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。

# 實作採用 AI 技術的 ADM 目標操作模型
<a name="implement-strategy"></a>

使用結構化的分階段方法實作生成式 AI 應用程式開發和維護 (ADM) 目標操作模型 (TOM)。下列方法在快速獲勝與長期轉型變更之間取得平衡，同時將對目前操作的干擾降至最低。每個階段都會處理 TOM 的特定元件，強調它們在整個實作過程中的相互依存性和演變。

如下圖所示，實作策略包含 12 個月內從基本到進階複雜性的階段：
+ **階段 1：基礎設定** – 此階段發生在第 1–3 個月。它建立基本的控管結構，並引進必要的 AI 工具，同時實現快速成功。
+ **階段 2：能力建置** – 此階段發生在第 3-6 個月。它擴展了 AI 採用，並解決了中等複雜性的程序。啟動 AI COE、將 AI 採用擴展至專案管理和操作角色，並與您的 ADM 合作夥伴合作，使用生成式 AI 重新設計關鍵 SDLC 程序。
+ **階段 3：轉換擴展** – 此階段發生在第 6 到 12 個月 （及之後）。它實作了進階解決方案，並解決了更高的複雜性挑戰。例如，針對架構設計、全堆疊開發和安全監控實作進階 AI 解決方案。將您的 AI 治理成熟到企業層級，並發展您與 ADM 合作夥伴的合約關係，以反映新的 AI 驅動現實。



![實作 AI 驅動 ADM 操作模型的多個策略階段。](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/strategy-transform-adm-operating-model-gen-ai/images/implement-adm-tom.png)


**注意**  
開始實作之前，請執行採用 AI 技術的 SDLC 整備度評估，以建立組織目前 SDLC 功能的基準，並識別需要改善的關鍵領域。如需詳細資訊，請參閱[後續步驟](next-steps.md)。

實際時間表可能會因組織內容、實作方法和實作大小和規模等其他因素而有所不同。有些組織可能會達到較短或較長的時間範圍，取決於其特定情況和成熟程度。

透過進行這些階段，您可以有系統地轉換組織的 ADM 實務，使用 AI 來推動創新、效率和競爭優勢。如需在組織中使用分階段方法的詳細資訊，請參閱[實作 AI 驅動 ADM TOM 的藍圖](#roadmap)，以及[所有實作階段的最佳實務](#best-practices)。

組織可以透過此轉型之旅來增強其內部功能。此旅程也需要持續調整，並與所有利益相關者進行清晰的溝通。結果是整合的全域 ADM 目標操作模型，可搭配您的諮詢和技術服務供應商進行 AI 驅動的軟體開發和維護。

## 實作 AI 驅動 ADM TOM 的藍圖
<a name="roadmap"></a>

下表提供參考藍圖，使用分階段方法實作 ADM TOM，同時將對目前操作的干擾降至最低。對於每個 ADM 元件，藍圖會描述每個實作階段中發生的相關活動。


| 
| 
| ADM 元件 | 基礎設定：第 1-3 個月 | 能力建置：第 3–6 個月 | 轉換擴展：第 6–12 個月及之後 | 
| --- |--- |--- |--- |
| **策略一致性** |   啟用 AI 轉向委員會。   設定具有業務一致性的願景、任務和目標。   開發 AI 技術和工具策略和藍圖。   |   持續將 KPIs和業務目標與 AI 功能保持一致。   在 AI 計畫上保持明確的利益相關者溝通，並產生影響。   檢閱業務成果和投資報酬率。   |   持續將 KPIs和業務目標與 AI 功能保持一致。   在 AI 計畫上保持明確的利益相關者溝通，並產生影響。   檢閱業務成果和投資報酬率。   將 AI 控管與 EA 整合。   與 AMS 合作夥伴建立跨功能 AI 控管。   將全球 AI 工具跨內部和 AMS 合作夥伴團隊進行標準化。   | 
| **組織結構** |   識別跨職能 AI 擁護者。   識別 AI 整合的關鍵角色。   |   透過專用團隊啟動 AI COE。   |   實作 AI 驅動的組織和持續最佳化。   | 
| **人才和技能** |   實作基本 AI 訓練計畫。   針對軟體開發人員和測試工程師等高傾向角色採用 AI 工具。   實作進階 AI 訓練計畫。   實作角色特定的 AI 訓練計畫。   |   實作角色特定的 AI 訓練計畫。   開發以 AI 為重心的職業道路和進展。   為境內和海外團隊實作共用訓練計畫。   |   實作角色特定的 AI 訓練計畫。   將 AI 採用擴展至產品擁有者、BA、SA 和網域SMEs。   建立 AI 創新激勵計劃。   建立機制，在您的組織和 AMS 合作夥伴之間持續分享 AI 知識。    | 
| **治理和道德** |   制定 AI 道德準則。   建立 AI 相關 IP 和資料用量的指導方針。   建立風險評估架構。   與監管機構合作以符合規範。   |   實作 AI 控管政策和程序。   平衡 AI 自動化與人工監督，以確保品質並維持控制。   |   平衡 AI 自動化與人工監督，以確保品質並維持控制。   為 AMS 合作夥伴開發 AI 特定的專案和合約範本和 SLAs。   持續檢閱和解決 ADM 中 AI 用量部分的資料隱私權和安全問題。   | 
| **效能測量** |   為 ADM 建立 AI 目標和關鍵成功指標。   為大型語言模型 (LLMs建立關鍵成功指標。   |   開發 ADM 程序的 AI 特定 KPIs。   開發 ADM 合作夥伴效能的 AI 特定 KPIs。   實作 AI 成本分配和投資報酬率追蹤。    |   建立 KPIs並實作 ADM 和 SDLC 效能儀表板。   實作 AI 驅動的洞察，以持續改善 ADM 全球交付模型。   根據意見回饋和結果持續監控和調整。   | 
| **合作夥伴生態系統** |   讓 AMS 合作夥伴參與轉型規劃。   將 AI 整合角色與 AMS 合作夥伴保持一致。   使用 AMS 和 CloudOps 合作夥伴評估 AI 準備程度。   檢閱現有的 AMS 合約以進行 AI 整合。   |   與 AMS 和 CloudOps 合作夥伴建立聯合 AI COE。   與 ADM 合作夥伴合作，在 TOM 中整合 AI。   與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。   |   與 AMS 合作夥伴合作，為 ADM 實作進階 AI 解決方案。   使用 AMS 合作夥伴標準化 AI 工具和環境。   定期評估 AI 對 AMS 外包價值主張的影響。   考慮 AI 增強型服務的彈性參與模型和以成果為基礎的定價。   | 
| **技術和工具** |   實作 AI 支援的知識庫，以更快速解決問題。   實作採用 AI 技術的協作工具。   採用 AI 輔助編碼和測試工具。   |   整合 AI 驅動的專案規劃和風險評估工具。   實作 AI 支援的版本管理和預測性維護。   實作 AI 輔助專案估算器工具。   |   實作 AI 驅動的架構決策支援工具。   採用 AI 驅動的全堆疊程式碼產生和最佳化工具。   為所有交付位置實作以雲端為基礎的 AI 擴增平台。   | 
| **Processes** |   建立整合 AI 產生和手動程式碼的指導方針。   為採用 AI 的工具建立程序和 SOPs。   建立回饋迴圈以持續改善 LLMs。   |   重新設計 ADM 程序以將 AI 納入 TOM。   在陸上、近岸和海上位置之間開發 AI 驅動SOPs。    |   建立 AI 驅動架構決策和產生完整堆疊程式碼的程序。   建立 AI 輔助的合規檢查和安全監控程序。   在採用 AI 技術的 ADM 操作模型上建立程序改進機制。   | 

如需有關包含任務陳述式、目標和策略計劃之 ADM AI 願景架構的資訊，請參閱[附錄 A：適用於 ADM 的 AI 願景範例架構](appendix-framework.md)。如需涵蓋三個階段中控管、組織結構、角色、程序和工具的詳細實作檢查清單，請參閱[附錄 B：ADM TOM 的實作檢查清單](appendix-checklist.md)。

## 所有實作階段的最佳實務
<a name="best-practices"></a>

下列最佳實務對於在所有實作階段都很重要。對於每個最佳實務，會顯示其相關的操作模型元件，指出模型的哪個方面受影響最大：
+ 根據意見回饋和結果持續監控和調整方法。（效能測量）
+ 與所有利益相關者清楚溝通各種 AI 計畫及其影響。（策略對齊）
+ 平衡 AI 自動化與人工監督，以協助確保品質和維護控制。（政府和道德）
+ 定期評估 AI 計劃的投資報酬率 (ROI)，並相應地調整策略。（效能測量；策略一致性）
+ 解決全球交付模型中 AI 使用量特有的資料隱私權和安全問題。（政府和道德）
+ 定期評估 AI 對外包價值主張的影響，並視需要調整參與模型。（合作夥伴生態系統；策略一致性）