隨著企業越來越多地轉向人工智能和機器學習，有關如何在現實世界中成功使用人工智能的圖景逐漸變的清晰。而在科技巨頭和早期采用者的小圈子之外，一系列不同的技能和方法正在成為企業人工智能團隊的必備技能。
不是每個組織都能與谷歌和Facebook等公司競爭頂級的人工智能人才。公司需要尋找的也不僅僅是數據科學博士。為了滿足他們的業務需求，組建AI團隊的CIO們正在尋找適合自己的專業知識、軟件工程技能以及將學習算法轉化為實際業務價值的能力。在這方面，機器學習技術的進步正在幫助他們鋪平道路。
“現在，我們看到了這種轉變。”普華永道新興技術主管Scott Likens表示。”在一些被廣泛使用的ML中，有很多非常成熟和商品化的解決方案，許多大型提供商也都有可用的算法和人工智能模型。你能從中拼湊出你所需要的東西，所以你只需要尋找一些高級終端軟件工程師將這些不同的算法粘合在一起即可。”
他說，現在公司需要的不再是雇傭高級博士來創建新的模型，而是尋找混合團隊來獲得正確的數據，并選擇正確的模型來做出正確的決策。
以下是幾個關于組織如何組建人工智能團隊來解決業務問題，以及一些使用人工智能獲得成功所需技能的介紹。
一個成功的人工智能團隊的角色組成
Splice Machine首席執行官兼聯合創始人、人工智能專家Monte Zweben說，一個平衡的人工智能項目團隊將包括三個關鍵人物。
首先，是可以把公司收集的信息轉化成人工智能和ML系統可接收數據的數據工程師。
其次，是一位具有領域專業知識的數據科學家，比如說，他知道什么樣的天氣會影響發貨計劃，或者哪些特殊的機械問題會影響維護計劃。數據科學家還需要能夠測試不同的算法，看看哪種算法表現最好，然后在需要得到有價值的預測時調整它們。
最后，需要一個軟件開發人員，他可以將所有這些集成到實際的應用程序中去。
“這些是我們正在尋找的技能組合，”Zweben說。
對于許多組織來說，人工智能的成功更多地是如何平衡這三個關鍵要素，而不是聘用的博士數量。
混合團隊的力量
在線營銷公司Urban Airship提供了一個教科書式的例子，說明了成功的組織是如何接近并使用人工智能的。七年前，當公司開始考慮使用人工智能時，它聘請了一位博士。
“我們引入的第一個機器學習模型是關于影響力的，”公司的產品和工程高級副總裁Mike Herrick說。追蹤一個人是否點擊了電子郵件中的鏈接很容易。但要想追蹤他們以后是否會訪問這個網站，以及是否會通過其他渠道訪問，則要困難許多，這也是引入機器學習開始的地方。
Urban Airship的營銷平臺代表企業客戶接觸了超過10億用戶，因此有很多數據可供使用。隨著時間的推移，該公司已經將其人工智能團隊擴大到了3名數據科學博士和15名將數據科學應用到工作中的工程師。
Herrick說，即使公司雇傭的數據科學家也不是單純的理論家。“他們也會動手實踐。他們不是純學術理論的人。如果你只有理論，你可能會花很多錢，卻一無所獲。”
Urban Airship選擇利用現有的機器語言技術、開源庫和云服務。“我們一般不會發明新的低層次技術，”他說。“我們對純理論既沒有興趣，也沒有去研究的動力。”
他表示，在公司中實踐人工智能項目所需的技能不僅包括數據科學技能，還包括產品管理、用戶界面設計、軟件工程和產品營銷。“AI和ML真的需要一個跨職能的團隊來交付這種技術。”
最近的主要人工智能項目包括了找出發送營銷信息的最佳時間——不是一般意義上說的“周一早上往往最有效”，而是從某一特定個體的角度上來說的——“John Smith更喜歡在周四下午看這些類型的信息。”
該項目需要與Urban Airship的客戶進行溝通，以了解他們需要什么。他說，這些采訪的結果是，人工智能團隊最終朝著與他們最初想法截然不同的方向前進，但最終獲得了回報。
Herrick表示，一些測試版客戶的回復率因此增加了一倍。顧客們還喜歡這樣一個事實，那就是電子郵件現在可以及時地被分散開來了。
Herrick說:“當他們同時發送特價通知時，會導致他們的系統被用戶淹沒。”。
網絡安全供應商Demisto在構建AI和ML項目時也使用了混合團隊。
該公司的聯合創始人Rishi Bhargava說:“我們會雇傭具有人工智能專業知識的員工——數據科學、機器語言開發人員——并將他們與擁有現有產品知識和軟件能力的員工配對”。“這可以確保配對中的員工可以互相學習，提高他們的技能，并隨著時間的推移獲得全面的專業知識。”
他說，孤立的人工智能體驗雖然也有其價值，但代表著喪失了為組織提供真正利益的潛力。
AI架構師的崛起
麻省理工學院信息與決策系統實驗室的首席研究員Kalyan Veeramachaneni說，在企業AI項目中，數據科學家博士不再是最有價值的參與者了。
他說，傳統上，公司從更理論化的角度來看待機器學習項目。“‘我們有數據嗎?我們可以用它來做點什么?哦，我們可以預測一些事情。'但他們從未真正的付諸實踐。”
公司需要有機器學習經驗的人。
“但我認為缺少的是ML架構師，他可以將所有的部分組合在一起，唯一的目標是部署機器學習模型并將其應用到業務用例中去，”他補充說，在尋找合適的候選人時，公司應該詢問他們實際部署了多少模型，以及他們能夠產生多少商業價值。
他表示，企業經常犯的一個錯誤是，試圖效仿一些最知名的人工智能部署方案，即那些涉及大型實時數據集的部署案例。他說，大多數公司需要不同種類的ML算法，這些算法才適合他們實際擁有的數據。
一個ML架構師會知道其中的區別，并為任務部署正確的算法。
“頂級公司正在構建的基礎設施和工具可能沒有任何意義，”他說。“這些工具是用來解決大公司面臨的問題的。你最終可能會在這個工具上花費大量的時間和金錢。很多時間花在了學習和安裝上，這是一個巨大的浪費。”
提升人工智能所需的技能
一些人工智能工具可能更適合技術巨頭，但一些人工智能工具的民主化也對組織如何利用人工智能來解決業務需求產生了影響。
九個月前，為醫療行業提供服務和軟件的佛羅里達州Optima醫療解決方案公司，開始尋找簡化一些重復任務的方法，具體來說，就是將征求建議書匯總在一起。
該公司首席信息官Jason James說:“所提的絕大多數問題都被重復了很多遍”。
傳統的解決方案是將之前的問題列表和答案合并到一個可搜索的數據庫中。但那將需要手動從pdf文件、Word文檔、電子表格、電子郵件和許多其他可以找到問題和答案的位置中提取所有信息。
后來，該公司決定使用機器學習來掃描相關文件，并提出可能的答案。然后，員工會審查這些答案，并在需要更多信息時與相關公司的專家進行跟進。
由于這是該公司的第一個機器學習項目，Optima醫療公司正在從零開始。然而，James并沒有急于雇傭人工智能專家和數據科學博士。
“顯然，在AI中的確有一些用例需要數據科學家，”他說。“但是這些工具已經到了可以交給DevOps的地步了。”
相反，更重要的是團隊要對公司需要什么、如何收集信息、信息存儲在哪里以及如何使用這些信息有深刻的理解。
因此，項目團隊由現有的Optima醫療保健開發人員組成。
“我們的一些人已經掌握了Python的基本技能，”James說。Python是機器學習和人工智能最流行的語言之一，但是團隊成員必須在基本的Python編程和特定的機器語言能力上跟上進度。
這一階段的過程大約花了兩個月的時間，主要是因為員工沒有得到專門的培訓時間，而同時又要將其融入到其他項目中。James說Optima使用了在線學習平臺pluralish，以及其他的培訓資源。
考慮到開發人員已經掌握了多種編程語言，加快Python編程的速度是很容易的。但是機器學習部分則比較困難，因為Optima不僅要使用現有的庫并讓它們工作，還要構建自己的庫。
James說:“早期會有很多失敗的例子”。“但學習任何新東西的一部分就是要及時構建并應對失敗。”
五個月后，新工具開始運行了。現在，申請提案的時間從過去一周縮短到了兩天。James說，他預計，隨著系統變得越來越智能化，這個過程會加快得更多。
接下來，James說，一個類似的方法將被用來為公司的產品添加更多的智能。
“我們認為與我們的競爭對手相比，這將是一個重大的技術優勢，”他說。“早期接受這一點的公司將獲得競爭優勢，并且現在他們必須得接受了。”
數據素養:充分利用人工智能的核心業務技能
隨著AI和ML工具變得更加用戶友好，公司開始在商業平臺上構建AI或ML系統，而不是從頭構建，并讓更多的業務員工參與處理這些項目。
波士頓分析軟件公司ThoughtSpot的首席數據專員Doug Bordonaro說，對于這些員工來說，關鍵的技能就是掌握基本的統計數據。在加入ThoughtSpot之前，他領導著迪斯尼和美國在線的數據團隊。
“把數據素養看作是一個商業問題，而不是技術問題，”他說。“有了人工智能，與數據交互的大多數技術需求都在下降，這使得它比以前更像是一種業務需求了。”
普華永道的Likens表示，一些企業將從使用外部供應商的產品和組件中獲得巨大收益。“這可能有助于降低成本，更快地做出決策，并有助于做出他們以前無法做出的決策。”
他表示，鑒于目前的AI和ML人才市場，組建一個內部人工智能團隊的成本很高。但是，進行這種投資可以幫助公司在市場上脫穎而出，并針對自己的業務需求進行優化。
京公網安備 11010502049343號