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。
本文概述了让组织为采用人工智能做好准备的过程。 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。
确定 AI 用例
AI 提高了个人效率并提高了业务流程。 生成 AI 可提高工作效率并提高客户体验。 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。
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。
收集客户反馈。 使用客户反馈发现在 AI 自动化时对客户满意度产生影响的用例。
进行内部评估。 收集各部门的意见，以确定 AI 可以解决的挑战和低效问题。 记录工作流并收集利益干系人的意见，以发现自动化、见解生成或改进决策的机会。
探索行业用例。 研究类似组织或行业如何使用 AI 解决问题或增强运营。 使用 Azure 体系结构中心
AI 体系结构等工具获得灵感，并评估哪些方法可能满足你的需求。 设置 AI 目标。 对于每个已识别的用例，请明确定义目标（常规用途）、目标（所需结果）和成功指标（可量化度量值）。 这些元素充当指导 AI 采用和衡量成功的基准。 有关详细信息，请参阅 AI 策略示例。
定义 AI 技术策略
选择与组织技能、可用数据和预算密切相关的 AI 技术。 Microsoft提供软件即服务（SaaS）、平台即服务（PaaS）和基础结构即服务（IaaS）。 这些服务提供不同级别的自定义和 共同责任。 若要指导你的决策，请使用以下 AI 决策树和指南。
使用软件服务 (SaaS) 购买 AI
Microsoft提供了称为 Copilots 的 SaaS 生成 AI 解决方案，旨在通过所需的最少技术专业知识提高工作效率。 有关详细信息，请参阅下表。
| Microsoft Copilots | 说明 | 用户 | 所需数据 | 所需技能 | 主要成本因素 |
|---|---|---|---|---|---|
| Microsoft 365 Copilot | 将 Microsoft 365 Copilot 用于企业范围的解决方案，该解决方案可以在 Microsoft 365 Copilot 应用如 Word、Excel 和 Teams 中自动化任务。 | 企业 | 是的。 使用敏感度标签对数据进行分类，并在 Microsoft Graph 中安全地与数据交互。 | 常规 IT 和数据管理 | 许可证 |
| 基于角色的 Copilot | 使用 Microsoft Copilot for Security 和基于角色的代理来提高特定业务角色的工作效率。 基于角色的代理包括 Microsoft 365 Copilot for Sales、Microsoft 365 Copilot for Service，以及 Microsoft 365 Copilot for Finance。 |
企业 | 是的。 为引入数据提供了不同的数据连接选项和插件选项。 | 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 Copilots 提高Microsoft产品中的工作效率。 具有产品内 Copilots 的产品包括 GitHub、 Power Apps、 Power BI、 Dynamics 365、 Power Automate、 Microsoft Fabric 和 Azure。 |
企业和个人 | 是的。 大多数不需要额外的数据准备。 | 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 | 对于 Copilot 免费版或 Copilot Pro 订阅为“无” |
| 适用于 Microsoft 365 Copilot 的扩展性工具 | 通过声明性代理使用更多数据（知识）或功能（技能）自定义（扩展）Microsoft 365 Copilot。 若要生成声明性代理，请使用扩展性工具，例如 Copilot Studio （SaaS 开发）、 代理生成器、VS Code 中的 Teams 工具包 （支持代码选项）和 SharePoint。 |
企业和个人 | 是的。 使用 Microsoft Graph 连接器 将数据添加到 Microsoft 365 Copilot。 | 数据管理、常规 IT 或开发人员技能 | Microsoft 365 Copilot 许可证 |
| Copilot Studio | 使用 Copilot Studio 在 SaaS 创作环境中生成测试和部署代理。 | 开发人员 | 是的。 Copilot Studio 自动执行大部分数据工作，以便为各种业务应用程序创建自定义 copilot。 | 使用平台连接数据源、映射提示并将 Copilot 部署到各种位置 | 许可证 |
使用 Azure 平台构建 AI 工作负载（PaaS）
Azure 提供了针对 AI 目标、技能集和数据需求定制的多个 PaaS 选项。 这些平台适合不同水平的技术专业知识。 查看 定价页 ，并使用 Azure 定价计算器 进行成本估算。
| 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 Foundry 或 Azure OpenAI |
是 | 选择模型、协调数据流、对数据进行分块、丰富数据块、选择索引、了解查询类型（全文、矢量、混合）、了解过滤器和面向、执行重新排序、设计提示流、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 Foundry | 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、使用代码或自动化工具进行模型训练、改进模型、部署机器学习模型以及在应用中调用终结点 | 计算、存储和数据传输 |
| 在应用程序中使用非生成式 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 | 消耗的模型端点、存储、数据传输和计算资源（如果需要训练自定义模型） |
| 独立生成式 AI 应用 | Azure Container Apps | 是 | 选择模型、协调数据流、对数据进行分块、丰富数据块、选择索引、了解查询类型（全文、矢量、混合）、了解过滤器和面向、执行重新排序、设计提示流、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 |
将 AI 模型与基础结构服务（IaaS）配合使用
为了更好地进行自定义和控制，请使用 Azure 的 IaaS 解决方案，例如 通过 CycleCloud 和 Azure Kubernetes 服务实现 Azure 虚拟机。 这些解决方案支持自定义 AI 模型的训练和部署。 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 | 基础设施管理、IT、软件安装、模型训练、模型基准测试、编排、部署终端、保护终端以及在应用中使用终端 | 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 |
定义 AI 数据策略
创建专为 AI 用例定制的数据策略。 确定可接受的数据源、工作负荷类型（内部与外部），并实施确保负责任的 AI 使用指南。 执行以下步骤：
建立数据治理。 仅将面向 Internet 的（“Online”）工作负荷限制为公共数据。 允许内部（“公司”）工作负载使用业务数据并维护定义的数据访问边界。 使用 Microsoft Purview 来管理数据。 有关体系结构指南，请参阅 数据管理登陆区域 。
为数据可扩展性做好准备。 预测所需的量、速度和各种数据。 选择能够根据需要缩放的灵活体系结构。 有关体系结构，请参阅 数据登陆区域。
计划数据生命周期。 制定用于在整个生命周期内管理数据的明确准则：
数据采集： 确定用于引入的数据库、API、物联网（IoT）设备、第三方数据或 Azure 数据工厂等数据源。 使用 Microsoft Fabric 或 Microsoft Purview 维护数据世系。
数据存储： 建议存储解决方案符合数据类型和规模，包括结构化、非结构化和实时方案。
数据处理： 使用 ETL（提取、转换、加载）或 ELT 管道来确保数据质量和就绪性。 在 Microsoft Fabric 中使用 One Lake 快捷方式 或 镜像 等工具。
数据审核。 实现定期审核，以识别和缓解 AI 数据集中的偏见。 使用 “负责任的 AI 仪表板 ”中的工具来分析和审核数据和模型输出。
定义负责任的 AI 策略
了解确保 AI 解决方案对所有用户保持可信、道德和有益的责任。 职责因使用的特定 AI 技术而异。
建立 AI 问责制。 分配专门的个人或团队来监视、管理和响应 AI 技术和法规要求的变化。
使用负责任的 AI 原则。 采用Microsoft六项 负责任的 AI 原则，该原则与 NIST AI 风险管理框架（RMF）保持一致。 将这些原则用作业务目标。
确定负责任的 AI 工具。 选择并应用合适的负责任的 AI 工具和流程 是适用的。 这些工具有助于确保 AI 计划与负责任的 AI 标准保持一致。
了解合规性。 法律和法规的义务在塑造 AI 项目实施方面起着重要作用。 识别、了解并遵守适用于运营的相关本地和国际 AI 法规和法律标准。
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。 该公司还负责管理用于生产的产品开发和库存。 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 | 自动化业务流程 | 提高客户满意度 | 提高客户保留率 | PaaS、生成式 AI、RAG | Azure AI Foundry | 项目描述和搭配 | 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 | 自动化业务流程 | 降低成本 | 提高完成率 | 分析 AI，微调 | 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 | 自动化业务流程 | 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。 | 明确 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 | 软件即服务生成式人工智能 (SaaS generative 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。 | 指定 AI 责任，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 | 自动化业务流程 | 增加销售 | 增加销售额 | IaaS 生成式 AI 模型训练 | Azure 虚拟机 | 特定领域的训练数据 | 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。 |