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。

AI 策略 - 为制定 AI 采用策略的组织提供的建议

本文概述了为 AI 采用准备组织的过程。 了解如何选择正确的 AI 解决方案、准备数据，以及如何根据负责任的 AI 原则来制定方法。 精心规划的 AI 策略与业务目标保持一致，并确保 AI 项目为整体成功做出贡献。 首先，创建AI 卓越中心 (AI CoE)，或任命 AI 主管来监督 AI 采用。

确定 AI 用例

AI 支持两个主要目标：提高个人效率和改进业务流程。 生成式 AI 可提高工作效率并提高客户体验；而非生成式 AI（如机器学习）非常适合分析结构化数据和自动执行重复任务。 基于这种理解，确定你的业务中 AI 可以增加价值的领域。 有关详细信息，请参阅示例 AI 用例。

• 寻找自动化机会。 确定适合自动化的过程，以提高效率和降低运营成本。 专注于重复性任务、数据密集型操作或 AI 可能产生重大影响的高错误率领域。

• 进行评估。 收集各部门的意见，以确定 AI 可以解决的挑战和低效问题。 记录当前工作流，找到 AI 可以自动执行任务或提供见解的领域。

• 探索行业用例。 使用 Azure 体系结构中心中的 AI 体系结构来深入了解 AI 可以解决的问题。 研究其他企业如何使用 AI。 随时了解与行业相关的新兴 AI 技术和应用程序。

• 设置 AI 目标。 对于每个用例，请定义一个目标（常规用途）、目标（预期结果）和成功指标（可量化的指标），以指导 AI 采用。 明确的 AI 目标会推动你找到正确的 AI 解决方案，并帮助更快地衡量和实现价值。

有关详细信息，请参阅 AI 策略示例。

定义 AI 技术策略

AI 技术策略涉及为生成和非生成 AI 用例选择合适的工具和平台。 需要选取符合技能集、数据准备情况和预算的 AI 解决方案。 Microsoft具有各种 AI 解决方案，以满足不同的需求。 有软件即服务（SaaS）、平台即服务（PaaS）和基础结构即服务（IaaS）选项。 你选择的服务模型会影响你和 Microsoft 之间的 AI 共担责任。

使用以下 AI 决策树缩小每个 AI 用例的选项范围。 在做出初始决定之前，请查看所有选项。 识别 AI 服务时，请确认该服务是否合适。 使用以下指南验证所需的技能、所需的数据和成本因素，以确保成功。

购买 AI 软件服务 (SaaS)

Microsoft 提供各种 Copilot 生成式 AI 服务，以提高个人效率。 借助这些 Copilot，你可以为整个企业或特定用户的 AI 功能购买软件即服务 (SaaS)。 SaaS 产品通常只需要最低限度的技术技能。

就数据需求而言，Microsoft 365 Copilot 使用 Microsoft Graph 中的企业数据。 可以使用 敏感度标签对数据 进行分类。 基于角色的 Copilots 具有不同的数据连接和用于引入数据的插件选项。 大多数产品内 Copilot 不需要额外的数据准备。 Copilot Studio 自动执行为各种业务应用程序创建自定义 Copilot 所需的大部分数据处理。 有关详细信息，请使用下表中的链接。

Microsoft Copilots	说明	用户	所需数据	所需技能	主要成本因素
Microsoft 365 Copilot	使用 Microsoft 365 Copilot 获得企业范围的解决方案，该解决方案将 Microsoft 365 应用中的工作自动化，并提供增强的安全方式，以便使用 Microsoft Graph 中的业务数据进行聊天。	业务	是	常规 IT 和数据管理	许可证
基于角色的 Copilot	使用 Microsoft Copilot for Security 和 Microsoft 365 的基于角色的代理，如 Microsoft 365 Copilot for Sales、Microsoft 365 Copilot for Service 和 Microsoft 365 Copilot for Finance，以提高特定业务角色的生产力。	业务	是	常规 IT 和数据管理	许可证或安全计算单元（安全 Copilot）
产品内 Copilot	使用 Copilot 来提高 Microsoft 产品中的生产力，例如 GitHub、Power Apps、Power BI、Dynamics 365、Power Automate 和 Azure。	企业和个人	是	无	免费或订阅
Copilot 免费版或专业版	使用免费版本基于浏览器访问 Azure OpenAI 模型。 使用 Copilot 专业版可获得更好的性能和更大的容量。	个人	否	无	无 Copilot 免费版或 Copilot 专业版订阅
Copilot Studio	使用 Copilot Studio 在创作环境中生成测试和部署代理。	开发人员	是	使用平台连接数据源、映射提示以及将 copilot 部署到各种位置	许可证

使用 Azure AI 平台构建 AI 工作负载（PaaS）

Microsoft 为构建 AI 工作负荷提供了各种平台即服务 (PaaS) 选项。 选择的平台取决于 AI 目标、所需的技能和数据需求。 Azure 提供适合不同专业知识水平的平台，涵盖初学者友好的工具到面向经验丰富的开发人员和数据科学家的高级选项。 查看定价页，并使用 Azure 定价计算器估算强制转换。

AI 目标	Microsoft 解决方案	所需数据	所需技能	主要成本因素
使用代码优先平台生成 RAG 应用程序	Azure AI Studio 或 Azure OpenAI	是	选择模型、协调数据流、分块数据、扩充区块、选择索引、了解查询类型（全文、矢量、混合）、了解筛选器和方面、执行重新调整、工程提示流、部署终结点以及在应用中使用终结点	计算、传入和传出令牌数、使用的 AI 服务、存储和数据传输
优化生成式 AI 模型	Azure AI Studio	是	预处理数据、将数据拆分为训练和验证数据、验证模型、配置其他参数、改进模型、部署模型以及在应用中使用终结点	计算、传入和传出令牌数、使用的 AI 服务、存储和数据传输
使用自己的数据训练和推理机器学习模型	Azure 机器学习 或 Microsoft Fabric	是	预处理数据、使用代码或自动化训练模型、改进模型、部署机器学习模型以及在应用中使用终结点	计算、存储和数据传输
在应用程序中使用分析 AI 模型	Azure AI 服务	是	选择正确的 AI 模型、保护终结点、在应用中使用终结点，并根据需要进行优化	使用消耗的模型终结点、存储、数据传输、计算（如果训练自定义模型）

将你自己的模型与基础结构服务 (IaaS) 结合起来

对于需要更多控制和自定义的组织，Microsoft 提供基础结构即服务 (IaaS) 解决方案。 虽然 Azure AI 平台（PaaS）是 AI 工作负载的首选，但 Azure 虚拟机通过 CycleCloud 和 Azure Kubernetes 服务提供对 GPU 和 CPU 的访问权限，以满足高级 AI 需求。 此设置允许将自己的模型引入 Azure。 请参阅相关的定价页和 Azure 定价计算器。

AI 目标	Microsoft 解决方案	所需数据	所需技能	主要成本因素
训练和推断自己的 AI 模型。 将自己的模型引入 Azure。	Azure 虚拟机 或 Azure Kubernetes 服务	是	基础结构管理、IT、程序安装、模型训练、模型基准测试、业务流程、部署终结点、保护终结点以及应用中使用终结点	计算、计算节点业务流程协调程序、托管磁盘（可选）、存储服务、Azure Bastion 和其他使用的 Azure 服务

有关详细信息，请参阅 AI 策略示例。

定义 AI 数据策略

对于每个 AI 用例，应定义一个 AI 数据策略，该策略概述了与法规、道德和运营标准一致的数据收集、存储和使用做法。 针对每个特定用例量身定制策略，可确保可靠的 AI 输出，并促进数据安全和隐私。 如果需要，你可以将这些单独的策略整合到你组织的更广泛的汇总数据策略中。

• 建立数据治理。 定义特定于 AI 用例的数据治理原则，以确保工作负荷透明、负责，并符合法律和道德标准。 包括根据敏感度和策略对数据进行分类，以控制与用例相关的访问、使用和存储。

• 计划数据生命周期。 指定如何收集、存储、处理和停用此特定 AI 用例的数据。 包括保留和处置策略，并使用版本控制在更新期间保持准确性。

• 设置 AI 公平性和偏差控制。 开发流程来检测和解决用于此 AI 用例的数据中的偏差。 使用 Fairlearn 等工具来确保模型提供公平公平的结果，尤其是在处理敏感数据属性时。

• 促进 AI 和数据团队之间的协作。 将 AI 开发与数据工程工作相结合，以确保使用高质量、管理良好的数据构建模型。 为 AI 模型训练和数据更新建立统一的管道。

• 为数据可扩展性做好准备。 预测此 AI 工作负荷所需的数据量、速度和种类。 使用灵活的体系结构根据需求进行缩放，并考虑基于云的基础结构以实现高效的资源管理。

• 整合数据管理自动化。 计划使用 AI 和机器学习自动执行标记、编录和数据质量检查等任务。 自动化提高了准确性，使团队能够专注于战略工作。

• 规划持续监测和评估。 对数据和模型输出进行定期审计，以确保持续的数据质量、性能和公平性。 监视 AI 模型和数据管道，以确定可能影响可靠性或合规性的任何转变。

有关详细信息，请参阅 AI 策略示例。

定义负责任的 AI 策略

对于每个 AI 用例，你应该定义一个负责任的 AI 策略，该策略概述了你在确保 AI 解决方案对所有用户都是值得信赖和有益的方面的作用。 责任可能因每种情况下采用的技术而异。 如有必要，制定一个更广泛的负责任的 AI 策略，其中包括从单个用例中得出的总体原则。

• 建立 AI 问责制。 随着 AI 技术和法规的推进，请指派专人来监视和管理这些变化。 这通常是 AI CoE 或 AI 负责人的责任。

• 与既定的负责任的 AI 原则保持一致。 Microsoft 遵循六项负责任的 AI 原则，这些原则符合 NIST 人工智能风险管理框架(AI RMF)。 将这些原则作为业务目标来定义成功，并在每个用例中管理 AI 采用。

• 确定负责任的 AI 工具。 负责任的 AI 工具可确保 AI 与更广泛的负责任的 AI 做法保持一致。 作为策略的一部分，确定哪些负责任的 AI 工具和流程是相关的。

• 了解法律和监管合规性要求。 法律和监管合规性会影响你构建和管理 AI 工作负荷的方式。 研究并遵守你运营所在地的 AI 管理要求。

有关详细信息，请参阅 AI 策略示例。

下一步

AI 计划

示例 AI 用例

这些示例突出了各种生成式和非生成式 AI 应用程序。 虽然并非详尽无遗，但它们提供了如何将 AI 应用于业务不同领域的见解。

生成式 AI	非生成式 AI
自治代理：开发独立执行任务的 AI 系统，例如管理计划或客户查询的虚拟助理。	图像识别：利用 AI 识别图像或视频中的对象并对其进行分类，在安全或质量控制系统中很有用。
营销：自动创建社交媒体帖子和电子邮件新闻稿。	预测：根据历史数据预测趋势或优化操作。
电子商务平台：生成个性化的产品建议和定制购物体验。	流程自动化：自动执行不需要内容生成的例程任务和工作流，例如客户服务机器人。
产品设计：快速创建产品原型或设计元素的多个变体。	数据分析：揭示结构化数据中的模式，以获取见解和数据驱动的决策。
软件开发：自动生成重复代码，例如 CRUD 操作。	模型模拟：模拟复杂的工作负荷（流体动力学、有限元分析），以预测行为并优化设计或流程。
教育平台：为学生生成个性化的学习材料。	异常检测：识别数据中的异常模式。 例如，可以将此策略用于欺诈检测或设备故障预测。
客户服务：通过 AI 驱动的聊天机器人提供基于上下文的响应。	建议：根据用户行为提供个性化建议，通常用于电子商务和流式处理服务。
广告机构：为不同的受众细分市场创建有针对性的广告变体。	优化：通过解决复杂问题（供应链优化、资源分配）来提高效率。
健康与保健应用：生成自定义的锻炼例程和膳食计划。	情绪分析：分析社交媒体或客户评论中的文本，以衡量公众情绪并提升客户体验。

示例 AI 策略

此示例 AI 策略基于一家虚构的公司 Contoso。 Contoso 运营一个面向客户的电子商务平台，并聘请需要工具来预测业务数据的销售代表。 该公司还管理产品的开发和库存。 其销售渠道包括私营公司和高度监管的公共部门机构。

AI 用例	目标	目标	成功指标	AI 方法	Microsoft 解决方案	数据需求	技能需求	成本因素	AI 数据策略	负责任的 AI 策略
电子商务 Web 应用程序聊天功能	在 Saas 和本地	提高客户满意度	提高客户保留率	PaaS、生成式 AI、RAG	Azure AI Studio	项说明和配对	RAG 和云应用开发	使用情况	为客户数据建立数据治理，并实施 AI 公平性控制。	将 AI 责任分配给 AI CoE，并与负责任的 AI 原则保持一致。
内部应用文档处理工作流	在 Saas 和本地	降低成本	提高完成率	分析 AI，优化	Azure AI 服务 - 文档智能	标准文档	应用开发	估计的使用量	为内部文档定义数据治理，并规划数据生命周期策略。	分配 AI 问责制，并确保遵守数据处理政策。
库存管理和产品购买	在 Saas 和本地	降低成本	库存的更短保质期	机器学习，训练模型	Azure 机器学习	历史库存和销售数据	机器学习和应用开发	估计的使用量	建立销售数据治理，检测并解决数据中的偏差。	分配 AI 问责制，并遵守财务法规。
跨公司的日常工作	提高个人工作效率	改善员工体验	提高员工满意度	SaaS 生成式 AI	Microsoft 365 Copilot	OneDrive 数据	通用 IT	订阅成本	对员工数据实施数据治理，确保数据隐私。	分配 AI 问责制，并利用内置的负责任的 AI 功能。
适用于受管制行业聊天功能的电子商务应用	在 Saas 和本地	增加销售	增加销售额	IaaS 生成式 AI 模型训练	Azure 虚拟机	特定于域的训练数据	云基础结构和应用开发	基础结构和软件	定义受监管数据的治理，并使用合规性措施规划生命周期。	分配 AI 问责制，并遵守行业法规。