных служб (IaaS)

Для организаций, требующих большего контроля и настройки, корпорация Майкрософт предлагает решения инфраструктуры как услуга (IaaS). Хотя платформы Azure (PaaS) предпочтительны для рабочих нагрузок ИИ, виртуальные машины Azure через CycleCloud и Служба Azure Kubernetes предоставляют доступ к GPU и ЦП для расширенных потребностей ИИ. Эта настройка позволяет перенести собственные модели в Azure. Ознакомьтесь с соответствующими страницами цен и калькулятором цен Azure.

Цель ИИ	Решение Майкрософт	Необходимые данные	Необходимые навыки	Основные факторы затрат
Обучайте и используйте собственные модели ИИ. Перенос собственных моделей в Azure.	Виртуальные машины Azure или Служба Azure Kubernetes	Да	Управление инфраструктурой, ИТ-служба, установка программы, обучение модели, тестирование моделей, оркестрация, развертывание конечных точек, защита конечных точек и использование конечных точек в приложениях	Вычислительные ресурсы, оркестратор вычислительных узлов, управляемые диски (необязательно), службы хранилища, Бастион Azure и другие службы Azure, используемые

Дополнительные сведения см. в Примере стратегии ИИ.

Определение стратегии данных ИИ

Для каждого варианта использования ИИ следует определить стратегию данных ИИ. Стратегия обработки данных должна описывать методики сбора, хранения и использования, соответствующие нормативным, этическим и операционным стандартам. Адаптировать стратегию к каждому варианту использования, чтобы обеспечить надежные выходные данные ИИ и повысить безопасность данных и конфиденциальность. При необходимости эти отдельные стратегии можно объединить в более широкую сводную стратегию данных для вашей организации.

• Установите управление данными. Укажите способ сбора, хранения, обработки, версии и выхода данных из эксплуатации для каждого варианта использования ИИ. Включите политики хранения и удаления и используйте управление версиями для обеспечения точности во время обновлений.

• Планирование жизненного цикла данных. Определите рекомендации по сбору, хранению, обработке, управлению версиями и снятию данных. Включите рекомендации по политикам хранения и удаления, подчеркивая управление версиями для обеспечения точности данных.

  • сбор данных: определять такие источники данных, как базы данных, API, устройства Интернета вещей, сторонние данные или фабрика данных Azure для приема.

  • хранилище данных: рекомендует решения для хранения, соответствующие различным типам и томам данных, включая структурированные, неструктурированные и данные в режиме реального времени.

  • процесс данных: используйте ETL (извлечение, преобразование, загрузка) или ELT конвейеры для очистки, преобразования и подготовки данных. Такие средства, как ярлыки или зеркальное отображение в Microsoft Fabric, могут упростить эти процессы.

• Настройте элементы управления справедливостью и предвзятостью ИИ. Создание четких процедур для выявления и устранения предвзятости в данных ИИ. Используйте такие инструменты, как Fairlearn, чтобы модели могли обеспечивать справедливые и равноправные результаты, особенно для атрибутов конфиденциальных данных.

• Повышение совместной работы между ИИ и командами данных. Выравнивайте разработку ИИ с усилиями по проектированию данных, чтобы обеспечить создание моделей с использованием высококачественных хорошо управляемых данных.

• Подготовка к масштабируемости данных. Прогнозирование объема, скорости и различных данных, необходимых для этой рабочей нагрузки ИИ. Выберите гибкие архитектуры, способные масштабироваться в соответствии с требованиями. Рассмотрим облачную инфраструктуру для эффективного управления ресурсами.

• Включение автоматизации управления данными. ИИ и машинное обучение используются для таких задач, как тег, каталогизация и проведение проверок качества данных. Автоматизация повышает точность и позволяет командам сосредоточиться на стратегических целях.

• Планирование непрерывного мониторинга и оценки. Установите регулярные аудиты выходных данных и моделей, чтобы обеспечить текущее качество данных, производительность и справедливость. Отслеживайте модели ИИ и конвейеры данных, чтобы определить любые сдвиги, которые могут повлиять на надежность или соответствие требованиям. Реализуйте автоматизированные проверки качества данных, включая правила обнаружения аномалий и проверки. Регулярно отслеживайте конвейеры данных для сбоев или несоответствий.

Определение ответственной стратегии искусственного интеллекта

Для каждого варианта использования ИИ следует определить ответственное стратегию искусственного интеллекта, которая описывает свою роль в обеспечении надежности решений ИИ, которые остаются надежными и полезными для всех пользователей. Обязанности могут отличаться в зависимости от технологии, принятой в каждом случае. При необходимости создайте более широкую стратегию ответственного искусственного интеллекта, которая охватывает принципы, производные от отдельных вариантов использования.

• Обеспечение подотчетности искусственного интеллекта. По мере продвижения технологий и нормативных требований ИИ назначьте кого-то для мониторинга и управления этими изменениями. Как правило, это ответственность Центра экспертизы ИИ или руководителя ИИ.

• Соблюдайте установленные принципы ответственного ИИ. Корпорация Майкрософт следует шестью ответственными принципами ИИ, которые соответствуют платформе управления рисками искусственного интеллекта NIST (AI RMF). Используйте эти принципы в качестве бизнес-целей, чтобы определить успех и управлять внедрением ИИ в каждом варианте использования.

• Определите ответственные средства ИИ. Средства ответственного искусственного интеллекта гарантируют соответствие ИИ более широкому ответственному использованию ИИ. В рамках стратегии определите, какие инструменты и процессы ответственного искусственного интеллекта актуальны.

• Понять требования к соблюдению законодательных и нормативных актов. Правовые и нормативные требования влияют на создание рабочих нагрузок ИИ и управление ими. Изучайте и соблюдайте требования, регулирующие ИИ в вашем регионе деятельности.

Для получения дополнительной информации см. стратегию ИИ.

Следующий шаг

План ИИ

Примеры вариантов использования ИИ

В этих примерах выделены различные генеривные и негенеривные приложения ИИ. Хотя и не исчерпывающим, они предоставляют аналитические сведения о том, как можно применять ИИ к различным областям вашего бизнеса.

Генеративный ИИ	Негенеративный ИИ
Автономные агенты: разработка систем ИИ, которые выполняют задачи независимо, например виртуальные помощники по управлению расписаниями или запросами клиентов.	Распознавание изображений. ИИ используется для идентификации и классификации объектов в изображениях или видео, полезных в системах управления безопасностью или качеством.
Маркетинг: автоматически создавайте сообщения в социальных сетях и информационные бюллетени электронной почты.	Прогнозирование: прогнозирование тенденций или оптимизация операций на основе исторических данных.
Платформы электронной коммерции: создание персонализированных рекомендаций по продуктам и специализированных торговых возможностей.	Автоматизация процессов: автоматизация стандартных задач и рабочих процессов, которые не требуют создания контента, например ботов службы клиентов.
Дизайн продукта: быстро создайте несколько вариантов прототипов продуктов или элементов дизайна.	Анализ данных: обнаружение шаблонов структурированных данных для аналитических сведений и принятия решений на основе данных.
Разработка программного обеспечения: автоматизация повторяющегося создания кода, таких как операции CRUD.	Моделирование моделей: имитация сложных рабочих нагрузок (динамическая динамика, анализ конечных элементов) для прогнозирования поведения и оптимизации проектов или процессов.
Образовательные платформы: создание персонализированных учебных материалов для учащихся.	Обнаружение аномалий: определение необычных шаблонов в данных. Эту стратегию можно использовать для обнаружения мошенничества или прогнозирования сбоя оборудования, например.
Служба клиентов: предоставление ответов на основе контекста с помощью чат-ботов на основе ИИ.	Рекомендация. Предложение персонализированных рекомендаций на основе поведения пользователей, часто используемых в электронной коммерции и потоковых службах.
Рекламные агентства: создание целевых вариантов рекламы для различных сегментов аудитории.	Оптимизация: повышение эффективности путем решения сложных проблем (оптимизация цепочки поставок, выделение ресурсов).
Приложения для здоровья и хорошего самочувствия: создание индивидуальных тренировочных программ и планов питания.	Анализ тональности: анализ текста из социальных сетей или отзывов клиентов для оценки общественного мнения и улучшения клиентского опыта.

Пример стратегии искусственного интеллекта

В этом примере стратегия искусственного интеллекта основана на вымышленной компании Contoso. Компания Contoso управляет платформой электронной коммерции с клиентом и использует представителей продаж, которым нужны инструменты для прогнозирования бизнес-данных. Компания также управляет разработкой и инвентаризацией продуктов для производства. Ее каналы продаж включают как частные компании, так и строго регулируемые государственные учреждения.

Вариант использования ИИ	Цели	Задачи	Метрики успешности	Подход к искусственному интеллекту	Решение Майкрософт	Потребности в данных	Потребности в навыке	Факторы затрат	Стратегия данных ИИ	Стратегия ответственного искусственного интеллекта
Функция чата веб-приложения электронной коммерции	Автоматизация бизнес-процессов	Повышение удовлетворенности клиентов	Увеличение коэффициента удержания клиентов	PaaS, генерированный ИИ, RAG	Azure AI Foundry	Описания элементов и пары	Разработка RAG и облачных приложений	Использование	Настройте управление данными для клиентской информации и внедрите механизмы контроля справедливости ИИ.	Назначьте ответственность за ИИ Центру передового опыта и выравните в соответствии с принципами ответственного ИИ.
Внутренний рабочий процесс обработки документов приложения	Автоматизация бизнес-процессов	Сокращайте затраты	Увеличение скорости завершения	Аналитический ИИ, тонкая настройка	Службы ИИ Azure — аналитика документов	Стандартные документы	Разработка приложений	Предполагаемое использование	Определите управление данными для внутренних документов и планируйте политики жизненного цикла данных.	Назначение подотчетности ИИ и обеспечение соответствия политикам обработки данных.
Управление инвентаризацией и приобретение продуктов	Автоматизация бизнес-процессов	Сокращайте затраты	Более короткий срок хранения запасов	Машинное обучение, модели обучения	Машинное обучение Azure	Исторические данные инвентаризации и продаж	Машинное обучение и разработка приложений	Предполагаемое использование	Обеспечение управления данными о продажах и обнаружение и устранение предвзятости в данных.	Назначьте подотчетность ИИ и соблюдайте финансовые нормы.
Ежедневные трудоемкие работы в компании	Повышение производительности отдельных пользователей	Улучшение взаимодействия с сотрудниками	Повышение удовлетворенности сотрудников	SaaS генеративный ИИ	Microsoft 365 Copilot	Данные OneDrive	Общие ИТ	Затраты на подписку	Реализуйте управление данными сотрудников и обеспечьте конфиденциальность данных.	Установите ответственность ИИ и используйте встроенные функции ответственного ИИ.
Приложение электронной коммерции для регулируемых отраслевых чатов	Автоматизация бизнес-процессов	Увеличение объема продаж	Увеличение продаж	Обучение генеративной модели искусственного интеллекта IaaS	Виртуальные машины Azure	Данные обучения для конкретного домена	Разработка облачной инфраструктуры и приложений	Инфраструктура и программное обеспечение	Определите правила управления для регулируемых данных и спланируйте жизненный цикл с мерами обеспечения соответствия.	Назначьте подотчетность ИИ и соблюдайте отраслевые правила.