Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Strategia dei dati
Una strategia di dati ben definita è essenziale per l'adozione di successo dell'IA generativa. Questa sezione esamina come la strategia dei dati svolga un ruolo fondamentale in ogni fase del percorso di adozione dell'IA generativa. Descrive inoltre le considerazioni chiave relative alle varie dimensioni dell'implementazione. Per ulteriori informazioni sulle fasi del percorso verso l'IA generativa, consulta il modello di maturità per l'adozione dell'IA generativa su Prescriptive Guidance. AWS AWS
Il percorso di adozione dell'IA generativa è una progressione strutturata attraverso quattro fasi chiave:
-
Envision — Organizations esplora concetti di intelligenza artificiale generativa, aumenta la consapevolezza e identifica potenziali casi d'uso.
-
Sperimenta: le organizzazioni convalidano il potenziale dell'IA generativa attraverso progetti pilota strutturati e prove di concetti, sviluppando al contempo capacità tecniche di base e framework fondamentali per l'implementazione.
-
Lancio: le organizzazioni implementano sistematicamente soluzioni di intelligenza artificiale generativa pronte per la produzione con solidi meccanismi di governance, monitoraggio e supporto per offrire valore costante ed eccellenza operativa, mantenendo al contempo gli standard di sicurezza e conformità.
-
Scala: le organizzazioni stabiliscono funzionalità di intelligenza artificiale generativa a livello aziendale attraverso componenti riutilizzabili, modelli standardizzati e piattaforme self-service per accelerare l'adozione mantenendo al contempo la governance automatizzata e promuovendo l'innovazione.
In tutte le fasi, AWS enfatizza un approccio olistico, che allinea la strategia con gli investimenti in infrastrutture, le politiche di governance, i quadri di sicurezza e le migliori pratiche operative per promuovere un'implementazione dell'IA responsabile e scalabile. Ogni fase richiede l'allineamento tra sei pilastri fondamentali di adozione: business, persone, governance, piattaforma, sicurezza e operazioni. Questi pilastri si allineano e ampliano il AWS Cloud Adoption Framework (AWS CAF
Questa sezione illustra in modo più dettagliato le seguenti fasi del modello di maturità:
Livello 1: Envision
Nella fase di Envision, le organizzazioni si concentrano sulla pianificazione identificando i casi d'uso adeguati, mappando le fonti di dati necessarie per l'implementazione e stabilendo i requisiti fondamentali di sicurezza e accesso ai dati per la prossima fase di sperimentazione.
In questa fase, i criteri di allineamento per i pilastri di adozione sono i seguenti:
-
Business: identifica i casi d'uso strategici per l'IA generativa in linea con gli obiettivi aziendali. Valuta dove risiedono i dati di alto valore e la loro accessibilità.
-
Persone: promuovi una cultura basata sui dati educando la leadership e le parti interessate sull'importanza dei dati nell'adozione dell'IA generativa.
-
Governance: conduci un audit iniziale dei dati per valutare la conformità, i problemi di privacy e i potenziali rischi etici. Sviluppa politiche iniziali sulla trasparenza e la responsabilità dell'IA.
-
Piattaforma: valuta l'infrastruttura di dati esistente, cataloga le fonti di dati interne ed esterne e valuta la qualità dei dati per la fattibilità dell'IA generativa.
-
Sicurezza: inizia a implementare i controlli di accesso e i principi dei privilegi minimi per l'accesso ai dati. Assicurati che i modelli di intelligenza artificiale generativa possano recuperare solo le informazioni a cui l'utente è autorizzato ad accedere.
-
Operazioni: definisci un approccio strutturato alla raccolta, alla pulizia e all'etichettatura dei dati per esperimenti di intelligenza artificiale generativa. Stabilisci cicli di feedback iniziali per il monitoraggio dei dati.
Livello 2: esperimento
Durante la fase di esperimento, le organizzazioni convalidano la disponibilità e l'idoneità dei dati richiesti per supportare l'implementazione dei casi d'uso identificati. In parallelo, stabilisci un framework minimo di governance dei dati valido per supportare l'uso di dati reali nelle bozze concettuali. È possibile perfezionare un modello di base selezionato o utilizzare un off-the-shelf modello in combinazione con un approccio Retrieval Augmented Generation (RAG).
In questa fase, i criteri di allineamento per i pilastri di adozione sono i seguenti:
-
Business: definisci chiari criteri di successo per i progetti pilota e assicurati che la disponibilità dei dati soddisfi le esigenze di ogni caso d'uso.
-
Persone: forma un team interfunzionale che include ingegneri dei dati, specialisti di intelligenza artificiale ed esperti di settore. Questo team è responsabile della convalida della qualità dei dati e dell'allineamento dei modelli ai requisiti aziendali.
-
Governance: bozza un framework per la governance generativa dei dati basati sull'intelligenza artificiale. Come minimo, il framework dovrebbe discutere della conformità normativa e delle linee guida responsabili in materia di IA.
-
Piattaforma: implementa iniziative di integrazione dei dati nelle fasi iniziali, comprese pipeline di dati strutturati e non strutturati. Configura database vettoriali per esperimenti RAG.
-
Sicurezza: applica autorizzazioni rigorose per i dati e controlli di conformità. Assicurati che le informazioni personali o altre informazioni sensibili siano mascherate o rese anonime prima dell'addestramento dei modelli.
-
Operazioni: per prepararti al rilascio della produzione, stabilisci metriche di qualità per identificare le lacune.
Livello 3: lancio
Nella fase di lancio, le soluzioni di intelligenza artificiale generativa passano dalla sperimentazione all'implementazione su vasta scala. A questo punto, le integrazioni sono completamente implementate e vengono stabiliti solidi framework di monitoraggio per tenere traccia delle prestazioni, del comportamento dei modelli e della qualità dei dati. Vengono applicate misure complete di sicurezza e conformità per supportare la privacy, la sicurezza e il rispetto delle normative dei dati.
In questa fase, i criteri di allineamento per i pilastri di adozione sono i seguenti:
-
Business: misura l'efficienza operativa e il valore aziendale. Ottimizza i costi operativi e l'uso delle risorse.
-
Persone: forma i team operativi sulla gestione e il monitoraggio dei modelli di intelligenza artificiale generativa. Utilizza processi di cura dei dati adeguati.
-
Governance: perfeziona il framework per la governance generativa dei dati basati sull'intelligenza artificiale. Risolvi la conformità normativa, i pregiudizi dei modelli e le linee guida sull'intelligenza artificiale responsabile. Stabilisci un audit continuo delle pipeline di dati generativi di intelligenza artificiale per convalidare la conformità alle normative in evoluzione.
-
Piattaforma: ottimizza l'infrastruttura scalabile per supportare l'acquisizione di dati in tempo reale, la ricerca vettoriale e la messa a punto ove necessario.
-
Sicurezza: implementa la crittografia, il controllo degli accessi basato sui ruoli (RBAC) e i modelli di accesso con privilegi minimi. Puoi utilizzare Amazon Q Business per controllare l'accesso ai dati e assicurarti che la soluzione di intelligenza artificiale generativa recuperi solo i dati a cui l'utente è autorizzato ad accedere.
-
Operazioni: stabilisci pratiche di osservabilità dei dati. Tieni traccia della derivazione, della provenienza e delle metriche di qualità dei dati per identificare le lacune prima della scalabilità.
Livello 4: Scala
Nella fase di scalabilità, l'attenzione si sposta sull'automazione, la standardizzazione e l'adozione a livello aziendale. Organizations stabilisce pipeline di dati riutilizzabili, implementano framework di governance scalabili e applicano solide policy per supportare l'accessibilità, la sicurezza e la conformità dei dati. Questa fase democratizza i prodotti di dati. Ciò aiuta i team di tutta l'organizzazione a sviluppare e implementare senza problemi nuove soluzioni di intelligenza artificiale generativa, mantenendo coerenza, qualità e controllo.
In questa fase, i seguenti sono i criteri di allineamento per i pilastri di adozione:
-
Business: allinea i progetti di intelligenza artificiale generativa agli obiettivi aziendali a lungo termine. Concentrati sulla crescita dei ricavi, sulla riduzione dei costi e sulla soddisfazione dei clienti.
-
Persone: sviluppa programmi di alfabetizzazione in materia di intelligenza artificiale a livello aziendale e integra l'adozione dell'IA nelle funzioni aziendali tramite i Centri di eccellenza per l'intelligenza artificiale (). CoEs
-
Governance: standardizza le politiche di governance dell'IA tra i reparti per promuovere la coerenza nel processo decisionale in materia di intelligenza artificiale.
-
Piattaforma: investi in piattaforme di dati AI scalabili che utilizzano soluzioni native del cloud per l'accesso e l'elaborazione federati dei dati.
-
Sicurezza: implementa il monitoraggio automatizzato della conformità, una solida prevenzione della perdita di dati (DLP) e una valutazione continua delle minacce.
-
Operazioni: definizione di un framework di osservabilità basato sull'intelligenza artificiale. Integra i loop di feedback, il rilevamento delle anomalie e l'analisi delle prestazioni dei modelli su larga scala.
