Check direkt hier ausfüllen

Der Microsoft-Landscape-Selbstcheck

Dreizehn Fragen, die zeigen, ob Ihre Microsoft-Umgebung bereit ist, KI in der Produktion zu betreiben, in drei Bereichen. Antworten Sie für die Umgebung, die Sie haben, nicht für die auf der Roadmap; ein zögerliches Ja zählt als Nein. Die drei Bereiche bauen aufeinander auf: Eine Lücke in der Azure-Grundlage zeigt sich meist zuerst als Datenproblem, und ein Datenproblem zeigt sich meist als KI-Fehler. Beheben Sie sie deshalb in dieser Reihenfolge.

Azure-Grundlage

Die Ebene, von der alles andere abhängt: Driftet die Governance hier, zeigen sich die Lücken erst weiter unten.

Ist Ihre Landing Zone nach einem bekannten Standard (CIS, Well-Architected) gebaut und daran gemessen, oder einmal aufgesetzt und sich selbst überlassen?
Sind Kontrollen für Identität, Netzwerk und Security im Code durchgesetzt, oder von Hand zusammengeklickt?
Wissen Sie, was jeder Workload im Betrieb kostet, oder ist Azure eine monatliche Sammelrechnung?
Wissen Sie, in welchen Regionen Ihre Daten landen können, oder müssten Sie erst nachsehen, bevor Sie einem Kunden antworten?

Datenplattform

Ein KI-Anwendungsfall liest, was ihm gegeben wird. Eine Zahl, der niemand traut, wird nicht vertrauenswürdig, nur weil ein Modell sie gelesen hat.

Gibt es eine Single Source of Truth für die Daten, die ein KI-Anwendungsfall lesen würde, oder Kopien, denen niemand ganz traut?
Können Sie nachvollziehen, woher eine Zahl kommt, von Anfang bis Ende?
Liegen Zugriffs- und Vertraulichkeitskontrollen auf den Daten selbst, nicht nur auf den Berichten?
Sind die Pipelines, die die Datenplattform speisen, dokumentiert und überwacht?

KI-Reife

Die Kontrollen, die speziell für den Betrieb eines Modells in Produktion gelten: Klassifizierung vor dem Bau, Evaluierung danach, Überwachung im laufenden Betrieb.

Könnte ein KI-Dienst die Daten, die er braucht, über kontrollierte Zugriffe erreichen, oder würde jemand CSV-Exporte ziehen?
Wissen Sie, welche Anwendungsfälle Pflichten aus der EU-KI-Verordnung tragen, bevor Sie sie bauen?
Gibt es einen Weg, ein KI-Ergebnis auf Genauigkeit zu prüfen, oder würden Sie einer Demo trauen?
Gibt es nach dem Go-live eine Überwachung, die ein driftendes Modell erkennt, oder erfahren Sie es aus einer Beschwerde?
Hat jedes produktive KI-System einen benannten Verantwortlichen für Verhalten und Betriebskosten, oder endete die Verantwortung mit dem Projekt?

0 von 13 beantwortet. Das Ergebnis erscheint mit der letzten Antwort.

Häufige Fragen

Was unterscheidet diesen Check vom Azure Well-Architected Self-Check?

Der Well-Architected Self-Check bewertet einen Azure-Workload nach den fünf Säulen. Dieser hier ist bewusst breiter und flacher: dreizehn Fragen über Azure-Grundlage, Datenplattform und KI-Reife, gebaut, um zu zeigen, welcher der drei Bereiche tatsächlich bremst, bevor Sie ein tieferes Review für einen davon beauftragen.

Wir haben bereits Azure und Power BI. Wozu brauchen wir das noch?

Die Plattformen zu besitzen beantwortet eine andere Frage als die, ob ein Anwendungsfall über sie tatsächlich an die Daten kommt, die er braucht. Der Self-Check trennt „die Werkzeuge existieren" von „die Werkzeuge sind governt und verbunden", genau dort, wo die meisten Umgebungen tatsächlich stecken bleiben.

Was sagt uns das Ergebnis konkret?

Welcher der drei Bereiche, Azure-Grundlage, Datenplattform, KI-Reife, am schwächsten abschneidet, und das bestimmt direkt, ob das Microsoft Landscape Assessment bei der Landing Zone, der Datenumgebung oder dem ersten Anwendungsfall ansetzt.

Ist das nur relevant, wenn wir KI einsetzen wollen?

Die Fragen zu Azure-Grundlage und Datenplattform gelten für sich genommen: eine abgedriftete Landing Zone oder eine Datenumgebung ohne eine verlässliche Datenbasis kostet Geld, ob KI je ins Spiel kommt oder nicht. Der Abschnitt zur KI-Reife ist der Teil, der sich ändert, wenn KI noch nicht auf der Roadmap steht.