本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
評估考量事項和先決條件
從明確的使用案例開始
識別生成式 AI 可以解決的特定業務問題或機會。專注於符合策略業務目標並提供可衡量利益的使用案例。優先考慮以組織內常見挑戰為目標的使用案例，以確保解決方案架構可做為多個案例的模式。
以對潛在生成性 AI 應用程式的一般了解啟動評估程序是有益的，但不是強制性的。本指南隨附的問卷可因應各種程度的準備，從定義良好的使用案例的組織，到只有廣泛想法的組織。評估程序適用於：
-
精簡並釐清這些初始使用案例想法。
-
識別新的潛在使用案例。
-
為每個使用案例制定具體且可衡量的目標。
-
評估每個使用案例的可行性和潛在影響。
讓我們考慮一個假設性範例：金融服務公司決定探索生成式 AI 現代化。他們從改善客戶服務和詐騙偵測程序的廣泛概念開始。
-
初始評估：問卷有助於他們評估目前的系統、資料品質，以及組織對採用生成式 AI 的準備程度。
-
使用案例精簡：透過評估程序，他們將初始想法精簡為兩個特定的使用案例：
-
實作生成式 AI 支援的聊天機器人進行客戶查詢
-
使用生成式 AI 進行即時交易詐騙偵測
-
-
目標設定：針對每個使用案例，它們會定義特定目標：
-
在 6 個月內減少 40% 的客戶服務回應時間
-
提升詐騙偵測準確度達 20%，並減少誤報達 15%
-
-
延伸目標：他們也會設定這些遠大的目標：
-
透過 AI 輔助回應實現 80% 的客戶滿意度
-
開發可辨識新詐騙模式的預測性詐騙偵測模型
-
-
MVP 定義：問卷可協助他們判斷每個使用案例的 MVP，專注於提供立即價值的基本功能。
-
目標架構：最後，他們開發了支援一個或兩個使用案例的目標架構，並確保可擴展性和與現有系統的整合。
確保業務一致性
使生成式 AI 計劃與整體業務策略和目標保持一致。對於每個使用案例，開發明確的價值主張，以示範生成式 AI 如何為業務成長、效率或創新做出貢獻。建立指標以測量生成式 AI 實作對關鍵效能指標 (KPIs的影響。
實作控管和監督
建立跨職能指導委員會，以監督生成式 AI 計畫。制定負責任的 AI 使用政策和指導方針，解決道德考量和潛在的偏差。為生成式 AI 專案建立審核程序，以確保符合組織標準和法規要求。
地址資料和技術先決條件
評估並改善資料品質，並實作資料控管實務，以確保生成式 AI 模型的可靠輸入。制定資料策略，以解決生成式 AI 需求特定的資料收集、儲存和管理。評估和增強資料基礎設施，以支援生成式 AI 工作負載所需的資料量和速度。
考慮運算資源需求
評估目前的 IT 基礎設施，並識別生成式 AI 工作負載的運算容量差距。規劃可擴展的運算資源，並考慮雲端服務或內部部署高效能運算叢集等選項。最佳化資源配置，以平衡訓練和推論工作負載的效能和成本效益。
解決隱私權和安全性問題
實作強大的安全措施，以保護生成式 AI 訓練和操作中使用的敏感資料。處理個人資訊時，請確保遵循資料保護法規，例如一般資料保護法規 (GDPR) 或加州消費者隱私權法 (CCPA)。開發安全模型部署和監控的通訊協定，以防止未經授權的存取或濫用生成式 AI 功能。
及早吸引利益相關者
從一開始就讓關鍵利益相關者參與，以獲得領導層的認同和支援。清楚傳達現代化計劃的優勢和潛在影響，特別是生成式 AI 工作負載。提供訓練和資源，以協助利益相關者了解生成式 AI 技術及其影響。
反覆運算和學習
採用增量方法，可讓您精簡目標解決方案。使用回饋迴圈來持續改善工作負載架構和程序。定期評估生成式 AI 實作的效能和影響，並根據實際結果和不斷變化的業務需求視需要調整策略。
