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。
附录 B：ADM TOM 的实施清单
这份全面的清单为您提供了一种结构化的方法来实现应用程序开发和维护 (ADM) 目标运营模型 (TOM)。该清单考虑了以下每个实施阶段的治理、组织结构、人员角色、流程和工具：
每个阶段都建立在前一阶段的基础上，使组织能够系统地扩展其人工智能能力，同时管理风险并确保可持续地在企业范围内采用。
第 1 阶段：基础设置
此阶段发生在第 1-3 个月中。它建立了基本的治理结构并引入了基本的人工智能工具，同时实现了快速致胜。
治理和组织
1.1。成立人工智能治理指导委员会。
1.2。为 ADM 流程制定初步的人工智能伦理准则。
1.3。创建基准 AI 风险评估框架。
1.4。确定各个 ADM 团队中人工智能集成的关键角色。
1.5。在现有团队中定义初始 AI 冠军角色。
1.6。概述 ADM 中人工智能卓越中心 (COE) 的愿景和使命。
1.7。对 ADM 团队进行 AI 技能差距分析。
1.8。为所有员工制定基本的人工智能素养培训计划。
1.9。审查现有供应商合同，了解人工智能集成的潜力。
1.10。为 ADM 中的 AI 计划制定初始预算指南。
角色
1.11。软件开发人员
采用 AI 辅助编码、配对编程和代码完成工具。
制定审查和优化 AI 生成的代码的指导方针。
1.12。测试工程师
采用 AI 驱动的测试用例生成、执行和数据质量改进工具。
实施 AI 增强探索性测试技术。
1.13。用户体验设计师
采用 AI 辅助设计工具和数据驱动的设计技术。
1.14。 DevOps 工程师
实施 AI 驱动的 CI/CD 管道优化。
采用 AI 辅助基础设施即代码 (IaC) 生成工具。
1.15。Support 工程师
使用 AI 驱动的知识库更快地解决问题。
实施人工智能驱动的票证分类和路由系统。
进程
1.16。为复杂问题制定明确的上报协议。
1.17。制定集成人工智能生成的代码和手动代码的指导方针。
1.18。为 AI 生成的代码开发新的 QA 流程。
1.19。建立人工智能生成的设计的人工监督流程。
1.20。建立持续完善 AI 测试模型的流程。
1.21。为新计划改进知识收集、方法改进和经验重复利用。
工具
1.22。采用 AI 辅助编码、配对编程和代码完成工具。
1.23。实施 AI 驱动的代码质量、一致性检查和错误检测系统。
1.24。为设计文档采用 AI 辅助的文档工具。
1.25。实施 AI 驱动的协作工具，以减少对时区的依赖。
1.26。采用 AI 驱动的测试用例生成、执行和数据质量改进工具。
1.27。实施 AI 辅助的项目估算工具。
1.28。使用 AI 设置预测性缺陷分析。
1.29。采用 AI 辅助设计工具和数据驱动的设计技术。
第 2 阶段：能力建设
此阶段发生在 3-6 个月内。它扩大了人工智能的采用范围，并解决了中等复杂度的流程。
治理和组织
2.1。实施 AI 治理政策和程序。
2.2。为 ADM 项目建立人工智能伦理审查流程。
2.3。 KPIs 为 ADM 流程开发特定的 AI。
2.4。创建以人工智能为重点的新角色，例如人工智能集成专家。
2.5。重新调整团队结构以支持 AI 增强的工作流程。
2.6。与专门的团队一起启动 AI COE。
2.7。建立 COE 操作程序和服务目录。
2.8。实施特定角色的 AI 培训计划。
2.9。开发以人工智能为重点的职业道路和晋升模型。
2.10。制定特定于 AI 的采购指南。
2.11。实施 AI 成本分配和投资回报率 (ROI) 跟踪机制。
角色
2.12。项目经理
整合 AI 驱动的项目规划、风险评估和资源分配工具。
为人工智能-人类协作决策制定协议。
使用 AI 设置实时项目运行状况监控和预测分析。
2.13。发布管理器
采用 AI 驱动的发布管理、规划和风险评估工具。
使用 AI 实施自动部署和回滚策略。
设置预测性发布后监控和问题检测系统。
2.14。现场可靠性工程师
采用 AI 驱动的预测性维护工具。
实施 AI 支持的异常检测和自动修复系统。
2.15。技术作家
使用 AI 辅助的文档生成工具。
实施 AI 支持的内容优化和可读性分析。
进程
2.16。创建反馈循环，根据项目结果持续改进 AI 模型。
2.17。为人工智能支持系统实施持续学习机制。
2.18。为 AI 预测模型实施持续学习机制。
2.19。建立验证人工智能生成的解决方案提案的流程。
2.20。建立人工验证人工智能生成的发布计划的流程。
工具
2.21。整合 AI 驱动的项目规划、风险评估和资源分配工具。
2.22。使用 AI 设置实时项目运行状况监控和预测分析。
2.23。实施 AI 驱动的工具，实现持续的解决方案优化。
2.24。实施人工智能驱动的用户研究分析和角色创建系统。
2.25。使用 AI 设置自动可用性测试和反馈分析。
2.26。采用 AI 驱动的发布管理、规划和风险评估工具。
2.27。使用 AI 实施自动部署和回滚策略。
2.28。设置预测性发布后监控和问题检测系统。
2.29。实施 AI 驱动的监控、预测性维护和资源分配系统。
2.30。使用 AI 设置加速问题解决流程。
第 3 阶段：转型扩展
此阶段发生在 6-12 个月及以后。它实施高级解决方案并应对更复杂的挑战。
治理和组织
3.1。将 AI 治理整合到企业的整体治理中。
3.2。为 AI 政策实施持续改进流程。
3.3。建立跨职能的人工智能治理委员会。
3.4。在所有 ADM 团队中全面整合 AI 角色。
3.5。实施 AI 驱动的组织设计优化。
3.6。扩展 COE 功能，将高级人工智能研究包括在内。
3.7。与外部人工智能研究机构建立合作伙伴关系。
3.8。实施 AI 驱动的个性化学习路径。
3.9。为员工制定人工智能创新激励计划。
3.10。开发特定于 AI 的合同模板和服务级别协议 (SLAs)。
3.11。为 ADM 实施人工智能驱动的财务预测和优化。
角色
3.12。产品负责人或业务分析师
实施人工智能驱动的市场分析和需求收集工具。
培养及时的工程技能，实现有效的 AI 交互。
3.13。解决方案架构师
采用 AI 驱动的解决方案设计工具和方法。
实施 AI 驱动的工具，实现持续的解决方案优化。
3.14。全栈开发者
采用 AI 驱动的全栈代码生成和优化工具。
实施人工智能驱动的 API 设计和集成系统。
3.15。技术领导
采用 AI 支持的应用程序生命周期管理工具。
创建培训计划，提高团队在 AI 增强 DevOps 实践中的技能。
3.16。安全主题专家 (SME) 实施人工智能驱动的威胁检测和响应系统。
采用 AI 辅助的安全策略生成和合规性检查工具。
3.17。特定领域的中小企业
使用 AI 工具进行特定领域的知识提取和应用。
实现 AI 辅助的领域建模和仿真工具。
进程
3.18。重新设计企业架构 (EA) 流程，将人工智能驱动的见解和自动化融为一体。
3.19。为人工智能系统实施持续学习机制，以适应不断变化的法规。
3.20。制定明确的协议，对人工智能生成的合规建议进行人工监督。
3.21。制定明确的协议，由人工监督人工智能生成的建议。
3.22。实施全面的变更管理策略。
工具
3.23。实施 AI 驱动的架构决策支持系统。
3.24。设置 AI 驱动的集成和互操作性评估系统。
3.25。投资人工智能分析的数据集成和质量保证流程。
3.26。为 AI 驱动的报告建立强大的安全和治理框架。
3.27。实施 AI 驱动的工具，用于架构推荐和资源配置。
3.28。集成 AI 驱动的可观测性和异常检测系统。
3.29。建立 AI 辅助的合规性检查和安全监控流程。
3.30。实施人工智能驱动的市场分析和需求收集工具。
3.31。采用 AI 驱动的解决方案设计工具和方法。
3.32。采用 AI 驱动的全栈代码生成和优化工具。
3.33。实施人工智能驱动的 API 设计和集成系统。
3.34。使用 AI 在整个堆栈中设置自动性能调整。
3.35。采用 AI 支持的应用程序生命周期管理工具。
3.36。投资可从所有地点访问的基于云的人工智能增强平台。
3.37。在全球范围内实现人工智能工具和环境的标准化。
