規劃 AI 導入

本文可協助您建立 AI 採用計劃，將組織的 AI 策略轉換成可採取動作的步驟。 AI 採用計劃可橋接 AI 願景與執行之間的差距。 此計劃可確保 AI 計劃與商務目標之間的一致性，同時解決技能差距、資源需求和實作時程表。

評估 AI 技能

目前的功能評定可防止資源配置錯誤，並確保符合組織整備程度的實際項目規劃。 當組織嘗試實作超出其技術成熟度或數據可用性時，AI 專案就會失敗。 您必須評估您的技能、數據資產和基礎結構，以建立成功採用 AI 的基礎。 方法如下：

1. 使用技能和數據整備架構來測量 AI 成熟度層級。 此架構提供客觀準則來評估貴組織的目前 AI 功能。 此措施可防止過度投入到超出您目前能力的專案。 使用下表來評估您的成熟度：

   AI 成熟度層級	需要的技能	數據整備	可行的 AI 使用案例
   層級 1	▪ 對 AI 概念的基本瞭解 ▪ 整合資料來源並設計和規劃提示的能力	▪ 可用數據最少到零 ▪ 可用的企業數據	▪ Azure 快速入門專案 ▪ 任何「Copilot」解決方案
   層級 2	▪ 使用 AI 模型選取體驗 ▪ 熟悉 AI 部署和端點管理 ▪ 數據清理和處理的體驗	▪ 可用數據最少到零 ▪ 小型結構化數據集 ▪ 少量可用的網域特定數據	任何 1 級專案 ▪ 使用 Azure AI 服務的自定義分析 AI 工作負載 ▪ Azure AI Foundry 中的自訂生成式 AI 聊天應用程式，不包括擷取擴增生成（RAG）功能 ▪ 使用自動化模型定型的自定義機器學習應用程式 ▪ 微調生成式 AI 模型
   層級 3	▪ 快速工程的熟練程度 ▪ AI 模型選取、數據區塊化和查詢處理的熟練程度 ▪ 數據前置處理、清除、分割和驗證的熟練程度 ▪ 編製索引的基礎數據	▪ 適用於機器學習的大量歷程記錄商務數據 ▪ 少量可用的網域特定數據	▪ 屬於層級 1-2 的任何專案 ▪ 在 Azure AI Foundry 中使用 RAG 的 Generative AI 應用程式 ▪ 定型和部署機器學習模型 ▪ 在 Azure 虛擬機器 上訓練和執行小型 AI 模型
   層級 4	▪ 進階 AI/機器學習專業知識，包括基礎結構管理 ▪ 處理複雜 AI 模型定型工作流程的熟練程度 ▪ 體驗協調流程、模型基準檢驗和效能優化 ▪ 保護和管理 AI 端點的強技能	▪ 可用於訓練的大量數據	▪ 任何層級 1-3 專案 ▪ 在虛擬機、Azure Kubernetes Service 或 Azure Container Apps 上定型和執行大型的再生式或非再生 AI 應用程式

2. 清查您的數據資產，並評估其 AI 使用案例的品質。 數據品質直接影響 AI 模型效能，並判斷您可以成功實作的使用案例。 此清查會顯示數據準備需求，並協助根據可用數據排定使用案例的優先順序。 記錄整個組織的數據源、格式、質量和輔助功能。

3. 檢閱您的技術基礎結構，並判斷 AI 整備需求。 基礎結構容量會限制 AI 專案範圍，並影響部署策略。 此檢閱可協助您規劃基礎結構投資，並選取適當的 Azure 服務。 評估目標 AI 使用案例所需的計算資源、記憶體容量、網路頻寬和安全性控制。

取得 AI 技能

完整的功能建置策略可確保貴組織擁有成功實作和維護 AI 系統所需的技能。 技能差距會建立項目延遲，並增加實作失敗的風險。 您必須開發多面向的方法，結合訓練、僱用和合作關係，以建置可持續的 AI 功能。 方法如下：

1. 透過結構化學習計畫開發內部 AI 技能。 內部技能開發提供長期功能建置，並確保貴組織內的知識保留。 此方法會建置組織信心，並減少對外部資源的相依性。 使用 AI 學習中樞 平臺，免費進行 AI 訓練、認證和產品指引。 設定認證目標，例如 Azure AI 基礎、 Azure AI 工程師助理和 Azure 數據科學家關聯 認證。

2. 招募 AI 專業人員，以填補超過內部容量的重要技能缺口。 外部招聘可讓您立即獲得專業專長，並加速項目時程表。 此策略有助於填補內部開發時間過長的空缺。 聘請模型開發、衍生 AI 或 AI 道德方面的專家。 更新工作描述，以反映目前的技能需求，並建立強調創新和技術領導地位的僱主品牌。

3. 與Microsoft專家合作，以補充 AI 功能。 Microsoft合作關係可存取經證實的專業知識和產業最佳做法，同時降低實作風險。 這種方法可加速學習，並確保與Microsoft AI 技術保持一致。 使用 Microsoft合作夥伴市集 來存取跨產業的 AI、數據和 Azure 專業知識。

存取 AI 資源

清除存取需求和授權策略可防止部署延遲，並確保符合組織原則。 不同的 AI 解決方案具有影響成本、安全性和治理的不同存取模式。 您必須了解組合中每個 AI 解決方案的特定存取需求，以有效規劃預算和安全性控制。 方法如下：

排定 AI 使用案例的優先順序

策略性優先順序可確保您將資源放在專案上，這些專案可提供最大價值，同時符合您的組織功能。 使用情境優先順序可降低實作風險，並加速獲得價值的時間。 您必須根據可行性、策略價值和資源需求來評估每個使用案例，以建立可達成的實作藍圖。 方法如下：

1. 根據您目前的 AI 成熟度和可用資源評估使用案例。 實際評估可防止承擔超出目前能力範圍的專案，並確保成功實施。 此評估可協助您專注於可達成的目標，以建立未來項目的勢頭。 檢閱 AI 成熟度層級、數據可用性、技術基礎結構，以及 AI 策略中所定義之每個使用案例的人員配置容量。

2. 依策略價值和實作可行性來排名使用案例。 策略排名可協助您將有限的資源配置給具有最高潛在影響和成功機率的專案。 這種方法可最大化 AI 投資的回報，同時建立組織信心。 針對業務影響、技術複雜性、資源需求，以及符合組織目標，為每個使用案例評分。

3. 建立具有明確成功準則的優先順序實作藍圖。 結構化藍圖提供明確的實作小組方向，並針對已定義的里程碑啟用進度追蹤。 此藍圖可協助管理項目關係人的期望和資源配置。 選取優先順序最高的使用案例，並定義每個專案的特定成功計量、時程表和資源需求。

透過概念證明驗證概念

概念證明可藉由在全面開發之前驗證技術可行性和業務價值來降低實作風險。 PoC 有助於識別受控制環境中的潛在挑戰和精簡需求。 您必須建立專注的驗證專案，以測試核心假設，並收集數據以進行明智的決策。 方法如下：

1. 選取適當的使用案例，以證明概念驗證。 正確的 PoC 選擇會平衡學習機會與可管理的風險和複雜性。 此選擇可確保您收集有意義的深刻見解，而不至於使您的團隊或組織感到負擔過重。 從符合 AI 成熟度層級的優先順序清單中選擇高價值專案。 從內部、非客戶面向的項目開始，以限制風險並測試您的方法。

2. 使用Microsoft指導方針和工具實作集中概念驗證。 結構化實作可縮短開發時間，並確保您遵循所選 AI 方法的經過實證做法。 這種方法可最大化學習，同時將資源投資降至最低。 根據您的 AI 類型使用下列實作指南：

   AI 類型	實作指南
   生成式 AI	Azure PaaS：Azure AI Foundry 和 Azure OpenAI Microsoft Copilots：Copilot Studio 和 Microsoft 365 Copilot 擴充性
   機器學習服務	Azure Machine Learning
   分析人工智能	具有 內容安全性、 自定義視覺、 檔智慧和其他服務之特定指南的 Azure AI 服務

3. 使用 PoC 結果來精簡您的使用案例優先順序和實作方法。 PoC 洞察揭示了影響未來專案規劃和資源分配的實際挑戰與機會。 此意見反應迴圈可確保您的 AI 藍圖維持現實且可達成。 記錄所學到的課程、技術挑戰，以及示範的商業價值。 根據經過證實的可行性和測量的影響來調整您的使用案例優先順序。

建立負責任的 AI 做法

負責任的 AI 做法可保護您的組織免於道德、法律和信譽風險，同時確保 AI 系統符合組織價值。 負責任 AI 原則的早期整合可防止成本高昂的重新設計，並建立項目關係人信任。 您必須從一開始就將道德考慮、治理架構和安全性措施內嵌到您的實作計劃中。 方法如下：

1. 使用負責任的 AI 規劃工具來評估潛在影響並設計道德系統。 系統評估工具可協助識別潛在風險，並確保 AI 系統符合道德標準和法規需求。 這些工具提供結構化方法，以處理複雜的道德考慮。 使用 AI 影響評估範本、 Human-AI eXperience Toolkit 和 負責任 AI 成熟度模型 來引導規劃程式。

2. 實作 AI 治理架構，以引導專案決策和監視系統行為。 治理框架提供一致的決策準則，並確保跨 AI 項目問責。 這些架構可協助組織控制 AI 開發和部署。 建立涵蓋角色、責任、合規性需求和道德標準的原則。 如需治理實作的詳細指引，請參閱 治理 AI 。

3. 在整個實作生命週期中套用 AI 安全性和作業最佳做法。 安全性和營運卓越可確保 AI 系統在整個生命週期中保持可靠、安全且符合成本效益。 這些做法可防止安全性事件和作業失敗。 實作 GenAIOps 或 MLOps 等 AI 作業架構，以進行部署追蹤和效能監視。 如需詳細的實作指引，請參閱 管理 AI 和安全 AI 。

預估傳遞時程表

實際時間軸估計可實現有效的資源規劃和專案關係人管理，同時確保專案成功。 時間軸精確度取決於項目複雜度、組織成熟度和資源可用性。 您必須根據概念證明和組織能力的經驗數據來估算時間表。 方法如下：

1. 使用概念證明結果來估計每個使用案例的實作時程表。 PoC 數據會提供實際基準估計，以考慮貴組織的特定功能和限制。 此方法會產生比理論估計更精確的時程表。 記錄 PoC 實作期間觀察到的開發時間、測試週期和部署複雜度。

2. 考慮時間軸規劃中的組織成熟度和複雜度因素。 不同的 AI 解決方案具有根據組織整備程度和專案範圍而有所不同的特性實作時程表。 這項瞭解有助於為專案關係人設定適當的期望。 Microsoft Copilots 通常會提供投資報酬率最短的時間軸（數天到數周），而自定義 Azure AI 工作負載需要數周到數個月的時間才能達到生產整備程度。

3. 預留緩衝時間，應對學習、反覆改進和非預期的挑戰。 AI 專案通常會遇到無法預見的技術挑戰，而且需要多次反覆專案才能達到所需的結果。 緩衝時間可防止排程可能會危害品質或道德考慮的壓力。 將 20-30% 應變時間加入初始估計，並計劃多個開發週期。

Azure 資源

後續步驟

藉由建立實作的技術基礎來完成 AI 採用規劃。 若要透過 Azure 設定自定義 AI 工作負載的技術環境，請前往 AI Ready。 針對 Microsoft Copilot 的採用，請邁向 AI 治理，以建立組織監管。