AI 策略 - 制定 AI 策略的過程
本文概述為 AI 導入做好準備的過程。 您將學習如何選擇合適的 AI 解決方案、準備您的資料，並建立於負責任的 AI 原則之上。 規劃良好的 AI 策略符合您的商務目標，並確保 AI 專案有助於整體成功。
識別 AI 使用案例
AI 可提升個人效率，並改善商務程式。 Generative AI 可提升生產力並增強客戶體驗。 非行性 AI，例如機器學習，非常適合用來分析結構化數據，並自動化重複的工作。 透過這項瞭解，找出 AI 可增加價值的企業區域。 如需詳細資訊，請參閱 AI 使用案例範例。
尋找自動化機會。 識別適合自動化的程式，以提高效率並降低營運成本。 專注於重複性任務、數據密集的作業，或錯誤率高的領域，在這些情況下，AI 可能會有顯著的影響。
進行內部評估。 收集各部門的輸入，以找出 AI 可解決的挑戰和效率不足。 記錄工作流程，並收集專案關係人的意見，以找出自動化、深入解析產生或改善決策的機會。
探索產業使用案例。 研究類似組織或產業如何使用 AI 解決問題或增強作業。 使用 Azure 架構中心
AI 架構之類的工具，以取得靈感，並評估哪些方法可能符合您的需求。 設定 AI 目標。 針對每個已識別的使用案例，明確定義目標（一般用途）、目標（預期結果）和成功計量（可量化的量值）。 這些元素可作為基準檢驗，以引導 AI 採用並測量其影響。
如需詳細資訊，請參閱 AI 策略範例。
定義 AI 技術策略
AI 技術策略著重於為您的產生式和非產生式 AI 使用案例選取最適合的工具和平臺。 Microsoft提供各種選項，包括軟體即服務（SaaS）、平臺即服務（PaaS）和基礎結構即服務（IaaS），每個選項都有不同層級的自定義和 您與Microsoft之間的共同責任。 若要引導您的決策，請使用下列 AI 判定樹。 針對每個服務，評估使用該服務成功所需的技能、數據和預算。 本文中有指引可協助進行此評估過程。
購買 AI 軟體服務 （SaaS）
Microsoft提供各種 Copilot 產生的 AI 服務，以提升個人效率。 這些 Copilot 能讓您在業務中或為特定用戶購買具備 AI 功能的軟體即服務（SaaS）。 SaaS 產品通常需要最少的技術技能。
就所需的數據而言，Microsoft 365 Copilot 在 Microsoft Graph 中使用企業數據。 您可以使用 敏感度標籤來分類數據 。 角色型 Copilots 有不同的資料連接和外掛選項來匯入數據。 大部分 產品內的 Copilots 不需要額外的數據準備。 擴充Microsoft 365 Copilot 可讓您透過可從不同數據源提取的 Microsoft Graph 或宣告式代理程式來新增更多數據。 Copilot Studio 能自動化處理大部分資料，以建立適用於各種商業應用程式的客製化 Copilot。 如需詳細資訊，請使用下表中的連結。
| Microsoft輔助助手 | 描述 | 使用者 | 所需的數據 | 需要的技能 | 主要成本因素 |
|---|---|---|---|---|---|
| Microsoft 365 Copilot | 針對整個企業的解決方案使用 Microsoft 365 Copilot，將 Word、Excel 和 Teams 等 Microsoft 365 Copilot 應用程式中的工作自動化。 它提供與 Microsoft Graph 中商務數據互動的安全方式。 | 商業 | Yes | 一般IT和數據管理 | 授權 |
| 角色型共輔助手 | 使用 Microsoft Copilot for Security 和適用於 Microsoft 365 的角色型代理，來提高特定商務角色的生產力。 以角色為基礎的代理程式包括 Microsoft 365 Copilot for Sales、Microsoft 365 Copilot for Service，以及 Microsoft 365 Copilot for Finance。 |
商務 | Yes | 一般IT和數據管理 | 授權或 安全性計算單位（安全 Copilot） |
| 產品內智能助理 | 使用 Copilots 來提升Microsoft產品內的生產力。 具有產品內 Copilots 的產品包括 GitHub、Power Apps、Power BI、Dynamics 365、Power Automate和 Azure。 |
商務和個人 | Yes | 無 | 免費或訂用帳戶 |
| Copilot Free 或 Pro |
使用免費版本來存取以瀏覽器為基礎的 Azure OpenAI 模型。 使用 Copilot Pro 以提升效能和更多容量。 |
個人 | 不 | 無 | Copilot Free 沒有或 Copilot Pro 的訂用方案 |
| Microsoft 365 Copilot 的擴充性工具 | 透過 Microsoft Graph 連接器或宣告式代理程式擴展 Microsoft 365 Copilot 的數據（知識）或功能（技能）來自訂。 若要建置宣告式代理程式，請使用擴充性工具，例如 Copilot Studio （SaaS 開發）、代理程式產生器、Teams 工具組 VS Code （pro-code 選項），以及 Sharepoint。 |
商務和個人 | Yes | 數據管理、一般 IT 或開發人員技能 | Microsoft 365 Copilot 授權 |
| Copilot Studio | 使用 Copilot Studio，在 SaaS 撰寫環境中建置測試及部署代理程式。 | 開發人員 | Yes | 使用平臺來連接資料來源、規劃提示，並將助手部署到各種地點 | 授權 |
使用 Azure 平台建置 AI 工作負載 （PaaS）
Microsoft提供各種平臺即服務 （PaaS） 選項來建置 AI 工作負載。 您選擇的平台取決於您的 AI 目標、必要的技能和數據需求。 Azure 提供適用於不同專業知識等級的平臺，從初學者易記的工具到經驗豐富的開發人員和數據科學家的進階選項。 檢閱 定價頁面，並使用 Azure 定價計算機 來預估成本。
| AI 目標 | Microsoft解決方案 | 所需的數據 | 需要的技能 | 主要成本因素 |
|---|---|---|---|---|
| 使用程式代碼優先平臺建置RAG應用程式 |
Azure AI Foundry 或 Azure OpenAI |
Yes | 選取模型、協調數據流、數據分塊、擴充分塊、選擇索引方式、了解查詢類型（全文檢索、向量、混合式）、了解篩選和面向、執行重新排序、設計提示流、部署端點，以及在應用程式中使用端點 | 計算、進出令牌數目、取用的 AI 服務、記憶體和數據傳輸 |
| 微調生成式 AI 模型 | Azure AI Foundry | Yes | 前置處理數據、將數據分割成定型和驗證數據、驗證模型、設定其他參數、改善模型、部署模型，以及在應用程式中取用端點 | 計算、進出令牌數目、取用的 AI 服務、記憶體和數據傳輸 |
| 使用您自己的數據來定型和推斷機器學習模型 |
Azure Machine Learning 或 Microsoft Fabric |
Yes | 使用程式代碼或自動化預先處理數據、定型模型、改善模型、部署機器學習模型，以及在應用程式中取用端點 | 計算、記憶體和數據傳輸 |
| 在應用程式中使用非生成型 AI 模型 | Azure AI 服務 | Yes | 挑選正確的 AI 模型、保護端點、取用應用程式中的端點，以及視需要微調 | 使用模型端點、儲存空間、資料傳輸、計算資源（如果您訓練自訂模型） |
自行提供您的模型與基礎設施服務（IaaS）
對於需要更多控制和自定義的組織，Microsoft提供基礎結構即服務 （IaaS） 解決方案。 雖然 Azure 平臺 （PaaS） 適用於 AI 工作負載，但透過 CycleCloud 和
| AI 目標 | Microsoft解決方案 | 所需的數據 | 需要的技能 | 主要成本因素 |
|---|---|---|---|---|
| 定型和推斷您自己的 AI 模型。 將您自己的模型帶入 Azure。 |
Azure 虛擬機器 或 Azure Kubernetes Service |
Yes | 基礎結構管理、IT、程式安裝、模型定型、模型基準檢驗、協調流程、部署端點、保護端點，以及取用應用程式中的端點 | 計算、計算節點協調器、受控磁碟（選擇性）、記憶體服務、Azure Bastion 和其他使用的 Azure 服務 |
如需詳細資訊，請參閱 AI 策略範例。
定義 AI 數據策略
針對每個 AI 使用案例，您應該定義 AI 數據策略。 數據策略應概述與法規、道德和作業標準一致的數據收集、記憶體和使用做法。 針對每個使用案例量身打造策略，以確保可靠的 AI 輸出，並提升數據安全性和隱私權。 如有需要，您可以將這些個別策略合併為組織更廣泛的摘要數據策略。
建立數據控管。 指定您如何收集、儲存、處理、進行版本管理以及棄用每個 AI 使用案例的數據。 包含保留和處置原則，並使用版本控制在更新期間維持正確性。
規劃數據生命週期。 定義收集、儲存、處理、版本設定和淘汰數據的指導方針。 包含保留和處置原則的建議，強調版本控制以維護數據精確度。
數據收集： 識別數據源，例如資料庫、API、IoT 裝置、第三方數據或 Azure Data Factory 進行擷取。
數據記憶體： 建議適合不同類型和磁碟區的記憶體解決方案，包括結構化、非結構化和實時數據
數據程式： 使用 ETL（擷取、轉換、載入）或 ELT 管線來清除、轉換和準備數據。 Microsoft Fabric 中的快捷方式或鏡像等工具可以簡化這些程式。
設定 AI 公平性和偏見控制。 建立清楚的程式，以識別並減輕 AI 數據中的偏差。 使用 Fairlearn 之類的工具來確保模型產生公平且公平的結果，尤其是敏感數據屬性。
促進 AI 與數據小組之間的共同作業。 讓 AI 開發與數據工程工作保持一致，以確保模型是使用高品質且妥善管理的數據所建置。
為數據擴展性做好準備。 預測此 AI 工作負載所需的數量、速度和各種數據。 根據需求選擇能夠調整的彈性架構。 請考慮雲端式基礎結構，以有效率地管理資源。
納入數據管理自動化。 針對標記、編錄和進行數據品質檢查等工作，利用 AI 和機器學習服務。 自動化可增強精確度，並讓小組專注於戰略目標。
規劃持續監視和評估。 建立數據和模型輸出的定期稽核，以確保持續的數據品質、效能和公平性。 監控 AI 模型和數據流程，以識別任何可能影響可靠性或合規性的變化。 實作自動化的數據品質檢查，包括異常偵測和驗證規則。 定期監視數據管線是否有失敗或不一致。
定義負責任的 AI 策略
針對每個 AI 使用案例，您應該定義負責任的 AI 策略，概述您在確保 AI 解決方案對所有使用者保持可信任且有益方面所扮演的角色。 責任可能會因每個案例採用的技術而有所不同。 如有必要，請建立更廣泛的負責任 AI 策略摘要，其中包含衍生自個別使用案例的階層式原則。
確立 AI 責任。 隨著 AI 技術和法規的推進，請指派人員來監視和管理這些變更。 這通常是 AI CoE 或 AI 負責人的責任。
與已建立的負責任 AI 準則一致。 Microsoft遵循六 個負責任的 AI 原則，遵循 NIST 人工智慧風險管理架構 （AI RMF） 。 使用這些原則作為商務目標，以定義成功並控管每個使用案例中的 AI 採用。
識別負責任的 AI 工具。 負責任的 AI 工具可確保您的 AI 符合更廣泛的負責任 AI 做法。 在您的策略中，找出哪些負責任的 AI 工具和程序 相關。
瞭解法律和法規合規性需求。 法律和法規合規性會影響您建置和管理 AI 工作負載的方式。 研究並遵守您所在位置或領域的 AI 相關規範。
如需詳細資訊，請參閱 AI 策略範例。
後續步驟
範例 AI 使用案例
這些範例強調各種生成式和非生成式的 AI 應用程式。 雖然並非詳盡，但提供 AI 如何套用至您企業不同領域的深入解析。
| 生成式 AI | 非生成性 AI |
|---|---|
| 自主代理程式：開發可獨立執行工作的 AI 系統，例如管理排程或客戶查詢的虛擬助理。 | 影像辨識：利用 AI 來識別和分類影像或影片中的物件，在安全性或品質控制系統中很有用。 |
| 行銷：自動建立社交媒體文章和電子郵件通訊。 | 預測：根據歷程記錄數據預測趨勢或優化作業。 |
| 電子商務平台：產生個人化產品建議和量身打造的購物體驗。 | 流程自動化：自動化不需要產生內容的例行任務和工作流程，例如客戶服務機器人。 |
| 產品開發：快速建立多種產品原型或設計元素的變化。 | 數據分析：找出結構化數據中的模式，以取得深入解析和數據驅動決策。 |
| 軟體開發：自動化重複的程式代碼產生，例如 CRUD 作業。 | 模型模擬：模擬複雜的工作負載（流暢動態、有限元素分析），以預測行為並優化設計或程式。 |
| 教育平臺：為學生產生個人化學習教材。 | 異常偵測：識別數據中的異常模式。 例如，您可以使用此策略來進行詐騙偵測或設備故障預測。 |
| 客戶服務：透過 AI 驅動的聊天機器人提供以內容為基礎的回應。 | 建議：根據用戶行為提供個人化建議，通常用於電子商務和串流服務。 |
| 廣告機構：為不同的受眾區段建立目標廣告變化。 | 優化：藉由解決複雜問題來提高效率（供應鏈優化、資源配置）。 |
| 健康與保健應用程式：生成個人化的運動計劃和膳食計劃。 | 情感分析：分析社交媒體或客戶評論中的文字，以量測公眾情緒並增強客戶體驗。 |
範例 AI 策略
此範例 AI 策略是以虛構的公司 Contoso 為基礎。 Contoso 會經營面向客戶的電子商務平臺，並雇用需要工具來預測商務數據的銷售代表。 該公司也會管理產品開發和庫存以促進生產。 其銷售管道包括私營公司和高度監管的公共部門機構。
| AI 使用案例 | 目標 | 目標 | 成功指標 | AI 方法 | Microsoft解決方案 | 資料需求 | 技能需求 | 成本因素 | AI 數據策略 | 負責任的 AI 策略 |
|---|---|---|---|---|---|---|---|---|---|---|
| 電子商務 Web 應用程式聊天功能 | 自動化商務程式 | 提升客戶滿意度 | 提高客戶保留率 | PaaS、Generative AI、RAG | Azure AI Foundry | 項目描述和配對 | RAG 和雲端應用程式開發 | 使用方式 | 建立客戶數據的數據控管，並實作 AI 公平性控制。 | 將 AI 的責任歸於 AI 中心（CoE），並遵循負責任 AI 的原則。 |
| 內部應用程式文件處理工作流程 | 自動化商務程式 | 降低成本 | 提高完成率 | 分析型AI，微調 | Azure AI 服務 - 文件智慧 | 標準文件 | 應用程式開發 | 估計使用量 | 定義內部文件的數據治理，並規劃數據生命周期策略。 | 指派 AI 責任，並確保符合數據處理原則的合規性。 |
| 庫存管理和產品購買 | 自動化商務程式 | 降低成本 | 庫存的保質期較短 | 機器學習、訓練模型 | Azure Machine Learning | 歷程記錄庫存和銷售數據 | 機器學習和應用程式開發 | 估計使用量 | 建立銷售數據的控管，並偵測和解決數據中的偏差。 | 指派 AI 責任並遵守財務法規。 |
| 跨公司每日工作 | 提高個別生產力 | 改善員工體驗 | 提高員工滿意度 | SaaS 生成式 AI | Microsoft 365 Copilot | OneDrive 數據 | 一般IT | 訂用帳戶成本 | 實作員工數據的數據控管，並確保數據隱私權。 | 指派 AI 責任，並利用內建負責任的 AI 功能。 |
| 適用於受管制產業聊天功能的電子商務應用程式 | 自動化商務程式 | 增加銷售 | 增加銷售額 | IaaS 生成式 AI 模型訓練 | Azure 虛擬機器 | 領域專用的訓練資料 | 雲端基礎結構和應用程式開發 | 基礎結構與軟體 | 結合合規性措施，治理受管制數據並規劃生命週期。 | 指派 AI 責任並遵守產業法規。 |