AI-strategi – Process för att utveckla en AI-strategi

Den här artikeln beskriver processen för att förbereda din organisation för AI-implementering. Du lär dig hur du väljer rätt AI-lösningar, förbereder dina data och lägger grunden till ansvarsfulla AI-principer. En välplanerad AI-strategi överensstämmer med dina affärsmål och säkerställer att AI-projekt bidrar till övergripande framgång. Som ett första steg skapar du ett AI Center of excellence (AI CoE) eller utser en AI-ledning för att övervaka din AI-implementering.

Identifiera AI-användningsfall

AI förbättrar individuell effektivitet och förbättrar affärsprocesser. Generativ AI främjar produktivitet och förbättrar kundernas upplevelser. Icke-generativ AI, till exempel maskininlärning, är perfekt för att analysera strukturerade data och automatisera repetitiva uppgifter. Med den här förståelsen kan du identifiera områden i din verksamhet där AI kan tillföra värde. Mer information finns i exempel på AI-användningsfall.

• Leta efter automatiseringsmöjligheter. Identifiera processer som är lämpliga för automatisering för att förbättra effektiviteten och minska driftskostnaderna. Fokusera på repetitiva uppgifter, dataintensiva åtgärder eller områden med höga felfrekvenser där AI kan ha en betydande effekt.

• Utför en intern utvärdering. Samla in indata från olika avdelningar för att identifiera utmaningar och ineffektivitet som AI kan hantera. Dokumentera arbetsflöden och samla in indata från intressenter för att upptäcka möjligheter till automatisering, insiktsgenerering eller förbättrat beslutsfattande.

• Utforska branschanvändningsfall. Undersöka hur liknande organisationer eller branscher använder AI för att lösa problem eller förbättra verksamheten. Använd verktyg som AI-arkitekturer i Azure Architecture Center för inspiration och för att utvärdera vilka metoder som kan passa dina behov.

• Ange AI-mål. För varje identifierat användningsfall definierar du tydligt målet (generell användning), mål (önskat resultat) och framgångsmått (kvantifierbart mått). Dessa element fungerar som riktmärken för din AI-implementering och mäter dess inverkan.

Mer information finns i exempel på AI-strategi.

Definiera en AI-teknikstrategi

AAn AI-teknikstrategi fokuserar på att välja de lämpligaste verktygen och plattformarna för dina generativa och icke-generativa AI-användningsfall. Välj AI-lösningar som överensstämmer med organisationens kompetensuppsättningar, databeredskap och budgetbegränsningar.

Microsoft erbjuder en rad alternativ, inklusive SaaS (Software-as-a-Service), PaaS (Platform-as-a-Service) och IaaS (Infrastruktur som en tjänst), var och en med varierande anpassningsnivåer och delat ansvar mellan dig och Microsoft.

Om du vill vägleda ditt beslut använder du AI-beslutsträdet för att utvärdera alternativ för varje användningsfall. Utvärdera varje potentiell tjänst för kompatibilitet med dina krav, inklusive tekniska kunskaper, databehov och kostnadsöverväganden. Se till att den valda tjänsten överensstämmer med dina definierade krav för användningsfall och ger den skalbarhet och support som krävs för att lyckas.

Köp AI-programvarutjänster (SaaS)

Microsoft erbjuder olika Copilot generativa AI-tjänster som förbättrar individuell effektivitet. Med dessa Copilots kan du köpa programvara som en tjänst (SaaS) för AI-funktioner i hela företaget eller för specifika användare. SaaS-produkter kräver vanligtvis minimala tekniska kunskaper.

När det gäller data som behövs använder Microsoft 365 Copilot företagsdata i Microsoft Graph. Du kan kategorisera dina data med känslighetsetiketter. Rollbaserade Co-piloter har olika alternativ för dataanslutning och insticksprogram för att bearbeta data. De flesta Copilots i produkten kräver inte extra dataförberedelse. Utöka Micorosoft 365 Copilot kan du lägga till mer data via Microsoft Graph eller deklarativa agenter som kan hämtas från olika datakällor. Copilot Studio automatiserar mycket av den databehandling som behövs för att skapa anpassade andrepiloter för olika affärsprogram. Mer information finns i länkarna i följande tabell.

Microsoft Copilots	beskrivning	User	Data som behövs	Krävda färdigheter	Huvudsakliga kostnadsfaktorer
Microsoft 365 Copilot	Använd Microsoft 365 Copilot för en företagsomfattande lösning som automatiserar arbetet i Microsoft 365-appar och ger ett förbättrat säkerhetssätt för att chatta med affärsdata i Microsoft Graph.	Företag	Ja	Allmän IT- och datahantering	Licens
Rollbaserade Copilots	Använd Microsoft Copilot for Security och rollbaserade agenter för Microsoft 365 för att förbättra produktiviteten för specifika affärsroller. Rollbaserade agenter inkluderar Microsoft 365 Copilot for Sales, Microsoft 365 Copilot for Serviceoch Microsoft 365 Copilot for Finance.	Företag	Ja	Allmän IT- och datahantering	Licenser eller säkerhetsberäkningsenheter (Copilot för säkerhet)
Copilots i produkten	Använd Copilots för att förbättra produktiviteten i Microsofts produkter. Produkter med Copilots i produkten inkluderar GitHub, Power Apps, Power BI, Dynamics 365, Power Automateoch Azure.	Företag och individ	Ja	None	Kostnadsfritt eller prenumeration
Copilot Free eller Pro	Använd den kostnadsfria versionen för webbläsarbaserad åtkomst till Azure OpenAI-modeller. Använd Copilot Pro för bättre prestanda och mer kapacitet.	Enskild	Nej	None	Ingen för Copilot Free eller prenumeration för Copilot Pro
Utökningsverktyg för Microsoft 365 Copilot	Anpassa (utöka) Microsoft 365 Copilot med mer data (kunskap) via Microsoft Graph-anslutningsappar eller funktioner (färdigheter) via deklarativa agenter. Om du vill skapa deklarativa agenter använder du utökningsverktyg som Copilot Studio (SaaS-utveckling), agentbyggare, Teams-verktygslåda i VS Code (pro-kodalternativ) och Sharepoint.	Företag och individ	Ja	Datahantering, allmänna IT- eller utvecklarkunskaper	Microsoft 365 Copilot-licens
Copilot Studio	Använd Copilot Studio för att skapa test och distribuera agenter i en SaaS-redigeringsmiljö.	Developer	Ja	Använda en plattform för att ansluta datakällor, mappa ut frågor och distribuera andrepiloter till olika platser	Licens

Skapa AI-arbetsbelastningar med Azure-plattformar (PaaS)

Microsoft tillhandahåller olika PaaS-alternativ (plattform som en tjänst) för att skapa AI-arbetsbelastningar. Vilken plattform du väljer beror på dina AI-mål, nödvändiga kunskaper och databehov. Azure erbjuder plattformar som lämpar sig för olika kompetensnivåer, från nybörjarvänliga verktyg till avancerade alternativ för erfarna utvecklare och dataforskare. Granska prissidornaoch använd Priskalkylatorn för Azure för att uppskatta casts.

AI-mål	Microsoft-lösning	Data som behövs	Krävda färdigheter	Huvudsakliga kostnadsfaktorer
Skapa RAG-applikationer med en kodfokuserad plattform	Azure AI Foundry eller Azure OpenAI	Ja	Välja modeller, orkestrera dataflöde, segmentera data, berika segment, välja indexering, förstå frågetyper (fulltext, vektor, hybrid), förstå filter och fasetter, utföra omrankning, utveckla promptflöde, distribuera slutpunkter och använda slutpunkter i appar	Beräkning, antal token in och ut, AI-tjänster som förbrukas, lagring och dataöverföring
Finjustera generativa AI-modeller	Azure AI Foundry	Ja	Förbearbeta data, dela upp data i tränings- och valideringsdata, validera modeller, konfigurera andra parametrar, förbättra modeller, distribuera modeller och använda slutpunkter i appar	Beräkning, antal token in och ut, AI-tjänster som förbrukas, lagring och dataöverföring
Träna och dra slutsatser om maskininlärningsmodeller med hjälp av dina egna data	Azure Machine Learning eller Microsoft Fabric	Ja	Förbearbeta data, träningsmodeller med hjälp av kod eller automatisering, förbättra modeller, distribuera maskininlärningsmodeller och använda slutpunkter i appar	Beräkning, lagring och dataöverföring
Använda icke-generativa AI-modeller i program	Azure AI-tjänster	Ja	Välja rätt AI-modell, skydda slutpunkter, använda slutpunkter i appar och finjustera efter behov	Användning av modellslutpunkter som används, lagring, dataöverföring, beräkning (om du tränar anpassade modeller)

Ta med dina egna modeller med infrastrukturtjänster (IaaS)

För organisationer som behöver mer kontroll och anpassning erbjuder Microsoft IaaS-lösningar (infrastruktur som en tjänst). Även om Azure-plattformar (PaaS) föredras för AI-arbetsbelastningar, ger virtuella Azure-datorer via CycleCloud och Azure Kubernetes Service åtkomst till GPU:er och processorer för avancerade AI-behov. Med den här konfigurationen kan du ta med dina egna modeller till Azure. Se relevanta prissidor och Priskalkylatorn för Azure.

AI-mål	Microsoft-lösning	Data som behövs	Krävda färdigheter	Huvudsakliga kostnadsfaktorer
Träna och dra slutsatser om dina egna AI-modeller. Ta med dina egna modeller till Azure.	Azure Virtual Machines eller Azure Kubernetes Service	Ja	Infrastrukturhantering, IT, programinstallation, modellträning, modellmätning, orkestrering, distribution av slutpunkter, skydd av slutpunkter och användning av slutpunkter i appar	Compute, compute node orchestrator, managed disks (valfritt), lagringstjänster, Azure Bastion och andra Azure-tjänster som används

Mer information finns i exempel på AI-strategi.

Definiera en AI-datastrategi

För varje AI-användningsfall bör du definiera en AI-datastrategi. Datastrategin bör beskriva datainsamlings-, lagrings- och användningsmetoder som överensstämmer med reglerande, etiska och operativa standarder. Skräddarsy strategin för varje användningsfall för att säkerställa tillförlitliga AI-utdata och främja datasäkerhet och sekretess. Om det behövs kan du konsolidera dessa enskilda strategier till en bredare sammanfattningsdatastrategi för din organisation.

• Upprätta datastyrning. Definiera principer för datastyrning för varje AI-användningsfall för att säkerställa att arbetsbelastningar är kompatibla med juridiska och etiska standarder. Inkludera kategorisering av data baserat på känslighet och principer för att kontrollera åtkomst, användning och lagring som är relevant för användningsfallet.

• Planera datalivscykeln. Ange hur du samlar in, lagrar, bearbetar och drar tillbaka data för varje AI-användningsfall. Inkludera kvarhållnings- och hanteringsprinciper och använd versionskontroll för att upprätthålla noggrannheten under uppdateringar.

• Konfigurera ai-rättvise- och biaskontroller. Utveckla processer för att identifiera och hantera bias i de data som används för det här AI-användningsfallet. Använd verktyg som Fairlearn för att säkerställa att modeller ger rättvisa och rättvisa resultat, särskilt när du arbetar med känsliga dataattribut.

• Främja samarbete mellan AI och datateam. Anpassa AI-utvecklingen till datateknikens arbete för att säkerställa att modeller skapas med högkvalitativa, välhanterade data. Upprätta en enhetlig pipeline för AI-modellträning och datauppdateringar.

• Förbered för dataskalbarhet. Prognostisera volymen, hastigheten och mängden data som behövs för den här AI-arbetsbelastningen. Planera att använda flexibla arkitekturer för att skala med efterfrågan och överväga molnbaserade infrastrukturer för effektiv resurshantering.

• Införliva automatisering av datahantering. Planera att använda AI och maskininlärning för att automatisera uppgifter som taggning, katalogisering och datakvalitetskontroller. Automatisering förbättrar noggrannheten och gör det möjligt för team att fokusera på strategiska insatser.

• Planera för kontinuerlig övervakning och utvärdering. Upprätta regelbundna granskningar av data och modellutdata för att säkerställa kontinuerlig datakvalitet, prestanda och rättvisa. Övervaka AI-modeller och datapipelines för att identifiera eventuella förändringar som kan påverka tillförlitligheten eller efterlevnaden.

Ett exempel på en datastrategi som är anpassad till olika användningsfall finns i exempel på AI-strategi.

Definiera en ansvarsfull AI-strategi

För varje AI-användningsfall bör du definiera en ansvarsfull AI-strategi som beskriver din roll för att säkerställa att AI-lösningar förblir tillförlitliga och fördelaktiga för alla användare. Ansvarsområden kan variera beroende på vilken teknik som används i varje enskilt fall. Om det behövs skapar du en bredare övergripande ansvarsfull AI-strategi som omfattar övergripande principer som härleds från enskilda användningsfall.

• Upprätta AI-ansvar. När AI-teknik och regler utvecklas tilldelar du någon att övervaka och styra dessa ändringar. Det är vanligtvis ett ansvar för AI CoE eller en AI-lead.

• Anpassa till etablerade ansvarsfulla AI-principer. Microsoft följer sex ansvarsfulla AI-principer som följer NIST Artificial Intelligence Risk Management Framework (AI RMF). Använd dessa principer som affärsmål för att definiera framgång och styra ai-implementeringen i varje användningsfall.

• Identifiera ansvarsfulla AI-verktyg. Ansvarsfulla AI-verktyg säkerställer att din AI överensstämmer med bredare ansvarsfulla AI-metoder. Som en del av din strategi kan du identifiera vilka ansvarsfulla AI-verktyg och processer som är relevanta.

• Förstå krav på juridisk och regelefterlevnad. Juridisk och regelmässig efterlevnad påverkar hur du skapar och hanterar AI-arbetsbelastningar. Forska och följ kraven som styr AI där du arbetar.

Mer information finns i exempel på AI-strategi.

Gå vidare

AI-plan

Exempel på AI-användningsfall

De här exemplen belyser olika generativa och icke-generativa AI-program. Även om de inte är uttömmande ger de insikter om hur AI kan tillämpas på olika områden i din verksamhet.

Generativ AI	Icke-generativ AI
Autonoma agenter: Utveckla AI-system som utför uppgifter oberoende av varandra, till exempel virtuella assistenter som hanterar scheman eller kundförfrågningar.	Bildigenkänning: Använd AI för att identifiera och klassificera objekt i bilder eller videor, vilket är användbart i säkerhets- eller kvalitetskontrollsystem.
Marknadsföring: Skapa automatiskt inlägg på sociala medier och nyhetsbrev via e-post.	Förutsägelse: Prognostisera trender eller optimera åtgärder baserat på historiska data.
E-handelsplattformar: Generera anpassade produktrekommendationer och skräddarsydda shoppingupplevelser.	Processautomatisering: Automatisera rutinuppgifter och arbetsflöden som inte kräver innehållsgenerering, till exempel kundtjänstrobotar.
Produktdesign: Skapa snabbt flera varianter av produktprototyper eller designelement.	Dataanalys: Upptäck mönster i strukturerade data för insikter och datadrivna beslut.
Programvaruutveckling: Automatisera repetitiv kodgenerering, till exempel CRUD-åtgärder.	Modellsimulering: Simulera komplexa arbetsbelastningar (vätskedynamik, finita elementanalyser) för att förutsäga beteende och optimera design eller processer.
Utbildningsplattformar: Generera personligt studiematerial för studenter.	Avvikelseidentifiering: Identifiera ovanliga mönster i data. Du kan till exempel använda den här strategin för bedrägeriidentifiering eller förutsägelse av utrustningsfel.
Kundtjänst: Tillhandahålla kontextbaserade svar via AI-drivna chattrobotar.	Rekommendation: Erbjuda anpassade rekommendationer baserat på användarbeteende, som ofta används i e-handel och streamingtjänster.
Reklambyråer: Skapa riktade annonsvariationer för olika målgruppssegment.	Optimering: Förbättra effektiviteten genom att lösa komplexa problem (optimering av leveranskedjan, resursallokering).
Hälso- och hälsoappar: Generera anpassade träningsrutiner och måltidsplaner.	Attitydanalys: Analysera text från sociala medier eller kundrecensioner för att mäta allmänhetens sentiment och förbättra kundupplevelsen.

Exempel på AI-strategi

Det här exemplet på AI-strategi baseras på ett fiktivt företag, Contoso. Contoso driver en kundinriktad e-handelsplattform och använder säljare som behöver verktyg för att prognostisera affärsdata. Företaget hanterar även produktutveckling och lager för produktion. Försäljningskanalerna omfattar både privata företag och strikt reglerade myndigheter inom den offentliga sektorn.

AI-användningsfall	Mål	Målsättningar	Lyckade mått	AI-metod	Microsoft-lösning	Databehov	Kompetensbehov	Kostnadsfaktorer	AI-datastrategi	Ansvarsfull AI-strategi
Chattfunktion för webbprogram för e-handel	Automatisera affärsprocesser	Förbättra kundnöjdheten	Ökad kundkvarhållningsfrekvens	PaaS, generativ AI, RAG	Azure AI Foundry	Objektbeskrivningar och parkopplingar	UTVECKLING av RAG- och molnappar	Förbrukning	Upprätta datastyrning för kunddata och implementera ai-rättvisekontroller.	Tilldela AI-ansvarsskyldighet till AI CoE och anpassa till principer för ansvarsfull AI.
Internt arbetsflöde för dokumentbearbetning av appar	Automatisera affärsprocesser	Minska kostnaderna	Ökad slutförandefrekvens	Analytisk AI, finjustering	Azure AI-tjänster – Dokumentinformation	Standarddokument	Apputveckling	Uppskattad användning	Definiera datastyrning för interna dokument och planera policyer för datalivscykel.	Tilldela AI-ansvarsskyldighet och se till att datahanteringsprinciperna följs.
Lagerhantering och produktinköp	Automatisera affärsprocesser	Minska kostnaderna	Kortare lagerlivslängd	Maskininlärning, träningsmodeller	Azure Machine Learning	Historiska inventerings- och försäljningsdata	Maskininlärning och apputveckling	Uppskattad användning	Upprätta styrning för försäljningsdata och identifiera och åtgärda fördomar i data.	Tilldela AI-ansvarsskyldighet och följ de finansiella reglerna.
Dagligt arbete i hela företaget	Förbättra individuell produktivitet	Förbättra medarbetarnas upplevelse	Ökad medarbetarnöjdhet	SaaS generativ AI	Microsoft 365 Copilot	OneDrive-data	Allmän IT	Prenumerationskostnader	Implementera datastyrning för anställdas data och säkerställa datasekretess.	Tilldela AI-ansvar och använd inbyggda ansvarsfulla AI-funktioner.
E-handelsapp för reglerad branschchattfunktion	Automatisera affärsprocesser	Öka försäljningen	Ökad försäljning	IaaS generativ AI-modellträning	Azure Virtual Machines	Domänspecifika träningsdata	Molninfrastruktur och apputveckling	Infrastruktur och programvara	Definiera styrning för reglerade data och planera livscykeln med efterlevnadsåtgärder.	Tilldela AI-ansvarsskyldighet och följ branschregler.