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。

# 使用案例
<a name="use-cases"></a>


| **問題** | **回應範例** | 
| --- | --- | 
| 使用案例的主要目標或成功條件是什麼？ | 為了改善客戶支援回應時間、增加銷售轉換、增強產品建議。此外：改善使用者滿意度、任務完成率、回應品質等。 | 
| 此使用案例如何符合您組織的策略目標？ | 這符合我們的策略目標，即透過減少客戶服務的回應時間來提高客戶滿意度。 | 
| 使用案例的預期資料量或請求量是多少？ | 每秒 500 筆交易 (TPS)。 | 
| 支援生成式 AI 工作負載需要哪些類型的資料來源？ | 內部結構化資料庫 （客戶記錄、銷售資料等）；來自文件、電子郵件和社交媒體的非結構化文字資料；用於語音和影像辨識任務的音訊和影片檔案；來自 IoT 裝置和感應器的即時串流資料；用於擴充的公有資料集和 APIs。 | 
| 您需要從這些來源更新或重新整理資料的頻率為何？ | 交易資料庫：近乎即時更新；文件儲存庫：每日批次更新；社交媒體摘要：每小時更新；IoT 感應器資料：持續即時串流；公有資料集：每月或每季更新。 | 
| 生成式 AI 模型需要哪些資料格式做為輸入？ | 結構化資料：CSV、JSON 和 SQL 資料庫資料表；文字資料：純文字、PDF 和 HTML；影像資料：JPEG、PNG 和 TIFF；音訊資料：WAV 和 MP3；影片資料：MP4 和 AVI。 | 
| 您對生成式 AI 工作負載的主要資料品質考量為何？ | 完整性：確保沒有關鍵欄位遺失；準確性：驗證資料正確性和消除錯誤；一致性：跨來源維持統一格式和值；及時性：確保資料是最新的以進行即時推論；相關性：確認資料符合特定的生成式 AI 任務。 | 
| 什麼是關鍵效能需求 （例如回應時間、輸送量、準確性）？ | 95% 準確度；回應時間 < 500 毫秒；每秒處理 1000 個請求的能力。高準確度 (95%\+)、中等準確度 (80-90%)、盡最大努力等。 | 
| 您是否有任何其他 KPIs來衡量此使用案例的成功？ | 關鍵 KPIs包括降低錯誤率、節省每筆交易的時間，以及客戶滿意度分數。 | 
| 需要多少模型準確度，以及它如何與成本平衡？ | 具有中等成本的高準確度 (>90%)、具有低成本的中等準確度 (70-80%)，以此類推。 | 
| 生成式 AI 解決方案的主要使用案例或案例是什麼？ | 客戶服務聊天機器人、內容產生、產品建議等。 | 
| 生成式 AI 系統的目標使用者或角色是什麼？ | 客戶服務代理、行銷團隊、員工、最終使用者等。 | 
| 預期的請求或使用者數量是多少？ | 每天 1，000 個請求；每月 10，000 個作用中使用者。 | 
| 是否有任何特定的使用案例限制或要求？ | 即時回應、多語言支援、資料隱私權等。 | 
| 您是否有用於開發和維護生成式 AI 解決方案的配置預算？ | 初始開發成本估計為 200，000 美元，年度維護成本為 50，000 美元。 | 
| 此使用案例的預計投資報酬率 (ROI) 和償還期間為何？ | 三年內預期的投資報酬率為 150%，而回收期為 18 個月。 | 
| 是否有任何應考慮的隱藏成本或潛在節省？ | 潛在的節省包括降低加班成本。隱藏成本可能涉及員工的額外訓練。 | 
| 這個生成式 AI 解決方案的可擴展性和未來擴展可能性是什麼？ | 該解決方案旨在隨著我們的營運進行擴展，並可能在未來擴展到其他部門。 | 
| 如何確保公平性並減少生成式 AI 模型中的偏差？ | 我們計劃透過各種資料收集、定期偏差稽核和偏差緩解技術的實作來緩解偏差。 | 
| 您有哪些程序可以解決道德問題或意外後果？ | 我們將透過既定的 AI 事件回應計劃、定期的道德風險評估、員工的匿名報告系統、與外部道德專家的合作，以及根據意見回饋持續監控和調整部署的模型，來管理道德問題。 | 
| 如何對組織中不同專案和部門的生成式 AI 工作負載評估進行優先順序和排序？ | 透過跨所有部門進行高階調查，以識別潛在的生成式 AI 使用案例，並根據三個關鍵條件進行評估：業務影響、技術可行性和道德考量。具有高潛在影響、較低的技術障礙和最低道德問題的專案會優先考慮。 |