本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 评估注意事项和先决条件
<a name="best-practices"></a>

## 从清晰的用例开始
<a name="best-practice-use-cases"></a>

确定生成式 AI 可以解决的具体业务问题或机会。重点关注与战略业务目标一致并提供可衡量收益的用例。优先考虑针对组织内常见挑战的用例，以确保解决方案架构可以作为多种场景的模式。

在对潜在的生成式人工智能应用有大致了解的情况下启动评估过程是有益的，但不是强制性的。本指南中包含的[问卷](questionnaire.md)可以适应不同的准备水平，从具有明确用例定义的组织到只有广泛想法的组织。评估过程有助于：
+ 完善并阐明这些最初的用例想法。
+ 确定新的潜在用例。
+ 为每个用例制定具体、可衡量的目标。
+ 评估每个用例的可行性和潜在影响。

让我们考虑一个假设的例子：一家金融服务公司决定探索生成式人工智能现代化。他们从改善客户服务和欺诈检测流程的宏伟想法开始。
+ **初步评估**：问卷可帮助他们评估其当前的系统、数据质量以及采用生成式人工智能的组织准备情况。
+ **用例完善**：通过评估流程，他们将最初的想法完善为两个具体的用例：
  + 为客户查询实现人工智能驱动的生成式聊天机器人
  + 使用生成式 AI 进行实时交易欺诈检测
+ **目标设定**：对于每个用例，他们都定义了具体的目标：
  + 在 6 个月内将客户服务响应时间缩短 40%
  + 欺诈检测准确率提高 20%，误报率减少 15%
+ **延伸目标**：他们还设定了以下雄心勃勃的目标：
  + 通过 AI 辅助响应实现 80% 的客户满意度
  + 开发可识别新欺诈模式的预测性欺诈检测模型
+ **MVP 定义**：问卷可帮助他们确定每个用例的 MVP，重点关注能够带来即时价值的基本功能。
+ **目标架构**：最后，他们开发了一种目标架构，该架构支持一个或两个用例，并确保可扩展性以及与现有系统的集成。

## 确保业务协调一致
<a name="best-practice-alignment"></a>

使生成式 AI 计划与整体业务战略和目标保持一致。对于每个用例，都要制定明确的价值主张，展示生成式人工智能如何为业务增长、效率或创新做出贡献。建立衡量生成式 AI 实施对关键绩效指标影响的指标 (KPIs)。

## 实施治理和监督
<a name="best-practice-governance"></a>

成立一个跨职能指导委员会来监督生成式人工智能计划。制定负责任地使用人工智能的政策和指导方针，解决道德考虑因素和潜在偏见。为生成式 AI 项目建立审查流程，以确保符合组织标准和监管要求。

## 满足数据和技术先决条件
<a name="best-practice-prerequisites"></a>

评估和改善数据质量，并实施数据治理实践，以确保生成式 AI 模型的可靠输入。制定数据策略，以满足特定于生成人工智能需求的数据收集、存储和管理。评估和增强数据基础架构，以支持生成式 AI 工作负载所需的数据量和速度。

## 考虑计算资源需求
<a name="best-practice-resources"></a>

评估当前的 IT 基础架构，找出生成式 AI 工作负载的计算能力差距。考虑云服务或本地高性能计算集群等选项，规划可扩展的计算资源。优化资源分配，平衡训练和推理工作负载的性能和成本效益。

## 解决隐私和安全隐患
<a name="best-practice-privacy"></a>

实施强有力的安全措施，保护生成式 AI 训练和操作中使用的敏感数据。在处理个人信息时，确保遵守数据保护法规，例如《通用数据保护条例》(GDPR) 或《加州消费者隐私法》(CCPA)。开发用于安全模型部署和监控的协议，以防止未经授权的访问或滥用生成式 AI 功能。

## 尽早让利益相关者参与
<a name="best-practice-engage"></a>

从一开始就让关键利益相关者参与进来，以获得领导层的支持和支持。明确传达现代化计划的好处和潜在影响，特别是针对生成式 AI 工作负载。提供培训和资源，帮助利益相关者了解生成人工智能技术及其影响。

## 迭代和学习
<a name="best-practice-iterate"></a>

采用渐进式方法，让您可以完善目标解决方案。使用反馈回路持续改进工作负载架构和流程。定期评估生成式 AI 实施的性能和影响，并根据实际结果和不断变化的业务需求根据需要调整策略。