準備度

問題	回應範例
您是否有可用於這些工作負載 AWS 的帳戶？	是或否。
您是否有與 簽訂的現有企業協議 AWS？	是或否。
您目前雲端基礎設施處理生成式 AI 工作負載的可擴展性如何？	我們的雲端基礎設施具有高度可擴展性，具有適用於運算資源和分散式儲存系統的自動擴展功能，旨在有效地處理大規模生成式 AI 工作負載。
您是否有用於大規模預先處理和特徵工程的資料管道功能？	我們的資料管道使用分散式處理架構，例如 Apache Spark 進行大規模資料處理和特徵工程，同時支援批次和串流資料處理。
您是否有帳戶佈建和管理功能？	是或否。
您會如何描述組織的 AI 素養以及採用生成式 AI 技術的準備程度？	我們的組織已在 AI 教育計畫中投入大量資金，大多數技術人員也已完成基本的 AI/ML 訓練。組織具有創新文化，其中包含生成式 AI 等新技術。
組織中有哪些 AI/ML 專業知識，以及它如何分佈？	我們擁有與經驗豐富的資料科學家和 ML 工程師合作的專用 AI 卓越中心。我們提升跨不同業務單位的領域專家技能，以成為 AI-literate 並識別生成式 AI 使用案例。
您是否有表達雲端計畫目標、優點和成本的高階商業案例？	是或否。
將解決方案用於生產的時間表為何？	週、月等。
您的主要利益相關者 （例如，CFO、CIT/CTO、COO) 是否已做出資金承諾？	是或否。
如何確保符合生成式 AI 計畫中的資料保護法規？	我們有專門的合規團隊，與我們的 AI 團隊緊密合作。我們會定期進行隱私權影響評估、依設計原則實作資料保護，並維護所有生成式 AI 專案的詳細資料處理記錄。
您現有的系統與新的生成式 AI 技術整合有多成熟？	我們的 IT 架構是以微服務和 APIs為基礎，允許靈活整合新的生成式 AI 技術。這些系統會標準化常用資料格式和通訊協定，以確保互通性。
您在操作 ML 模型方面有哪些經驗，以及這可能如何適用於生成式 AI 系統？	我們已建立 MLOps 實務，包括自動化模型部署管道、監控系統和 A/B 測試架構。這些實務正在調整，以處理大規模生成式 AI 模型的獨特需求。