성공적인 AI 전략에는 4가지 핵심 영역에서 구조화된 계획이 필요합니다. 측정 가능한 비즈니스 가치를 제공하는 AI 사용 사례를 식별하고, 팀의 기술에 부합하는 Microsoft AI 기술을 선택하고, 확장 가능한 데이터 거버넌스를 설정하고, 신뢰를 유지하고 규제 요구 사항을 충족하는 책임 있는 AI 사례를 구현합니다. 이는 신생 기업, 중소기업, 대기업, 비영리 단체 및 공공 부문 기관을 포함한 모든 규모의 조직에 적용됩니다.
빠른 링크:Microsoft AI 의사 결정 트리
전략적 AI 계획이 중요한 이유: 문서화된 AI 전략은 임시 실험에 비해 일관되고 더 빠르고 감사 가능한 결과를 생성합니다. 이 가이드에서는 Microsoft Copilot 배포, Azure AI Foundry 환경 설정, AI 에이전트 채택, Azure OpenAI 통합 및 Microsoft Purview와의 조직 전체 AI 거버넌스에 대한 실행 가능한 단계를 나열합니다.
최대 비즈니스 영향을 위한 AI 사용 사례 식별
AI는 지식 작업을 가속화하고 일상적인 프로세스를 자동화하여 비즈니스 운영을 혁신합니다. 생성 AI (텍스트, 이미지 또는 코드와 같은 콘텐츠를 만드는 시스템)는 지식 작업자 생산성을 높입니다. 분석 AI 및 기계 학습 은 데이터가 많은 작업을 자동화하고, 오류율을 줄이며, 예측 인사이트를 생성합니다. AI가 비용, 속도, 품질 또는 고객 환경을 개선하는 측정 가능한 마찰로 프로세스를 격리하는 것부터 시작합니다.
먼저 비즈니스 결과에 집중: 성공적인 AI 프로그램은 각 사용 사례를 모델 우선 실험이 아닌 정량화된 비즈니스 목표에 고정합니다. 구조적 검색 방법은 Azure 아키텍처 센터 AI 지침에 의해 강화된 것처럼 더 높은 운영화 성공률과 관련이 있습니다.
자동화 기회를 식별합니다. 효율성을 개선하고 운영 비용을 줄이기 위해 자동화에 적합한 프로세스에 집중합니다. 반복적인 작업, 데이터 사용량이 많은 작업 또는 AI가 상당한 영향을 미칠 수 있는 오류율이 높은 영역을 대상으로 지정합니다.
고객 피드백을 수집합니다. 구조화된 고객 피드백(설문 조사, 지원 성적표, NPS 의견)을 사용하여 AI로 자동화할 때 만족도를 높이는 사용 사례를 파악합니다. 이 피드백은 측정 가능한 영향으로 이니셔티브의 우선 순위를 지정하는 데 도움이 됩니다.
내부 평가를 수행합니다. 부서(운영, 재무, 법률, 지원, 제품)의 입력을 수집하여 AI가 해결할 수 있는 문제 및 비효율성을 식별합니다. 워크플로를 문서화하고 관련자 입력을 수집하여 자동화, 인사이트 생성 또는 향상된 의사 결정 품질을 위한 기회를 파악합니다.
연구 산업 사용 사례. 유사한 조직이나 산업이 AI를 사용하여 문제를 해결하거나 운영을 향상시키는 방법을 조사합니다. Azure 아키텍처 센터의 AI 아키텍처와 같은 리소스를 사용하여 영감을 받고 적절한 접근 방식을 평가합니다.
AI 대상을 정의합니다. 각 사용 사례에 대해 목표(범용), 목표(원하는 결과) 및 성공 메트릭(정량화 가능한 측정값)을 정의합니다. 이러한 벤치마크는 채택을 안내하고 성공을 측정합니다. 자세한 내용은 예제 AI 전략을 참조하세요.
Microsoft의 서비스 옵션을 사용하여 AI 기술 전략 정의
기술 전략은 속도, 사용자 지정 및 제어의 균형을 결정합니다. Microsoft는 SaaS(즉시 사용 가능 소프트웨어), PaaS(확장 가능한 개발 플랫폼) 및 IaaS(완전 관리형 인프라)의 세 가지 기본 AI 사용 패턴을 제공합니다. 엔지니어링 완성도, 규정 준수 상태, 데이터 상주 및 사용자 지정 요구 사항에 맞는 모델을 선택합니다.
AI 에이전트를 이해합니다. AI 에이전트는 AI 모델을 사용하여 지속적인 사용자 감독 없이 작업을 완료하는 자율 시스템입니다. 이러한 시스템은 기존 자동화에서 변화하는 조건에 맞게 조정되는 지능형 의사 결정으로의 전환을 나타냅니다. 복잡한 워크플로 및 다중 시스템 협업을 지원하려면 에이전트 통합을 계획해야 합니다. 에이전트란?을 검토하여 에이전트 기능을 이해하고 에이전트 기반 솔루션을 위한 조직을 준비합니다.
AI 상호 운용성을 위한 표준 메커니즘을 채택합니다. 표준 프로토콜을 사용하면 AI 시스템이 여러 플랫폼에서 통신하고 사용자 지정 구현을 줄일 수 있습니다. 이러한 프로토콜은 향후 기술 변화에 대한 유연성을 유지하면서 데이터 공유 및 시스템 통합을 지원합니다. AI 시스템이 상호 운용성 요구 사항을 지원하도록 시스템 간 데이터 수집을 위한 모델 컨텍스트 프로토콜과 같은 프로토콜을 이해해야 합니다. NLWeb과 같은 도구를 평가하여 AI 웹용 콘텐츠를 준비합니다. 예를 들어 Microsoft Copilot Studio의 모델 컨텍스트 프로토콜 및 MCP 서버로 REST API 노출을 참조하세요.
적절한 AI 서비스 모델을 선택합니다. Microsoft는 SaaS(Software as a Service), PaaS(Platform as a Service), IaaS(Infrastructure as a Service) 등 다양한 수준의 사용자 지정 및 공유 책임을 가진 세 가지 서비스 모델을 제공합니다. 각 모델에는 서로 다른 기술 기술이 필요하며 AI 구현에 대한 다양한 수준의 제어를 제공합니다. 팀의 기능, 데이터 요구 사항 및 사용자 지정 요구 사항을 적절한 서비스 모델과 일치시켜야 합니다. AI 의사 결정 트리를 사용하여 선택 프로세스를 안내합니다.
Microsoft AI 의사 결정 트리
초기 결과를 위해 Microsoft SaaS(소프트웨어 AI 서비스) 채택
코필로트라고 하는 Microsoft의 즉시 사용 가능한 AI 솔루션은 최소한의 설정으로 생산성을 향상합니다. Microsoft 365 Copilot 는 Office 앱에서 AI 지원을 제공하며 , 전문 코필로트는 특정 작업 역할 및 산업에 중점을 줍니다. 사용자 지정 개발로 전환하기 전에 초기 결과를 얻기 위해 이러한 솔루션으로 시작합니다.
| Microsoft Copilots | 설명 | 사용자 | 필요한 데이터 | 필요한 기술 | 주요 비용 요소 |
|---|---|---|---|---|---|
| Microsoft 365 Copilot | Microsoft 365 Copilot는 Microsoft 365 애플리케이션에서 웹 기반 채팅 및 앱 내 AI 지원을 제공하여 Microsoft Graph 데이터와 통합합니다. | 비즈니스 | 예. 민감도 레이블을 사용하여 데이터를 분류하고 Microsoft Graph의 데이터와 안전하게 상호 작용합니다. | 일반 IT 및 데이터 관리 | 라이선스 |
| 역할 기반 코필로트 | 보안, 영업, 서비스 및 재무의 특정 역할에 대한 효율성을 향상시키는 에이전트입니다. | 비즈니스 | 예. 데이터 연결 및 플러그 인 옵션을 사용할 수 있습니다. | 일반 IT 및 데이터 관리 | 보안 코필로트에 대한 라이선스 또는 SCU(보안 컴퓨팅 단위) |
| 제품 내 코필로트 | GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric, Microsoft Entra 및 Azure와 같은 제품 내의 AI입니다. | 비즈니스 및 개인 | 예. 대부분의 경우 최소한의 데이터 준비가 필요합니다. | 최소(기본 관리자 구성 및 데이터 준비 상태) | 무료 또는 구독 |
| Microsoft Copilot 또는 Microsoft Copilot Pro | Microsoft Copilot 는 무료 웹 기반 채팅 애플리케이션입니다. Copilot Pro 는 특정 Microsoft 365 앱에서 Copilot에 대한 향상된 성능, 용량 및 액세스를 제공합니다. | 개인 | 아니요 | 없음 | Microsoft Copilot 는 무료입니다. Microsoft Copilot Pro에 구독 필요 |
코드가 낮은 플랫폼을 사용하여 AI 에이전트 빌드
Microsoft는 전체 개발 팀 없이 사용자 지정 AI 에이전트 개발을 위한 로우 코드 플랫폼을 제공합니다. Copilot Studio 를 사용하면 비즈니스 사용자가 자연어를 사용하여 AI 도우미를 만들 수 있으며 , Microsoft 365 Copilot 확장을 사용하면 회사별 데이터 및 프로세스로 엔터프라이즈 코필로트를 사용자 지정할 수 있습니다.
| Microsoft Copilots | 설명 | 사용자 | 필요한 데이터 | 필요한 기술 | 주요 비용 요소 |
|---|---|---|---|---|---|
| Microsoft 365 Copilot용 확장성 도구 | 사용자 지정 - Microsoft 365 Copilot을(를) 선언적 에이전트를 통해 데이터 및 기능을 더욱 확장하여 맞춤 설정하세요. Copilot Studio, lite 환경, Teams 도구 키트 및 SharePoint와 같은 도구를 사용합니다. | 비즈니스 및 개인 | Microsoft Graph 커넥터를 사용하여 데이터를 추가합니다. | 데이터 관리, 일반 IT 또는 개발자 기술 | Microsoft 365 Copilot 라이선스 |
| Copilot Studio | Copilot Studio를 사용하여 낮은 코드 도구 및 자연어를 사용하여 대화형 AI 에이전트 및 자동화 워크플로를 빌드합니다. | IT | 많은 데이터 통합을 자동화하여 다양한 데이터 원본에 대한 연결이 있는 사용자 지정 부조합을 만듭니다. | 데이터 원본을 연결하고 대화형 흐름을 디자인하며 부조종사 배포를 위한 플랫폼 구성 | 라이선스 |
사용자 지정 개발을 위해 Azure PaaS(플랫폼)를 사용하여 AI 워크로드 빌드
Azure는 고유한 AI 솔루션 패턴 및 완성도 수준을 위한 개발 플랫폼을 제공합니다. Azure AI Foundry 는 RAG(검색 보강 세대) 애플리케이션을 만들고, 프로덕션 AI 에이전트를 빌드하고, 기본 모델을 평가 및 사용자 지정하고, 책임 있는 AI 컨트롤을 적용하기 위한 통합 플랫폼입니다. 이러한 관리되는 기능을 통해 개발 팀은 솔루션 차별화에 집중할 수 있으며 Azure는 보안, 거버넌스, 관찰 가능성 및 확장 가능한 인프라 기본 형식을 제공합니다. 비용 모델링을 위해 Azure AI 가격 책정 및 Azure 가격 계산기를 사용합니다.
| AI 목표 | Microsoft 솔루션 | 필요한 데이터 | 필요한 기술 | 주요 비용 요소 |
|---|---|---|---|---|
| 빌드 에이전트 | Azure AI Foundry 에이전트 서비스 | 예 | 환경 설정, 모델 선택, 도구, 접지 데이터 스토리지, 데이터 격리, 에이전트 트리거, 연결 에이전트, 콘텐츠 필터링, 프라이빗 네트워킹, 에이전트 모니터링, 서비스 모니터링 | 모델 토큰, 저장소, 기능, 연산, 접지 연결 사용 |
| RAG 애플리케이션 빌드 | Azure AI 파운드리 | 예 | 모델 선택, 데이터 흐름 오케스트레이션, 데이터 청크 분할, 청크 보강, 인덱싱 선택, 쿼리 형식 이해(전체 텍스트, 벡터, 하이브리드), 필터 및 패싯 이해, 재전송 수행, 프롬프트 엔지니어링, 엔드포인트 배포 및 앱에서 엔드포인트 사용 | 계산, 토큰 수입/출, 소비된 AI 서비스, 저장소 및 데이터 전송 |
| GenAI 모델 미세 조정 | Azure AI 파운드리 | 예 | 데이터를 전처리하고, 데이터를 학습 및 유효성 검사 데이터로 분할하고, 모델의 유효성을 검사하고, 다른 매개 변수를 구성하고, 모델을 개선하고, 모델을 배포하고, 앱에서 엔드포인트를 사용합니다. | 계산, 토큰 수입/출, 소비된 AI 서비스, 저장소 및 데이터 전송 |
| 학습 및 추론 모델 |
Azure Machine Learning 또는 Microsoft Fabric |
예 | 데이터 전처리, 코드 또는 자동화를 사용하여 모델 학습, 모델 개선, 기계 학습 모델 배포 및 앱에서 엔드포인트 사용 | 컴퓨팅, 스토리지 및 데이터 전송 |
| 미리 빌드된 AI 모델 및 서비스 사용 |
Azure AI 서비스 및 또는 Azure OpenAI |
예 | AI 모델을 선택하고, 엔드포인트를 보호하며, 앱에서 엔드포인트를 사용하고, 필요에 따라 미세 조정 | 사용된 모델 엔드포인트, 스토리지, 데이터 전송, 컴퓨팅 사용(사용자 지정 모델을 학습하는 경우) |
| AI 앱 격리 | 서버리스 GPU를 지원하는 Azure Container Apps | 예 | AI 모델 선택, 데이터 흐름 오케스트레이션, 데이터 청크 분할, 청크 보강, 인덱싱 선택, 쿼리 유형 이해(전체 텍스트, 벡터, 하이브리드), 필터 및 패싯 이해, 재전송 수행, 프롬프트 엔지니어링, 엔드포인트 배포 및 앱에서 엔드포인트 사용 네트워크 격리를 위한 선택적 환경/VNet 구성(지역별 가용성 및 기능 상태는 다를 수 있음) | 계산, 토큰 수입/출, 소비된 AI 서비스, 저장소 및 데이터 전송 |
최대 제어를 위해 Azure IaaS(인프라 서비스)를 사용하여 AI 모델 가져오기
Azure 인프라 서비스는 AI 성능, 격리 또는 규정 준수 요구 사항에 대한 세부적인 제어를 제공합니다. GPU를 지원하는 Azure Virtual Machines 는 사용자 지정 모델 학습 및 벤치마킹(PyTorch, TensorFlow, 분산 미세 조정)을 사용하도록 설정합니다. AKS(Azure Kubernetes Service) 는 유추 및 학습 파이프라인을 위한 컨테이너 오케스트레이션, GPU 풀링, 자동 크기 조정 및 다중 테넌트 워크로드 분할을 제공합니다. 고유한 모델을 가져오거나, 사용자 지정 런타임을 사용하거나, 관리되는 플랫폼 추상화 이외의 비용 및 성능을 최적화해야 하는 경우 IaaS 경로를 사용합니다. 용량 예측에 대한 Azure 가격 계산기를 사용하여 Azure인프라 가격 책정을 참조합니다.
| AI 목표 | Microsoft 솔루션 | 필요한 데이터 | 필요한 기술 | 주요 비용 요소 |
|---|---|---|---|---|
| 고유한 AI 모델을 학습하고 유추합니다. 사용자 고유의 모델을 Azure로 가져옵니다. |
HPC 워크로드용 CycleCloud를 사용하는 Azure Virtual Machines 또는 Azure Kubernetes Service |
예 | 인프라 관리, IT, 프로그램 설치, 모델 학습, 모델 벤치마킹, 오케스트레이션, 엔드포인트 배포, 엔드포인트 보안 및 앱에서 엔드포인트 사용 | 컴퓨팅, 컴퓨팅 노드 오케스트레이터, 관리 디스크(선택 사항), 스토리지 서비스, Azure Bastion 및 사용된 기타 Azure 서비스 |
필요에 따라 증가하는 AI 데이터 전략 개발
데이터 전략은 확장 가능하고 신뢰할 수 있는 AI를 위한 컨트롤 플레인입니다. 규정 준수를 유지하고 노출 위험을 최소화하면서 데이터를 원본, 분류, 보안, 보강, 모니터링 및 사용 중지하는 방법을 정의합니다. 지속성 전략은 Microsoft 365, Azure 및 하이브리드 자산의 우선 순위 AI 사용 사례가 고품질의 계보 추적 가능 데이터를 제어하도록 보장합니다. 거버넌스 기준, 탄력성 계획, 수명 주기 계측 및 책임 있는 사용 적용에 집중합니다.
AI 프로젝트에 대한 데이터 거버넌스를 설정합니다.데이터 거버넌스 를 통해 AI 데이터를 안전하게 사용하고 액세스 제어 및 정책을 통해 규정을 준수할 수 있습니다. 먼저 민감도 및 필수 액세스에 따라 데이터를 분류합니다. AI용 Microsoft Purview DSPM(Data Security Posture Management)을 사용하여 생성 AI 애플리케이션을 보호합니다. 여기에는 AI 데이터 보안을 위한 기능이 포함됩니다.
데이터 증가 및 성능을 계획합니다. 데이터 환경이 성능 저하 또는 과도한 비용 없이 현재 AI 프로젝트와 향후 성장을 지원하는지 확인합니다. 현재 데이터 볼륨, 처리 빈도 및 사용 사례당 필요한 데이터 형식을 문서화합니다. 이 정보는 적절한 Azure 서비스를 선택하는 데 도움이 됩니다.
수명 주기 내내 데이터를 관리합니다. AI 사용을 위해 액세스 가능하고 안전하게 유지하면서 데이터를 수집, 저장 및 사용 중지하는 방법을 정의합니다. 데이터베이스, API, IoT 디바이스 및 타사 원본에서 체계적인 수집을 설정합니다. 액세스 빈도에 따라 Azure 스토리지 계층을 선택합니다. ETL/ELT 파이프라인(데이터 처리 워크플로)을 빌드하여 품질을 유지하고 책임 있는 AI 대시보드를 사용하여 학습 데이터의 편향을 확인합니다.
책임 있는 데이터 사례를 따릅니다. AI 시스템이 데이터를 윤리적으로 사용하고 규정 요구 사항을 충족하는지 확인합니다. Microsoft Fabric 데이터 계보 또는 MicrosoftPurview 데이터 계보를 사용하여 데이터 원본 및 사용량을 추적합니다. 품질 표준을 설정하고, 편견을 확인하고, 학습 데이터 세트에서 공정성을 평가합니다. AI 성능과 개인 정보 보호 및 규정 준수의 균형을 맞추는 보존 정책을 만듭니다.
팁 (조언)
데이터 의사 결정 가속기 (모두 기존 지침에서 파생됨):
- 재작업을 방지하기 위해 대규모 RAG 수집 전에 분류를 시작합니다.
- 계보 추적을 보존 정책과 연결하여 분리된 중요한 데이터를 줄입니다.
- 바이어스 평가(책임 있는 AI 대시보드)를 일회성 게이트가 아닌 되풀이 컨트롤로 처리합니다.
- 비용 원격 분석(토큰, 스토리지, 송신)을 초기에 사용하여 바인딩되지 않은 데이터 증가에 플래그를 지정합니다.
책임 있는 AI 전략 개발
책임 있는 AI는 신뢰, 안전 및 규제 조정을 AI 수명 주기 전반에 걸쳐 운영 제어로 변환합니다. 책임 있는 AI 전략은 원칙을 적용 가능한 제어, 측정 가능한 검사점 및 명확한 책임으로 변환합니다. 디자인 검토, 위험 평가, 정책 적용, 모델 및 에이전트 모니터링 및 인시던트 대응에서 감사 가능한 체인을 유지 관리합니다.
AI 거버넌스에 대한 명확한 소유권을 할당합니다. AI 거버넌스 결정을 소유하고 규제 요구 사항을 관리하도록 특정 사용자 또는 팀을 지정합니다. 거버넌스 역할은 AI 프로젝트에 대한 의사 결정 권한을 정의합니다. AI 기술 변경 및 새로운 규정을 모니터링할 사람을 할당합니다. 책임 중앙 집중화 및 AI 거버넌스 문제에 대한 절차를 수립하는 탁월한 AI 클라우드 센터를 만듭니다.
책임 있는 AI 원칙을 비즈니스 목표로 채택합니다. 윤리적 AI 개발을 위한 프레임워크로 Microsoft의 책임 있는 AI 원칙 을 사용합니다. 이러한 6가지 AI 원칙은 NIST AI 위험 관리 프레임워크 에 부합하며 프로젝트 선택 및 개발을 안내하는 측정 가능한 비즈니스 목표가 됩니다. 이러한 원칙을 프로젝트 계획, 개발 프로세스 및 성공 메트릭에 통합합니다.
프로젝트에 대한 책임 있는 AI 도구를 선택합니다. AI 이니셔티브 전반에서 윤리적 AI 원칙을 구현하는 도구를 선택합니다. Microsoft는 다양한 AI 사용 사례 및 위험 수준 과 일치하는 책임 있는 AI 도구 및 프로세스를 제공합니다. 이러한 도구를 개발 워크플로에 통합하여 책임 있는 AI 사례를 적용합니다.
AI 규정을 준수합니다. 운영 및 AI 사용 사례에 적용되는 로컬 및 국제 AI 규정을 식별합니다. 규정 준수 요구 사항은 산업, 위치 및 AI 애플리케이션 유형에 따라 다릅니다. 규정 변경을 모니터링하고 규정 준수 전략을 업데이트하여 조정을 유지합니다.
AI 전략 예제
이 예제 AI 전략은 가상의 회사인 Contoso를 사용합니다. Contoso는 고객용 전자 상거래 플랫폼을 운영하며 비즈니스 데이터를 예측하는 도구가 필요한 영업 담당자를 고용합니다. 또한 프로덕션을 위한 제품 개발 및 인벤토리를 관리합니다. 판매 채널에는 민간 기업과 규제된 공공 부문 기관이 포함됩니다.
| AI 사용 사례 | 목표 | 목표 | 성공 메트릭 | AI 접근 방식 | Microsoft 솔루션 | 데이터 요구 사항 | 기술 요구 사항 | 비용 요인 | AI 데이터 전략 | 책임 있는 AI 전략 |
|---|---|---|---|---|---|---|---|---|---|---|
| 전자상거래 웹 애플리케이션 채팅 기능 | 비즈니스 프로세스 자동화 | 고객 만족도 개선 | 고객 보존율 증가 | PaaS, 생성형 AI, RAG (Retrieve-Aware Generation) | Azure AI 파운드리 | 항목 설명 및 페어링 | RAG 및 클라우드 앱 개발 | 사용 | 고객 데이터에 대한 데이터 거버넌스를 설정하고 AI 공정성 제어를 구현합니다. | AI 책임을 AI CoE에 할당하고 책임 있는 AI 원칙과 일치하도록 합니다. |
| 내부 앱 문서 처리 워크플로 | 비즈니스 프로세스 자동화 | 비용 절감 | 완료율 증가 | 분석 인공지능, 세밀 조정 | Azure AI 서비스 – 문서 인텔리전스 | 표준 문서 | 앱 개발 | 예상 사용량 | 내부 문서에 대한 데이터 거버넌스를 정의하고 데이터 수명 주기 정책을 계획합니다. | AI 책임을 할당하고 데이터 처리 정책 준수를 보장합니다. |
| 재고 관리 및 제품 구매 | 비즈니스 프로세스 자동화 | 비용 절감 | 재고의 더 짧은 유효 기간 | 기계 학습, 학습 모델 | Azure Machine Learning (애저 머신 러닝) | 기록 인벤토리 및 판매 데이터 | 기계 학습 및 앱 개발 | 예상 사용량 | 판매 데이터에 대한 거버넌스를 설정하고 데이터의 편향을 감지하고 해결합니다. | AI 책임을 할당하고 금융 규정을 준수합니다. |
| 회사 전체의 일상 업무 | 개별 생산성 향상 | 직원 환경 개선 | 직원 만족도 증가 | SaaS(소프트웨어로서의 서비스) 생성 AI | Microsoft 365 Copilot | OneDrive 데이터 | 일반 IT | 구독 비용 | 직원 데이터에 대한 데이터 거버넌스를 구현하고 데이터 개인 정보를 보장합니다. | AI 책임을 부여하고 기본 내장된 책임 있는 AI 기능을 활용합니다. |
| 규제된 업계 채팅 기능을 위한 전자 상거래 앱 | 비즈니스 프로세스 자동화 | 매출 증대 | 판매 증가 | IaaS 생성 AI 모델 학습 | Azure Virtual Machines | 도메인별 학습 데이터 | 클라우드 인프라 및 앱 개발 | 인프라 및 소프트웨어 | 규정 준수 조치를 사용하여 규제된 데이터에 대한 거버넌스를 정의하고 수명 주기를 계획합니다. | AI 책임을 할당하고 업계 규정을 준수합니다. |
AI 전략 구현을 위한 Azure 도구 및 리소스
| 카테고리 | Tool | 설명 |
|---|---|---|
| AI 전략 계획 | Azure AI 아키텍처 센터 | 산업 및 엔터프라이즈 사용 사례 전반의 AI 솔루션에 대한 포괄적인 참조 아키텍처 및 디자인 패턴 |
| 에이전트 개발 플랫폼 | Azure AI Foundry 에이전트 서비스 | 엔터프라이즈 보안을 사용하여 지능형 AI 에이전트를 빌드, 배포 및 관리하기 위한 모든 기능을 갖춘 플랫폼 |
| 엔터프라이즈 생성 AI | Azure OpenAI 서비스 | GPT-4 제품군(GPT-4o 포함) 및 DALL에 대한 엔터프라이즈급 액세스 보안, 규정 준수 및 책임 있는 AI 기능이 있는 E 모델 |
| AI 데이터 거버넌스 | AI용 Microsoft Purview DSPM(Data Security Posture Management) | AI 데이터 위험 가시성, 데이터 보호 제어 및 생성 AI 워크로드에 대한 모니터링 |
| 책임 있는 AI 도구 | Microsoft 책임 AI 대시보드 | 바이어스 검색, 공정성 평가 및 AI 모델 해석성을 위한 포괄적인 도구 |
| AI 개발 플랫폼 | Azure AI 파운드리 | RAG 애플리케이션, 기본 모델 미세 조정 및 AI 워크로드 배포를 위한 통합 플랫폼 |
| Low-Code AI 개발 | Microsoft Copilot 스튜디오 | 자연어 인터페이스를 사용하여 대화형 AI 에이전트 및 자동화 워크플로 빌드 |
| 엔터프라이즈 AI 생산성 | Microsoft 365 Copilot | 엔터프라이즈 데이터 통합을 사용하여 Microsoft 365 애플리케이션에서 AI 기반 생산성 |
AI 전략 성공을 위한 주요 내용
전략적 계획은 더 빠른 결과를 제공합니다. 문서화된 AI 전략은 일관되고 감사 가능한 결과를 생성합니다. 성공은 비즈니스 정렬 사용 사례의 우선 순위를 지정하고, 올바른 Microsoft AI 서비스 모델(SaaS, PaaS, IaaS)을 선택하고, 확장 가능한 데이터 거버넌스 및 DSPM 컨트롤을 도입하는 데 따라 달라집니다.
Microsoft AI 포트폴리오는 채택 패턴을 지원합니다. 통합된 Microsoft AI 에코시스템은 Microsoft 365 Copilot와의 생산성을 높이고 , Azure AI Foundry (RAG, 에이전트, 평가, 모델 오케스트레이션)를 사용하여 차별화된 솔루션을 가능하게 하며, Azure 인프라 서비스를 통해 전문화 및 격리를 제공합니다.
책임 있는 AI는 중요합니다. 거버넌스, 투명성 도구, 콘텐츠 안전, 공정성 평가 및 규제 조정을 배포 후가 아닌 처음부터 포함하여 수정 비용을 줄이고 이해 관계자의 신뢰를 강화합니다.
알아야 할 중요한 AI 용어: AI 채택 프레임워크, Azure AI Foundry, AI 에이전트, 생성 AI, RAG(검색 증강 세대), Microsoft 365 Copilot, 책임 있는 AI 거버넌스, 기계 학습 워크로드, AI 데이터 전략, AI용 Microsoft Purview DSPM(Data Security Posture Management), Azure OpenAI Service, AI 에이전트 오케스트레이션, 공유 책임 모델, AI 계보, 콘텐츠 안전, 데이터 최소화.
요약하자면
엔터프라이즈 AI 전략은 결과 기반 사용 사례 우선 순위 지정, 적절한 Microsoft AI 서비스 모델(가속을 위한 SaaS, 차별화를 위한 PaaS, 전문화를 위한 IaaS), 관리 및 계보 추적 가능한 데이터 기반 및 적용 가능한 책임 있는 AI 컨트롤을 결합합니다. 통합 에이전트 및 RAG 개발에 Azure AI Foundry를 사용하고, 초기 생산성 영향을 위해 Microsoft 365 Copilot를 사용하고, 사전 데이터 위험 감소를 위해 Microsoft Purview DSPM을 통합하고, 지속적인 평가 및 관찰성을 적용하여 신뢰, 성능 및 규정 준수를 대규모로 유지합니다.