View a markdown version of this page

生成式 AI 成熟度模型層級 1：Envision - AWS 方案指引
焦點和條件關鍵活動轉換策略

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。

生成式 AI 成熟度模型層級 1：Envision

此基礎層級是組織探索生成式 AI 概念、建立組織意識，以及識別符合其業務目標的潛在使用案例的關鍵起點。透過建立此基本基礎，公司可以為其 AI 旅程發展清晰的願景，同時解決業務、人員、治理、平台、安全和營運維度的關鍵考量。

焦點和條件

此層級的目標是建立對生成式 AI 技術和與此技術相關的新興產業趨勢的基礎了解和意識。這包括評估潛在的應用程式，以及識別生成式 AI 可能使業務受益的領域。此層級著重於教育利益相關者有關生成式 AI 的知識，並開始探索使用案例並執行風險和文化整備度評估。

以下是達到此層級的條件：

  • 組織已展現生成式 AI 基本概念的基本知識。

  • 組織已記錄對產業生成式 AI 應用程式和機會的意識。

  • 組織對 AI 的文化準備程度有了新興的了解。

  • 組織已對潛在的使用案例和好處進行初步探索。

  • 組織已初步考慮控管和安全要求。

關鍵活動

下表顯示每個採用支柱的關鍵活動。

採用支柱 活動
商業

  • 了解生成式 AI 如何解決特定業務問題。

  • 將初始生成式 AI 使用案例映射至業務目標，例如改善客戶參與度或自動化內容建立。

  • 識別與所選使用案例相關的高價值資料來源。
人物

  • 進行內部培訓課程和知識分享研討會。

  • 識別組織內的 AI 擁護者，以領導探索生成式 AI 機會。

  • 評估組織的文化和變革管理準備程度，以採用生成式 AI。

  • 評估組織中目前的技術技能差距，並確定採用生成式 AI 所需的投資。

  • 設計教育計畫，以協助資深主管了解 AI 的策略潛力、技術能力、轉型業務影響，以及在生成式 AI 專案中資料的重要性。

  • 參加產業論壇和會議，從其他公司的 AI 採用體驗中學習。

  • 組織內部駭客松，以鼓勵實驗並促進創新。
控管

  • 探索生成式 AI 採用的道德和法規考量，例如隱私權和資料主權。

  • 為組織中負責任的 AI 使用制定一組初始指導方針。
平台

  • 探索採用生成式 AI 以符合組織標準的需求。

  • 探索 AI/ML 模型和工具，例如用於存取基礎模型的 Amazon Bedrock 和 Amazon SageMaker AI，以進行快速實驗。

  • 評估和編目現有的內部和外部資料來源。評估資料基礎設施和品質，以判斷生成式 AI 可行性和潛在的實作需求。
安全

  • 了解與在組織中採用生成式 AI 相關的安全影響和任務，例如：

    • 資料隱私權和保護風險，包括可能透過訓練資料、提示和模型輸出暴露敏感資訊

    • 存取控制和身分驗證挑戰，其中包含 AI 系統中使用者驗證和角色型許可的複雜性

    • 模型安全漏洞，包括易感性提示注入攻擊，以及可能產生不安全或不適當的內容
作業

  • 了解與在組織中採用生成式 AI 相關的操作挑戰，例如：

    • 規劃 AI 解決方案的效能監控需求。

    • 考慮控管和版本控制要求。

    • 了解事件回應程序的必要項目。

實現更高水準的轉型策略

若要進入下一個成熟度層級，請考慮下列層面：

  • 建立跨職能生成式 AI 小組 – 形成具有明確角色和責任的跨職能生成式 AI 小組。Squads 應包括 IT 代表、業務代表、安全和治理利益相關者，以及可以領導實驗工作的生成式 AI SMEs小企業。當您擴展生成式 AI 工作時，此群組稍後將成為更正式定義的卓越中心 (CoE) 的基礎。

  • 識別和排定使用案例的優先順序 – 開發使用案例矩陣，協助您根據可行性、業務影響和符合策略目標來排定專案的優先順序。如需概念驗證 (PoCs)，請建立熱門使用案例的簡短清單。

  • 配置試行專案的資源 - 確保執行小型 PoCs的預算和人員安全。

  • 開發生成式 AI 技能 – 提升特定工具和技術的技能，例如 Amazon Bedrock、SageMaker AI、Amazon Q Business、Amazon Q Developer、提示工程、擷取增強生成 (RAG) 以及代理式 AI 和工作流程。

  • 完成初步控管 – 建立初步控管，引導使用生成式 AI。它應該涵蓋合規、風險管理和道德考量。

  • 文化準備程度 – 開始規劃組織變革管理，以採用全公司的生成式 AI。

  • 識別成功指標 – 針對每個 PoC，定義成功條件以及業務和技術指標。

透過採取這些動作，組織可以預期：

  • 取得生成式 AI 技術的實際經驗。

  • 驗證特定使用案例的可行性和潛在影響。

  • 在生成式 AI 中建置內部功能和專業知識。

  • 識別與採用生成式 AI 相關的潛在挑戰和風險。

  • 改善生成式 AI 採用的準備程度，以便提前到下一個層級。