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。

# 实现人工智能驱动的 ADM 目标运营模型
<a name="implement-strategy"></a>

使用结构化、分阶段的方法来实现生成式 AI 应用程序开发和维护 (ADM) 目标运营模型 (TOM)。以下方法在速赢与长期变革性变革之间取得平衡，同时最大限度地减少对当前运营的干扰。每个阶段都涉及TOM的特定组成部分，突出它们在整个实施过程中的相互依存关系和演变。

如下图所示，实施策略由几个阶段组成，这些阶段在12个月内从基本复杂性发展到高级复杂性：
+ **第 1 阶段：基础设置** — 此阶段发生在 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。
+ **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。启动你的 AI COE，将 AI 的采用扩展到项目管理和运营职位，并与你的 ADM 合作伙伴合作，使用生成式 AI 重新设计关键的 SDLC 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。例如，为架构设计、全栈开发和安全监控实施高级 AI 解决方案。将您的 AI 治理完善到企业级别，并发展与 ADM 合作伙伴的合同关系，以反映人工智能驱动的新现实。



![实施人工智能驱动的 ADM 运营模型的多个策略阶段。](http://docs.aws.amazon.com/zh_cn/prescriptive-guidance/latest/strategy-transform-adm-operating-model-gen-ai/images/implement-adm-tom.png)


**注意**  
在开始实施之前，请进行人工智能驱动的 SDLC 准备情况评估，以建立组织当前 SDLC 能力的基准，并确定需要改进的关键领域。有关更多详细信息，请参阅[后续步骤](next-steps.md)。

实际时间表可能因组织背景、实施方法以及其他因素（例如实施规模和规模）而异。有些组织可能会在更短或更长的时间内取得成果，具体取决于其具体情况和成熟度。

通过完成这些阶段，您可以系统地转变组织的 ADM 实践，使用 AI 来推动创新、效率和竞争优势。有关在组织中使用分阶段方法的更多信息，请参阅[实施 AI 驱动的 ADM TOM 路线图](#roadmap)和[所有实施阶段的最佳实践](#best-practices)。

通过这一转型之旅，Organizations 可以增强其内部能力。这段旅程还需要不断调整并与所有利益相关者进行清晰的沟通。结果是与您的咨询和技术服务提供商建立了一个集成的全球 ADM 目标运营模式，用于人工智能驱动的软件开发和维护。

## 实施人工智能驱动的 ADM TOM 的路线图
<a name="roadmap"></a>

下表提供了参考路线图，该路线图使用分阶段方法实施 ADM TOM，同时最大限度地减少对当前运营的干扰。对于每个 ADM 组件，路线图描述了每个实施阶段中发生的相关活动。


| 
| 
| ADM 组件 | 基础设置：第 1-3 个月 | 能力建设：第 3-6 个月 | 转型扩展：6-12 个月及以后 | 
| --- |--- |--- |--- |
| **战略调整** |   启用 AI 指导委员会。   通过业务协调来设定愿景、使命和目标。   制定 AI 技术和工具战略和路线图。   |   不断将业务目标与 AI 能力保持一致 KPIs 。   与利益相关者就具有影响力的人工智能计划保持清晰的沟通。   审查业务结果和投资回报率。   |   不断将业务目标与 AI 能力保持一致 KPIs 。   与利益相关者就具有影响力的人工智能计划保持清晰的沟通。   审查业务结果和投资回报率。   将 AI 治理与 EA 集成。   与 AMS 合作伙伴建立跨职能的人工智能治理。   在全球范围内实现内部和 AMS 合作伙伴团队的 AI 工具标准化。   | 
| **组织结构** |   确定跨职能的人工智能拥护者。   确定 AI 集成的关键角色。   |   与专门的团队一起启动 AI COE。   |   实施 AI 驱动的组织和持续优化。   | 
| **天赋和技能** |   实施基本的 AI 训练计划。   为软件开发人员和测试工程师等高倾向角色采用 AI 工具。   实施高级人工智能训练计划。   实施特定角色的 AI 培训计划。   |   实施特定角色的 AI 培训计划。   制定以人工智能为重点的职业道路和发展。   为在岸和离岸团队实施共享培训计划。   |   实施特定角色的 AI 培训计划。   将 AI 的采用范围扩大到产品所有者、BA、SA 和域名 SMEs。   建立人工智能创新激励计划。   建立机制，让您的组织与 AMS 合作伙伴之间持续共享 AI 知识。    | 
| **治理与道德** |   制定人工智能伦理准则。   制定与人工智能相关的知识产权和数据使用指南。   创建风险评估框架。   与监管机构合作以实现合规。   |   实施 AI 治理政策和程序。   在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。   |   在 AI 自动化与人工监督之间取得平衡，确保质量并保持控制。    SLAs为 AMS 合作伙伴开发特定于 AI 的项目和合同模板。   持续审查并解决 ADM 中人工智能使用部分的数据隐私和安全问题。   | 
| **绩效测量** |   为 ADM 设定人工智能目标和关键成功指标。   为大型语言模型建立关键成功指标（LLMs）。   |    KPIs 为 ADM 流程开发特定的 AI。   针对 ADM 合作伙伴绩效 KPIs 进行特定于 AI 的开发。   实施 AI 成本分配和投资回报率跟踪。    |   建立 KPIs 并实施 ADM 和 SDLC 绩效控制面板。   实施人工智能驱动的见解，持续改进 ADM 全球交付模式。   根据反馈和结果持续监控和调整。   | 
| **合作伙伴生态系统** |   让 AMS 合作伙伴参与转型规划。   让 AI 集成角色与 AMS 合作伙伴保持一致。   与 AMS 和 CloudOps 合作伙伴一起评估 AI 准备情况。   查看现有的 AMS 人工智能集成合同。   |   与 AMS 和 CloudOps 合作伙伴建立联合的 AI COE。   与 ADM 合作伙伴合作，将人工智能集成到 TOM 中。   与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。   |   与 AMS 合作伙伴合作，为 ADM 实施高级 AI 解决方案。   与 AMS 合作伙伴一起，实现人工智能工具和环境的标准化。   定期评估人工智能对 AMS 外包价值主张的影响。   考虑灵活的参与模式和基于结果的定价，为 AI 增强型服务定价。   | 
| **技术和工具** |   实施 AI 驱动的知识库以更快地解决问题。   实施 AI 驱动的协作工具。   采用 AI 辅助的编码和测试工具。   |   整合 AI 驱动的项目规划和风险评估工具。   实施 AI 驱动的发布管理和预测性维护。   实施 AI 辅助的项目估算工具。   |   实施 AI 驱动的架构决策支持工具。   采用 AI 驱动的全栈代码生成和优化工具。   为所有配送地点实施基于云的 AI 增强平台。   | 
| **进程** |   制定集成人工智能生成的代码和手动代码的指导方针。    SOPs 为人工智能驱动的工具建立流程。   建立反馈回路以持续改进 LLMs.   |   重新设计 ADM 流程，将人工智能纳入 TOM 中。   在陆上、近岸和离岸地点 SOPs 之间进行人工智能驱动。    |   建立人工智能驱动的架构决策和全栈代码生成流程。   建立 AI 辅助的合规性检查和安全监控流程。   在人工智能驱动的 ADM 运营模型上建立流程改进机制。   | 

有关 ADM 人工智能愿景框架（包括使命宣言、目标和战略举措）的信息，请参阅[附录 A：ADM 人工智能愿景框架示例](appendix-framework.md)。有关涵盖所有三个阶段的治理、组织结构、角色、流程和工具的详细实施清单，请参阅[附录 B：ADM TOM 的实施清单](appendix-checklist.md)。

## 所有实施阶段的最佳实践
<a name="best-practices"></a>

在所有实施阶段都必须牢记以下最佳实践。对于每种最佳实践，都会显示其相关的操作模型组件，指明模型的哪个方面受影响最大：
+ 根据反馈和结果持续监控和调整方法。（绩效测量）
+ 就各种人工智能计划及其影响与所有利益相关者进行清晰的沟通。（战略调整）
+ 在人工智能自动化与人工监督之间取得平衡，以帮助确保质量和保持控制。（治理与道德）
+ 定期评估人工智能计划的投资回报率 (ROI)，并相应地调整策略。（业绩衡量；战略调整）
+ 解决全球交付模式中人工智能使用所特有的数据隐私和安全问题。（治理与道德）
+ 定期评估人工智能对外包价值主张的影响，并根据需要调整参与模式。（合作伙伴生态系统；战略调整）