AI 戦略

この記事では、AI 導入のために組織を準備するプロセスについて説明します。 適切な AI ソリューションを選択し、データを準備し、責任ある AI 原則でアプローチを根拠にする方法について説明します。 適切に計画された AI 戦略は、ビジネス目標に合致し、AI プロジェクトが全体的な成功に貢献することを保証します。

AI のユース ケースを特定する

AI は、個々の効率を向上させ、ビジネス プロセスを強化します。 生成 AI は生産性を向上させ、カスタマー エクスペリエンスを向上させます。 機械学習などの非変性 AI は、構造化データを分析し、反復的なタスクを自動化します。 この理解を使用して、AI が価値を追加するビジネス全体の領域を特定します。

1. 自動化の機会を特定する。 自動化に適したプロセスに焦点を当てて、効率を向上させ、運用コストを削減します。 反復タスク、データ負荷の高い操作、または AI が大きな影響を与える可能性があるエラー率の高い領域をターゲットにします。

2. お客様からのフィードバックを収集します。 AI を使用して自動化された場合に顧客満足度を向上させるユース ケースを明らかにするために、お客様のフィードバックを使用します。 このフィードバックは、影響を受ける AI イニシアチブに優先順位を付けるのに役立ちます。

3. 内部評価を実施します。 さまざまな部門からの入力を収集して、AI が対処できる課題と非効率性を特定します。 ワークフローを文書化し、利害関係者の入力を収集して、自動化、分析情報の生成、または改善された意思決定の機会を明らかにします。

4. 業界のユース ケースを調査します。 類似の組織や業界が AI を使用して問題を解決したり、運用を強化したりする方法を調査します。 Azure アーキテクチャ センターの AI アーキテクチャ などのツールを使用して、インスピレーションを得て、適切なアプローチを評価します。

5. AI ターゲットを定義します。 特定されたユース ケースごとに、目標 (汎用)、目標 (望ましい結果)、成功メトリック (定量化可能なメジャー) を定義します。 これらのベンチマークは、AI の導入をガイドし、成功を測定します。 詳細については、「AI 戦略例」を参照してください。

AI テクノロジ戦略を定義する

組織のスキル、使用可能なデータ、予算に合った AI テクノロジを選択します。 Microsoft では、サービスとしてのソフトウェア (SaaS)、サービスとしてのプラットフォーム (PaaS)、サービスとしてのインフラストラクチャ (IaaS) を提供しています。 これらのサービスは、さまざまなレベルのカスタマイズと 共同責任を提供します。 次の AI デシジョン ツリーとガイダンスを使用して、情報に基づいた意思決定を行います。

ソフトウェア サービス (SaaS) で AI を購入する

Microsoft は、最小限の技術的専門知識で生産性を向上させるために、Copilots と呼ばれる SaaS 生成 AI ソリューションを提供しています。 詳細については、次の表を参照してください。

Azure プラットフォーム (PaaS) を使用して AI ワークロードを構築する

Azure には、AI の目標、スキル セット、データのニーズに合わせて調整された複数の PaaS オプションが用意されています。 これらのプラットフォームは、さまざまなレベルの技術的専門知識に対応します。 各 Azure サービスの 価格ページ を確認し、 Azure 料金計算ツール を使用してコスト見積もりを開発します。

インフラストラクチャ サービスを使用して AI モデルを取り込む (IaaS)

カスタマイズと制御を強化するために、CycleCloud を介して Azure Virtual Machines を したり、Azure Kubernetes Service をするなど、Azure の IaaS ソリューションを使用します。 これらのソリューションにより、カスタム AI モデルのトレーニングとデプロイが可能になります。 関連する価格ページと Azure 料金計算ツールをご覧ください。

AI データ戦略を策定する

AI データ戦略では、ガバナンス、スケーラビリティ、責任あるプラクティスを維持しながら、組織がデータを取得、管理、使用して AI イニシアチブをサポートする方法を定義します。 この戦略により、データ資産は、セキュリティ、コンプライアンス、倫理的な考慮事項に対処しながら、AI のユース ケースやビジネス目標に合わせて調整されます。 データ ガバナンス フレームワークを計画し、スケーラビリティ要件を評価し、ライフサイクル管理アプローチを設計し、包括的な AI データ戦略を作成するための責任あるデータ プラクティスを確立する必要があります。

1. AI ワークロードのデータ ガバナンス フレームワークを計画します。 データ ガバナンス計画では、アクセス制御、データ境界、責任ある使用ポリシーを定義することで、セキュリティで保護された準拠した AI データ使用の基盤を確立します。 この計画フェーズでは、さまざまな AI ユース ケースのガバナンス要件を特定し、継続的なデータ管理のためのフレームワークを確立します。 ワークロードの露出と感度レベルに基づいてデータ分類スキームを定義します。 内部 ("企業") ワークロードが定義された境界を持つビジネス データにアクセスできるようにしながら、インターネットに接続する ("オンライン") ワークロードをパブリック データのみに制限します。 データ資産の 分類に Microsoft Purview データ分類 を使用することを計画します。 ガバナンス アーキテクチャのガイダンスについては、 データ管理ランディング ゾーン を参照してください。

2. AI イニシアチブのデータスケーラビリティ要件を評価します。 スケーラビリティ評価により、パフォーマンスの制限や過剰なコストなしで、データ戦略で現在および予測される AI ワークロードの需要に対応できます。 この評価では、テクノロジの選択とアーキテクチャの計画を通知するデータ量、速度、および多様な要件を特定します。 特定された AI ユース ケースごとに、現在のデータ ボリューム、処理頻度、およびデータ型を文書化します。 予測される成長パターンを分析して、スケーラビリティ計画を通知します。 需要に応じてスケーリングし、バッチ処理とリアルタイム処理の両方の要件に対応できる柔軟なストレージと処理のアプローチを計画します。 スケーラブルなアーキテクチャ パターンについては、 データ ランディング ゾーン を参照してください。

3. AI データ資産のデータ ライフサイクル管理アプローチを設計する。 データ ライフサイクル計画により、AI ワークロードの要件をサポートしながら、収集から破棄までの過程を通じて、データにアクセスでき、セキュリティで保護され、コスト効率が維持されます。 この計画は、データ収集戦略、ストレージの最適化、処理ワークフロー、および品質保証プロセスに対処します。 データベース、API、モノのインターネット (IoT) デバイス、サードパーティのデータ プロバイダーなど、特定されたソースからの体系的なデータ収集アプローチを計画します。 データ特性とアクセス パターンに合わせてストレージ戦略を設計し、頻度、リテンション期間の要件、パフォーマンスのニーズに基づいて適切なレベルを選択します。 ETL (抽出、変換、読み込み) または ELT パイプラインを使用してデータ処理ワークフローを計画し、品質と AI の準備を確保します。 責任ある AI ダッシュボードなどのツールを使用して、AI データセット内の偏りを軽減するために特定する定期的な監査プロセスを確立します。

4. AI 開発のための責任あるデータ プラクティスを確立します。 責任あるデータ プラクティスにより、AI システムはデータを倫理的に使用し、組織の価値と規制要件へのコンプライアンスを維持します。 これらのプラクティスは、AI ライフサイクル全体を通じてデータの収集、使用状況、保持に関する決定を導きます。 Microsoft Fabric または Microsoft Purview を使用してデータ系列の追跡を計画し、データの使用状況の透明性を維持します。 AI トレーニング データセットのデータ品質標準、バイアス検出、公平性に関する考慮事項に関するガイドラインを確立します。 AI のパフォーマンス要件とプライバシーと規制コンプライアンスの義務のバランスを取るデータ保持ポリシーと破棄ポリシーを定義します。

責任ある AI 戦略を策定する

責任ある AI 戦略では、規制や組織の要件を満たしながら、AI ソリューションをすべてのユーザーにとって信頼でき、倫理的で有益な状態に保つための組織のアプローチを定義します。 この戦略により、業界標準とビジネス目標に合わせた倫理的な AI の開発とデプロイのフレームワークが確立されます。 包括的な責任ある AI 戦略を作成するには、アカウンタビリティ構造を計画し、責任ある AI 原則をビジネス目標として定義し、適切なツールとプロセスを特定し、コンプライアンス要件を評価する必要があります。

1. AI ガバナンスと規制監視のためのアカウンタビリティ構造を計画します。 アカウンタビリティ計画は、進化する規制要件の応答性の高い管理を確保しながら、AI ガバナンスの決定に対する明確な所有権と責任を確立します。 この計画フェーズでは、組織全体の AI イニシアチブの役割、責任、意思決定機関を定義します。 AI テクノロジと規制要件の変化を監視、管理、対応する個人またはチームを割り当てることを計画することで、専用のアカウンタビリティを定義します。 エスカレーション手順、意思決定機関、AI イニシアチブの定期的なレビュー プロセスなど、AI ガバナンスの明確な役割と責任を計画します。 これらの責任を引き受けるために、AI クラウドのセンター オブ エクセレンスを作成します。

2. 責任ある AI 原則を戦略的なビジネス目標として定義します。 責任ある AI の原則は、組織の意思決定をガイドし、業界標準に沿った倫理的な AI の開発とデプロイのための戦略的フレームワークを提供します。 これらの原則は、AI プロジェクトの選択、開発アプローチ、成功測定を形成するビジネス目標になります。 NIST AI リスク管理フレームワーク (RMF) と一致する Microsoft の 6 つの責任ある AI 原則を採用することを計画します。 これらの原則を、AI イニシアチブのプロジェクト計画手法、開発プロセス、成功メトリックに統合する方法を定義します。

3. AI ポートフォリオに適した責任ある AI ツールとプロセスを特定します。 ツールの識別により、組織は倫理的な AI 原則を実装するための適切なメカニズムを選択し、責任ある AI 標準の一貫した適用を維持できます。 この計画では、ツールの選択基準、統合アプローチ、および責任ある AI プラクティスの運用プロセスに対処します。 計画された AI ユース ケースと組織のリスク プロファイルに合わせて、適切な責任ある AI ツールとプロセス を評価して選択することを計画します。 開発ワークフローと運用手順内でこれらのツールの統合アプローチを計画し、AI イニシアチブ全体で一貫したアプリケーションを確保します。

4. AI 規制と法的標準のコンプライアンス要件を評価します。 コンプライアンス評価は、法的リスクから組織を保護し、AI イニシアチブが適用される法律や業界標準と一致することを保証しながら、戦略的計画の決定を通知します。 コンプライアンス要件は、業界、地域、AI アプリケーションによって異なり、包括的な分析と戦略的計画が必要です。 計画された運用と AI のユース ケースに適用される、関連するローカルおよび国際的な AI 規制を特定して評価します。 規制の変更を監視し、コンプライアンス戦略を更新し、AI 導入の過程を通じて法的要件との継続的な整合を確保するためのプロセスを計画します。

AI 戦略例

この AI 戦略例は、架空の会社 Contoso に基づいています。 Contoso は、お客様向けの e コマース プラットフォームを運用し、ビジネス データを予測するためのツールを必要とする営業担当者を雇用しています。 また、生産用の製品開発と在庫の管理も行っています。 その販売チャネルには、民間企業や規制の厳しい公的機関の両方が含まれています。

次のステップ