一、启动你的 AI 项目
学习目标
完成本单元后，你将能够：
- 为 AI 项目识别利益相关者、目标和技��解决方案
- 解释 AI 项目的各个阶段
- 制定项目时间表
为你的 AI 项目做好准备
应对 AI 项目的复杂性可能令人望而生畏，尤其是对新技术不熟悉的情况下。在本模块中，跟�� Becca Cloudier——Coral Cloud Resorts 的 Salesforce 管理员——一起规划她的第一个结合数据与 AI 的项目。Coral Cloud 是一家度假村，希望简化入住流程同时保持个性化，让员工有更多时间关注客户，客户也无需在前台久等。
开始之前，确保已完成 AI Strategy 模块，了解如何识别组织的 AI 用例、构建 AI 路线图并选择合适的项目。
识别项目利益相关者
首先识别项目利益相关者——对项目有兴趣、影响力或影响的人。尽早让他们参与进来，确保项目与各方目标保持一致。
Becca 的关键利益相关者：
- Josef Rose——客户成功经理（最终用户的人事经理）：管理受 AI 项目影响的最终用户
- 客户体验副总裁（执行发起人）：分配资源并排定 AI 项目优先级
- 安全与法务团队：确保 AI 项目道德、安全且合法地使用客户数据
- Becca 自己——技术团队：负责构建 AI 项目
项目利益相关者与战略利益相关者不同——项目利益相关者专注于该特定 AI 项目的实施，战略利益相关者管理公司级 AI 战略。在整个开发过程中定期与利益相关者沟通。
可视化成功——定义 SMART 目标
通过定义目标来可视化项目成功。目标是SMART的：具体（Specific）、可衡量（Measurable）、可实现（Achievable）、相关（Relevant）、有时限（Time-bound）。
Becca 与领导层一起定义了以下目标：
- 将入住时间减少 50%
- 保持客户满意度与项目前持平或更高
不要跳过这一步。没有适当的指标和 KPI，就无法评估项目成功。Becca 知道，减少入住等待时间会提高客户满意度，进而增加客户在度假村的消费。将 AI 与收入增长直接挂钩，展示高投资回报率，有助于为未来的 AI 项目争取支持。
考虑技术需求
启动 AI 计划时必须评估项目的技术需求。以下是需要回答的关键问题：
- 项目需要什么类型的 AI？预测型、生成式，还是两者兼有？
- 该解决方案是否需要与其他系统集成？
- 是否有可用的开箱即用解决方案可以定制，还是需要自行构建？
- 组织是否具备合适的内部技能？
- 将使用什么模型、编程语言、框架、库和工具？
- 如何在准确性与速度、复杂性与简洁性、创新与成本之间取得平衡？
如果在 Salesforce 中构建项目，需要启用 Data 360 和 Einstein Generative AI。
选择 AI 解决方案
Coral Cloud Resorts 已经在使用 Salesforce 处理客户入住，Becca 审视当前流程以识别 AI 优化机会：
当前流程（耗时、高接触）：员工手动创建入住记录，手动发送含个性化游览推荐的欢迎邮件。
Becca 的三部分 AI 解决方案：
- 使用 Flow 基于 Data 360 中最新的预订数据自动创建 Guest Event 记录
- 教授 Agentforce 通过对话语言启动该 Flow——员工只需说"为 Sofia Rodriguez 办理入住"即可
- 使用 Prompt Builder 自动生成个性化欢迎邮件，根据客户历史购买推荐游览项目
她选择 Einstein Generative AI + Agentforce + Flow + Prompt Builder，实现快速实施、低成本和 Salesforce 原生集成的完美结合。
AI 项目的各个阶段
构思（Ideate）阶段——本模块涵盖：定义要用 AI 解决的问题和成功衡量标准、评估技术和数据需求、识别功能和定制化方案、准备数据、构建信任策略、与利益相关者分享计划。
构建与测试（Build and Test）阶段——与构思阶段重叠：设置、定制或构建解决方案，进行试点并收集反馈，迭代优化解决方案。
部署（Deploy）阶段：向组织宣布变更、提供培训、测量基线指标、向所有最终用户推出、收集反馈、评估成功。部署后需要持续维护，收集定性和定量反馈并相应更新。
确定项目时间表
Becca 制定的样本时间表（实际时间因解决方案复杂度和数据准备情况而异）：
| 阶段 | 时间 |
|---|---|
| 构思 | 1 周 |
| 构建与测试 | 2-4 周（1-2 周构建 + 1-2 周测试） |
| 部署 | 1 周 |
总计 4-6 周即可完成一个范围明确的 AI 项目。数据准备情况可能显著增加时间——务必及早评估。
二、准备你的数据
学习目标
完成本单元后，你将能够：
- 解释如何识别和解决数据挑战
- 为项目定义数据需求
数据准备的重要性
组织需要数据就绪（Data-Ready）才能启动 AI 项目——即项目数据准确、可用、可访问且安全治理。数据质量是实施 AI 项目的巨大障碍，因为数据是 AI 算法的基础，高质量数据能提高 AI 系统的准确性、效率、可靠性和公平性。
在实施 AI 项目前解决数据质量问题至关重要。但不要追求完美数据而阻碍项目进展——与团队确定合理的数据准备目标，在构建阶段识别并解决影响 AI 输出的数据差距。
准备工作表：Predictive AI Data Prep Checklist 或 Generative AI Data Prep Checklist。
创建数据清单
Becca 知道获得项目数据完整视图的最佳方法是创建数据清单（Data Inventory）——帮助你管理多样化数据资产并识别潜在问题。
按以下步骤创建数据清单：
- 识别项目中需要什么数据
- 识别数据存储在哪里——数据类型（结构化/非结构化/半结构化）、刷新频率（实时/每小时/每天/每月/静态）、如何访问、是否已实施治理标准、有哪些可能引起挑战的数据考虑因素
Becca 审查了她的三步计划后确定所需数据：步骤 1 需要预订数据（外部平台 Reserv-o-matic），步骤 2 需要客户数据（Salesforce CRM），步骤 3 需要历史游览购买数据（Salesforce CRM）。
Coral Cloud 的数据清单
Becca 创建的数据清单：
| 数据名称 | 数据源 | 数据类型 | 更新频率 | 注意事项 |
|---|---|---|---|---|
| 联系人记录 | CRM | 结构化 | 每日 | 日期格式 MM/DD/YY |
| 预订记录 | Reserv-o-matic | 结构化 | 实时 | 日期格式 DD/MM/YY |
| 游览记录 | CRM | 结构化 | 每日 | 日期格式 MM/DD/YY |
预订日期与联系人和游览日期格式不一致，Becca 编写程序将预订日期统一转换为 MM/DD/YY 格式。
捕获项目的数据需求
项目的数据需求是实现成功所需的基础要求。理解数据需求可减少不必要的工作。Becca 的流程分为四个步骤：
1. 评估数据质量：识别数据不足的地方作为数据清洗目标。优先处理高优先级 + 低工作量的数据，再处理高优先级 + 高工作量的数据。Becca 意识到只需清洗未来的预订记录（只有这些会使用自动入住），大幅减少了工作量。
2. 迁移与集成数据：将多源数据引入集中源，整合为统一视图。只迁移和集成项目所需数据。Becca 删除了预订记录中的 Notes 字段（无标准格式、常为空），设置 Data Stream 从 Reserv-o-matic 导入数据，使用 Identity Resolution 将 Salesforce 中的 Sofia 与 Reserv-o-matic 中的 Sofia 匹配。
3. 建立数据治理：使用 Data 360 Governance 通过访问策略和动态数据掩码安全管理数据。
4. 规划分析：计算前台电脑操作时间对比入住前后变化，提供可选满意度调查对比实施前后评分。这些都是证明 ROI 的具体方式。
数据质量评估与迁移集成
评估数据质量：检查完整性（缺失字段、空值）、验证准确性（正确值、无重复）、确保一致性（跨源格式标准化）、验证及时性（数据按需刷新）。优先清理高优先级数据。
迁移与集成数据：
- 选择批量处理定时、非紧急数据
- 选择流式处理近实时需求
- 选择实时处理即时处理需求
- 考虑数据量和延迟需求
记录发现——它们将塑造你的集成架构。
建立数据治理与规划分析
建立数据治理：
- 定义数据所有权——谁对每个数据源负责？
- 设置访问策略——谁可以查看、编辑和使用数据？
- 确保合规——GDPR、HIPAA、行业法规
- 记录数据沿袭——数据从何而来、去往何处
规划分析：
- 你需要从数据中获得什么洞察？
- 哪些仪表板将衡量 AI 项目成功？
- 你将追踪哪些 KPI？
- 如何向利益相关者报告结果？
治理确保信任，分析证明价值。
解决数据挑战
评估数据后，在构建 AI 解决方案之前解决发现的问题：
- 修复数据质量问题——清洗、去重、标准化
- 建立数据管道实现持续摄取
- 配置身份解析实现统一画像
- 实施治理策略管理访问和合规
- 构建分析仪表板实现持续监控
数据挑战是正常的——每个组织都有。AI 成功与失败的区别在于是否在构建前解决它们。将问题数据转化为代理和模型可以信赖的可靠 AI 基础。
三、规划你的信任策略
学习目标
完成本单元后，你将能够：
- 通过评估 AI 风险创建风险画像
- 基于风险画像实施防护措施
信任入门——三大风险领域
AI 伴随一定风险。如何确保 AI 解决方案是道德、安全且负责任的？通过创建信任策略（Trust Strategy）——你缓解信任风险的计划，包括保护敏感数据、满足监管要求、保护公司声誉。
第一步：创建风险画像（Risk Profile）——告知你如何管理和优先排序项目风险。涵盖三大风险领域：
| 风险领域 | Becca 的评估 |
|---|---|
| 数据泄露 | 有人机交互环节，执行用户可能看到客人住宿信息（姓名、联系方式、信用卡）。Coral Cloud 有安全存储系统，但需额外控制措施 |
| 监管要求 | Coral Cloud 在欧盟运营，需遵守 GDPR。Becca 联系法务团队研究需遵守的其他法规 |
| 声誉损害 | 若 AI 生成的欢迎邮件包含冒犯性语言，Coral Cloud 会被视为不友好，失去现有和潜在客户 |
创建风险画像
基于评估，Becca 创建了量化风险画像（1=极低风险，5=极高风险）：
- 数据泄露：负面影响 4 分，可能性 3 分，代价 4 分
- 监管要求：负面影响 5 分，可能性 5 分，代价 5 分
- 声誉损害：负面影响 5 分，可能性 4 分，代价 4 分
优先排序：监管要求 → 声誉损害 → 数据泄露。针对每个风险规划管理策略。
风险画像包含五个要素：风险描述、可能性、影响程度、缓解措施、监控方式。记录并与利益相关者分享——透明度建立对 AI 实施的信任。
三类防护措施
了解风险后，实施 AI 防护措施（Guardrails）——确保 AI 项目合法、道德运行的机制：
技术防护（Technical Guardrails）：确保项目遵守法律法规，保护隐私数据和人权。包括安全数据检索（仅检索执行用户授权访问的数据）、数据掩码（在暴露给外部模型前替换敏感数据）、零数据保留（数据在任务完成后即消失）。
安全防护（Security Guardrails）：保护项目免受黑客技术攻击，如提示注入、越狱攻击等——这些攻击可使模型暴露敏感信息或生成不真实/有害的回复。
道德防护（Ethical Guardrails）：保持项目符合人类价值观。包括毒性检测（识别仇恨、辱骂、亵渎 HAP 内容）和偏见检测（反映有害刻板印象的内容）。毒性或偏见可能表明数据引入了不需要的语言和观念。
Coral Cloud 的信任策略
Becca 的信任策略构建在 Einstein 信任层（Trust Layer）之上——Salesforce 生态系统中保护数据隐私、增强 AI 准确性、促进负责任 AI 使用的功能、流程和策略集合。使用 Einstein 生成式 AI 功能时，项目会自动通过信任层。
数据泄露防护策略：
- 防止未授权用户访问受保护信息
- 使用数据掩码保护客人姓名、联系方式和信用卡信息
- 功能：安全数据检索与扎根、数据掩码
- 结果：无权限用户无法通过提示访问预订详情，敏感信息不会进入第三方 LLM
声誉损害防护策略：
- 使用系统策略告诉 AI 如何应对意外提示，保护免受技术攻击
- 功能：提示防御（Prompt Defense）
- 结果：攻击无效，例如非 Coral Cloud 系统内人员尝试办理入住，AI 不会生成回复
总结与后续
Becca 完成项目规划，准备进入构建阶段。关键要点回顾：
- 项目启动：识别利益相关者、定义 SMART 目标、选择技术方案——Becca 用 Flow + Agentforce + Prompt Builder 三部分方案实现自动化入住
- 数据准备：创建数据清单、评估质量、清洗格式不一致问题、设置 Data Stream 和身份解析——只处理未来预订，大幅减少工作量
- 信任策略：量化三大风险领域、实施三类防护措施、依托 Einstein 信任层——数据掩码 + 安全检索 + 提示防御
风险缓解不是一次性任务——实施后持续监控和审计，审查毒性评分和反馈，及早识别问题趋势并做出调整。
继续跟进 Becca 的项目：Connect Data 360 to Agentforce and Prompt Builder。实施前务必完成 Change Management for AI Implementation。