Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
AI-mål: Varje organisation vill att AI ska ge mervärde till sina medarbetare och processer. Det värdet måste komma från AI som förblir säkert och körs effektivt. Den måste passa de kunskaper och data som du redan har och hålla dig inom budgeten. AI-utmaning: Målet är tydligt, men det är inte alltid enkelt att nå det värdet. Team experimenterar ofta mycket men får liten utdelning. Vissa skapar motstridiga lösningar i hela organisationen. På andra platser begränsar säkerhetsproblem och lågt förtroende vad människor kan använda, vilket håller AI tillbaka.
AI-lösning: Många organisationer har vänt sig till Microsoft AI-lösningar för att möta dessa utmaningar. Microsoft erbjuder en bred uppsättning funktioner som ger dig flexibiliteten att hantera varje användningsfall effektivt och att hålla AI säkert när det skalar. Den här vägledningen ger beslutsfattare ett ramverk för att styra arbetet och anpassa AI-investeringar till affärsbehov.
Rekommendation: Skapa en AI-strategi som passar dina affärsbehov genom att arbeta igenom besluten i följande avsnitt i följd. Varje beslut anger de begränsningar som formar nästa och behåller fokus på värdeskapande.
1. Ai-användningsfallsidentifiering
Det första steget i att utforma din AI-strategi är användningsfallsidentifiering. Det här steget definierar hur beslutsfattare upptäcker var AI kan förbättra affärsresultaten i hela organisationen. Målet är att först visa upp meningsfulla möjligheter. Listan behöver inte vara fullständig, även om den kan vara det. Syftet är att ge alla en gemensam uppfattning om vad som är viktigast för verksamheten. Gå igenom det så att varje användningsfall spårar tillbaka till verkligt värde.
Börja med affärsproblem. Leta efter var organisationen behöver bättre resultat innan du överväger AI alls. De tydligaste signalerna visas i hur människor arbetar, till exempel upprepade manuella ansträngningar eller långsamma godkännanden. Rama in sökningen i enkla termer, till exempel "var missar resultaten förväntningarna" eller "var spenderar människor tid på repetitiva uppgifter". Den här metoden håller AI pekat på värde snarare än nyhet. Avvägning: En bred genomgång blottlägger många möjligheter, så fokusera på de luckor i resultaten som både är mätbara och meningsfulla.
Översätt problem till användningsfall. Omvandla varje affärsproblem till en kort instruktion som namnger aktiviteten och det förväntade resultatet, till exempel "hjälp supportagenter att svara från interna dokument så att lösningstiden sjunker". Bekräfta att aktiviteten sker tillräckligt ofta för att motivera investeringen. Kompromiss: Tidiga scenarier tenderar att vara vaga, så förfina dem till tydliga och användbara beskrivningar innan du går vidare.
Klassificera användningsfall. Klassificera varje användningsfall baserat på hur det skapar värde. Använd det här beslutet för att vägleda senare teknikval.
Individuellt arbete: Dessa användningsfall förbättrar hur individer eller team arbetar i befintliga verktyg. Exempel är skrivhjälp eller mötesförberedelser. De är starkt anpassade till generativa AI-lösningar som Microsoft 365 Copilot.
Affärsautomatisering: Dessa användningsfall ändrar hur organisationen fungerar eller levererar värde. Exempel är automatiserad kundroutning eller prognostisering av efterfrågan. De behöver ofta integrering med andra system och kan kombinera mer än en AI-typ.
Tänk på vilken AI-typ som behövs. Detta är ett övervägande, inte ett slutgiltigt beslut, och du kan gå tillbaka till det när användningsfallet blir tydligare. En grov känsla av hur mycket konsekvens du vill ha i resultatet begränsar de teknikval som kommer härnäst. Du har friheten att justera den senare.
Generativ AI (icke-deterministisk) producerar utdata som kan variera även för samma indata, och det fungerar bra när indata är ostrukturerade, till exempel naturligt språk eller dokument. Det passar fall där arbetsflödet inte är fast och där du vill att systemet ska skapa innehåll eller hjälpa till med ett mänskligt beslut. Luta dig mot det här sättet när du inte känner till de exakta stegen i förväg och en viss variation i utdata är acceptabel.
Icke-generativ AI (deterministisk) ger konsekventa och repeterbara utdata från strukturerade indata. Det passar fall där arbetsflödet definieras och samma indata bör leda till samma resultat. Luta dig mot det här sättet för uppgifter som är beroende av noggrannhet, till exempel förutsägelse eller avvikelseidentifiering.
Använd samma sekvens i alla affärsområden. Ett repeterbart flöde minskar förvirringen, hindrar dig från att nå generativ AI där det inte behövs och förbereder dig för att välja en lösningsväg härnäst.
2. AI-teknikstrategi
Vilken Microsoft AI-lösning bör du välja? När du har identifierat vilka användningsfall som behöver vilken typ av AI börjar du begränsa hur du skapar eller köper var och en. Microsoft erbjuder fyra införandemodeller som byter ut anpassningsmöjligheter mot enkelhet inom ramen för en modell med delat ansvar. De är redo att använda Copilots, saaS-utveckling med låg kod, hanterad PaaS-utveckling och Azure infrastruktur. När du går från den första modellen till den sista får du kontroll och ger upp hastigheten.
Varje metod kräver en annan nivå av teknisk skicklighet och returnerar en annan grad av kontroll. Använd beslutsträdet i följande avsnitt för att begränsa alternativen. Använd sedan följande vägledning för att väga fyra faktorer för AI-lösningen:
- Kapacitet: Granska funktionerna i Microsoft och Azure AI-lösningar för att se om de uppfyller behoven i ditt användningsfall.
- Data som behövs: Bekräfta att nödvändiga data finns och är tillgängliga för scenariot.
- Färdigheter som krävs: Kontrollera att varje användningsfall kan uppnås med aktuella funktioner innan du väljer en lösning.
- Kostnad: Utvärdera om lösningen passar din budget.
Microsoft AI-beslutsträd
Microsoft Copilots (SaaS-agenter)
Microsoft ai-lösningar som är redo att användas, så kallade Copilots, ökar effektiviteten snabbt eftersom de behöver lite konfiguration och arbete med data som du redan har. Microsoft 365 Copilot lägger till AI-hjälp i Office-appar. Produktintegrerade och rollbaserade Copilots fokuserar på specifika yrkesroller och branscher. Kompromiss: Copilots ger de snabbaste resultaten, men de erbjuder mindre anpassning än en anpassad lösning.
| Microsoft Copilots | Beskrivning | User | Data som behövs | Krävda färdigheter | Huvudsakliga kostnadsfaktorer |
|---|---|---|---|---|---|
| Microsoft 365 Copilot | Webbaserad och Work IQ-baserad chatt och hjälp i appen över Microsoft 365, grundad i dina Microsoft data. | Företag | Tillämpa känslighetsetiketter på Microsoft 365-data så att skyddet följer innehållet. | Allmän IT- och datahantering | Licens per användare |
| Rollbaserade Copilots och agenter | Rollspecifik hjälp för security, försäljningsagent, tjänst- och ekonomiagent. | Företag | Ja. Alternativ för dataanslutning och plugin-program är tillgängliga. | Allmän IT- och datahantering | Microsoft 364 Copilot-åtkomst eller Security Compute Units (SCU:er) för Security Copilot |
| Produktintegrerade Copilots och agenter | AI i produkter som GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric, Microsoft Entraoch Azure. | Företag och individ | Ja. De flesta kräver minimal dataförberedelse. | Minimal (grundläggande administratörskonfiguration och databeredskap) | Kostnadsfritt eller prenumeration |
| Microsoft Copilot | Microsoft Copilot är en kostnadsfri webbbaserad chattapp. | Enskild | No | Ingen | Free |
SaaS AI-utvecklingsplattformar (låg kod)
Microsoft tillhandahåller SaaS-utvecklingsalternativ för att skapa AI-agenter. Copilot Studio låter företagsanvändare skapa AI-assistenter med naturligt språk, och med Microsoft 365 Copilot tillägg kan du anpassa företagets Copilot med företagsspecifika data och processer. Kompromiss: SaaS-utvecklingsplattformar öppnar utveckling för affärsteam, men tung anpassning når gränser och kan kräva en flytt till en hanterad plattform.
| Platform | Beskrivning | User | Data som behövs | Krävda färdigheter | Huvudsakliga kostnadsfaktorer |
|---|---|---|---|---|---|
| Copilot Studio | Använd Copilot Studio för att skapa konversations-AI-agenter och automatiseringsarbetsflöden med lågkodsverktyg och naturligt språk. | IT | Automatiserar stora delar av dataintegrationen för att skapa anpassade assistenter med anslutningar till olika datakällor. | Plattformsinställning för att ansluta datakällor, designa konversationsflöden och distribuera assistenter | Licens |
| Utökningsverktyg för Microsoft 365 Copilot | Anpassa Microsoft 365 Copilot med fler data eller funktioner via deklarativa agenter. Använd verktyg som Copilot Studio, Agent Builder och Agents Toolkit. | Företag och individ | Använd Microsoft 365 Copilot-anslutningar för att lägga till data. | Datahantering, allmänna IT- eller utvecklarkunskaper | Microsoft 365 Copilot licens |
AI på Azure plattformar (PaaS)
Plattform som en tjänst är startpunkten för de flesta anpassade appar och agenter. Välj det när SaaS-utveckling med låg kod inte kan ge dig tillräckligt med anpassning, men du fortfarande vill att Microsoft ska köra plattformen åt dig. Du får en hanterad miljö för att skapa anpassade agenter och modeller. Det här arbetet kräver mer arbete än SaaS-utveckling men mindre arbete än att köra infrastrukturen själv. Microsoft hanterar plattformen och du underhåller inte servrar eller tränar basmodellerna. Kompromiss: En hanterad plattform ger dig mer kontroll än SaaS-utveckling, men det kräver teknisk kompetens som SaaS-utvecklingsalternativ inte gör.
| AI-mål | Microsoft lösning | Data som behövs | Krävda färdigheter | Huvudsakliga kostnadsfaktorer |
|---|---|---|---|---|
| Skapa agenter | Microsoft Foundry Agent Service | Ja | Val av agenttyp, lägga till verktyg och data, felsöka med spårningar, utvärdering, optimering, publicera, övervaka. Se Agentens livscykel | Förbrukning av modelltoken, lagring, funktioner, beräkning, grundanslutningar |
| Skapa RAG-program | Gjuteri | Ja | Välja modeller, orkestrera dataflöden, dela upp data i segment, berika segmenten, välja indexeringsmetod, förstå frågetyper (fulltextsökning, vektor, hybrid), förstå filter och fasetter, omranka resultat, promptdesign, driftsätta slutpunkter och använda slutpunkter i appar | Beräkning, antal token in och ut, AI-tjänster som förbrukas, lagring och dataöverföring |
| Finjustera GenAI-modeller | Gjuteri | 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 med modeller |
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 fördefinierade AI-modeller och -tjänster | Gjuteri Verktyg | Ja | Välj AI-modeller, skydda slutpunkter, använda slutpunkter i appar och finjustera efter behov | Användning av modellslutpunkter, lagring, dataöverföring, beräkning (om du tränar anpassade modeller) |
| Isolera AI-appar | Azure Container Apps med serverlöst GPU-stöd | Ja | Välj AI-modeller, samordna dataflöde, segmentering av data, berika segment, välja indexering, förstå frågetyper (fulltext, vektor, hybrid), förstå filter och fasetter, utföra omrankning, fråga efter teknik, distribuera slutpunkter och använda slutpunkter i appar; valfri miljö/VNet-konfiguration för nätverksisolering (regional tillgänglighet och funktionsstatus kan variera) | Beräkning, antal token in och ut, AI-tjänster som förbrukas, lagring och dataöverföring |
Se de enskilda prissidorna för produkter som anges under AI + maskininlärning och priskalkylatorn för Azure för att generera kostnadsuppskattningar.
AI på Azure infrastruktur
Azure infrastruktur ger dig fullständig kontroll över dina egna modeller och körningsmiljöer. Det tar vanligtvis längst tid att bygga och kräver mest arbete för att underhålla över tid. Välj det här alternativet när du måste ta med dina egna modeller, använda anpassade körningar eller uppfylla prestanda- och efterlevnadsbehov som hanterade plattformar inte kan. Kompromiss: Infrastrukturen erbjuder mest kontroll, men den har det mest operativa ägarskapet.
| AI-mål | Microsoft lösning | Data som behövs | Krävda färdigheter | Huvudsakliga kostnadsfaktorer |
|---|---|---|---|---|
| Träna och köra dina egna modeller på infrastruktur som du hanterar | AI på Azure infrastruktur | 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 |
Se GPU-priser med Linux och Windows virtuella datorer. Använd priskalkylatorn för Azure för uppskattningar.
3. Ansvarsfull AI-strategi
Oavsett vilken modell och budget du väljer i stegen ovan är ansvarsfull användning ett villkor för att köra AI i produktion i stor skala. Din organisation måste fastställa standarder som säkerställer att AI är rättvis och ansvarsfull i alla team. De modeller som du valde avgör var dessa standarder gäller, men själva standarderna förblir konstanta i hela organisationen. Bygg vidare på Microsoft vägledning för ansvarsfull AI i stället för att definiera dessa standarder här. Se CAF-vägledningen för att skapa ansvarsfulla AI-principer för att införa ett konsekvent ramverk.
4. Datastrategi
En ansvarsfull AI-standard är bara lika stark som data bakom den, så din datastrategi kommer härnäst. Din datastrategi avgör om dina prioriterade användningsfall har tillgång till välstyrda data av hög kvalitet att arbeta med. En hållbar strategi genererar och klassificerar data och håller den kompatibel när AI sprids över Microsoft 365 och Azure. Koncentrera dig på styrningsbaslinjer och livscykelhantering i stället för design per arbetsbelastning. Se CAF-vägledningen för att skapa en datastrategi för AI och analys.
5. Hur man antar AI
Med strategin inställd går du över till planering och beredskap. Vägledningen för AI-användning innehåller checklistor för startups och större företag som hjälper er att ta vart och ett av besluten ovan i produktion med inbyggd styrning och säkerhet.