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](questionnaire.md)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。