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。

# 企业生成式 AI 采用和扩展的最佳实践
<a name="best-practices"></a>

要在整个企业中成功采用和扩展生成式人工智能，就需要在组织结构、标准化流程和技术能力之间取得战略平衡。以下最佳实践来自不同组织的成功实施，为整个企业的有效采用提供了一个框架。

**Topics**
+ [组织结构和治理](#best-practices-governance)
+ [标准化和卓越技术](#best-practices-standardization)
+ [流程实施](#best-practices-process)
+ [实施建议](#best-practices-implementation-recs)

## 组织结构和治理
<a name="best-practices-governance"></a>

考虑设立人工智能卓越中心和模范治理委员会。

### 人工智能卓越中心
<a name="best-practices-governance-coe"></a>

建立[人工智能卓越中心 (AI CoE)](https://aws.amazon.com/blogs/machine-learning/establishing-an-ai-ml-center-of-excellence/)（AWS 博客文章），以指导整个组织的生成式人工智能计划。AI CoE 应为构建生成式 AI 应用程序提供指导、最佳实践和技术能力。通过与业务部门的定期接触，AI CoE帮助确定采用生成式人工智能的机会，同时保持治理和质量标准。

### 模范治理委员会
<a name="best-practices-governance-gov-committee"></a>

必须设立一个具有明确作用和职责的专门示范治理委员会。该委员会制定基础模型的评估标准，审查使用请求，并验证是否符合道德人工智能原则。该委员会与法律和合规团队密切合作，监督模型表现和风险评估。这为创新和负责任的人工智能使用确立了一种平衡的方法。

## 标准化和卓越技术
<a name="best-practices-standardization"></a>

考虑建立一个包含可重复使用的生成式 AI 模式和工具库，并创建一个企业范围的访问框架，实现对 AI 资源的访问民主化。

### 模式库和工具
<a name="best-practices-standardization-library"></a>

为常见的生成式 AI 应用程序开发一套标准化工具和预定义模式。创建一个包含有据可查的模式、代码模板和架构图的集中式存储库。这种标准化降低了进入门槛，提高了实现之间的一致性，并通过提供明确的起点来加快开发速度。

### 企业范围的访问框架
<a name="best-practices-standardization-framework"></a>

通过简化的申请访问权限、培训和入职流程，为整个组织访问高级工具（例如 Amazon Q Business 和 Amazon Q Developer）提供便利。人工智能资源的这种民主化为跨部门的团队提供了权力，同时保持了适当的安全控制和治理。

## 流程实施
<a name="best-practices-process"></a>

实施可帮助您管理以下内容的流程：
+ Services
+ 模型选择和评估
+ 绩效监测和评估
+ 安全与合规

### 服务管理
<a name="best-practices-process-services"></a>

内部服务管理流程对于组织和控制生成式人工智能的采用至关重要。这些流程应包括对新车型的技术评估、法律审查和准入申请。通过建立明确的工作流程和职责，组织可以保持适当的监督，同时提高生成式人工智能解决方案的部署和运营效率。

### 模型选择和评估
<a name="best-practices-process-selection"></a>

**

系统的模型选择方法对于平衡能力、成本和性能至关重要。使用顶级模型开始 proof-of-concept开发，以快速验证业务价值并获得利益相关者的支持。在用例得到验证后，根据既定的性能基准系统地评估较小的模型，以优化生产成本。这种方法可以加速初始开发，同时促进经济高效的扩展。此过程需要就性能预期进行明确的沟通，并仔细记录所需功能。

### 性能监控和优化
<a name="best-practices-process-monitoring"></a>

有效的监控和优化需要一种全面的方法来跟踪技术和业务指标。开发仪表板以跟踪关键指标，例如推理延迟、吞吐量、错误率和每次推理成本。设置异常或性能下降警报。定期进行绩效评估，确保模型继续满足业务需求。

成本管理应是积极主动和战略性的。定期审查模型使用模式和计算资源优化有助于保持高效运营。实施成本分配标签和预算监控，以保持对不同用例和业务部门的支出的可见性。

### 安全与合规
<a name="best-practices-process-security"></a>

在生成式 AI 实现生命周期中，必须将安全性和合规性考虑因素嵌入其中。制定全面的风险管理框架，以解决数据隐私、模型安全和道德人工智能注意事项。该框架应与现有的企业安全政策保持一致，并应对生成式人工智能应用程序的独特挑战。

从强大的访问管理和身份验证开始，通过分层方法实施安全控制。确保采取适当的网络安全和数据保护措施，包括全面的审计记录和监控功能。制定针对生成式 AI 应用的明确事件响应程序。

## 实施建议
<a name="best-practices-implementation-recs"></a>

要在整个企业中成功采用生成式人工智能，请考虑以下关键建议：
+ 从定义明确、范围有限的项目开始，这些项目可以证明明确的商业价值。
+ 记录成功指标和学习成果，为未来的项目提供信息。
+ 逐步扩大成功的实施规模，并确保适当的控制和支持机制到位。
+ 通过定期审查流程和程序，保持对持续改进的关注。
+ 创建全面的培训计划，涵盖技术实践和负责任的人工智能实践。
+ 建立明确的知识共享和跨团队协作机制。

通过仔细关注这些最佳实践和建议，组织可以为可持续的生成式人工智能采用奠定坚实的基础，同时保持安全性、效率和道德方面的考虑。