AI团队中不可或缺的六个角色
作者:编辑部
2022-08-29
摘要:你能在全球危机中建立新的技术能力吗?答案是肯定的。如果你对你的员工做出正确的决定。

比方说,你已经被卖给了人工智能:你已经让自己和你的高管团队接受了人工智能基础知识的培训;你已经研究了用例;优先考虑了可以与人工智能解决方案相一致的业务痛点;并拨出资金启动了几个试点。

但COVID-19危机让你精心制定的计划陷入了困境,现在你进入了救火模式。"不要让危机白白浪费 "这句话特别有道理,因为公司将创新机会置于次要位置。今天,客户的期望值比以往任何时候都要高,公司必须迅速行动起来,以提供服务。现在是重塑产品并为客户带来价值替代方案的时候了。技术将加速经济复苏,因此企业必须在这一时期加强数据和数字能力--否则将长期受挫。

因此,如果你准备开始组建你的人工智能角色阵容,你需要谁?你应该寻找哪些技能组合来构建企业的AI努力?

 以下是你的AI团队中需要的六个角色

战略家

与流行的观点相反,你的第一个雇员不应该是数据科学家。它应该是一个比数据科学家更难找的人:数据战略家。这是一个了解业务如何运作,以及技术和数据科学如何共同工作的人。这个人作为业务线和技术之间的桥梁,推动试点项目,提供可衡量的投资回报率。

数据工程师

还记得经常被引用的格言 "数据就是新石油 "吗?那么,你的数据工程师就是你的矿工。这个人负责从各种来源收集数据,然后准备和转换这些输入。在我们的COMA框架中,工程师的工作是编译、组织和(有时)处理数据,这可能是耗时的。值得庆幸的是,今天,像Trifacta和Forge.AI这样的初创公司提供了解决方案,以更高效的方式清理、标记和移动数据。在招聘数据工程师时,请寻找强大的编码和工程技能,如SQL,Python,C++和Java。

数据建模师

数据建模者通常具有很强的数学和统计技能,他们寻找数据模式来预测结果(请记住:AI的核心是模式和预测)。这个人还会建立和训练模型来确定购买倾向、流失可能性等事件。

科技巨头往往会抢购数学和统计学博士,所以初创公司提供现成的模型作为替代。在走这条路之前,请看我们下面的建议。这个人将原型代码转换为生产,建立一个云环境来部署模型。其他任务涉及管理版本控制,改善响应时间和构建API。寻找云专业知识和软件工程技能。

基础设施和规模建设者

把这个角色看成是为房子提供电线和管道。这个人建立数据库来存储数据并方便访问,以及维护安全和隐私。强大的软件工程技能和对云技术的熟练程度是必须的。

数据分析师/可视化人员

这个角色的任务是评估模型的性能和商业价值的后期制作。此人可以建立A/B或多变量测试,以衡量不同变量的影响。数据可视化人员可以创建仪表盘,并将数据转化为可操作的业务见解。寻找R或Tableau等软件的专业知识,尽管像Qlik和ThoughtSpot这样的初创公司可以在整个企业中实现非专业人员的可视化。

 常见错误

一个经常犯的错误是,将更多的资源集中在寻找数据建模人员上,而不是数据工程师、生产人员和基础设施建设者。由于后者的任务发生在幕后,他们的工作往往不如建模人员那么明显,也不被高管理解。请记住,工程师与科学家的比例通常可以是3:1或5:1,这取决于公司和计划的架构数据复杂性。

虽然任务可能会有交叉,并且某些配置文件可以执行多个角色(取决于技能组合和可用工具),但要小心期待数据建模人员做数据工程角色。这可能导致技术 "债务"。数据建模人员可能没有足够的经验来编写可在生产中扩展的应用程序,而这恰恰是工程师和生产构建人员接受培训的目的。

当数据工程师处理数据建模时,也可能发生相反的情况。在这里,统计人员要接受关于模型准确性和相关性(即为工作挑选正确的模型)、消除偏差和版本化的专门培训。这些方面对于工程师来说,就不太属于核心竞争力了。

最终,一个全栈工程师或科学家可以开发端到端的专业知识。的确,这是非常有价值的。然而,请记住,对于具有数据和生产孤岛的大型组织,一个人是不够的。团队仍然需要根据公司的业务目标、AI计划和数据架构来设计。

那么,你在哪里找到这些人呢?

备选方案1:借款途径

如果因为COVID-19而出现招聘冻结,或者你的企业负担不起顶尖人才所要求的薪水,你可以将工作外包给顾问或公司。像Experfy这样的公司提供数据团队的雇佣。出售模型的初创公司也比比皆是,但在雇佣出售模型的外部供应商时,请检查是否有。

行业知识 这一点非常重要。数据的细微差别非常关键,使用的词汇也需要相关。如果没有适当的行业知识,性能可能会受到质疑。你需要探究引擎盖下的情况,因为一个现成的模型在生产中的表现是不一样的。需要有行业经验才能知道其中的区别

验证频率。数据会变质,业务环境会发生变化。询问公司多久重新验证一次模型。确保至少每年一次。

数据合规性。需要遵守数据收集隐私、道德和法规,否则你的企业可能会因不合规而受到惩罚。

方案2:构建路线

如果您的目标是将您的组织转变为一个数据优先的企业,这是一条理想的路线。它在短期内需要更多的时间和资源,但从长远来看,它可以让你获得红利。要建立,你应该。

提高现有员工的技能 如果你没有合适的技能,可以考虑聘请外部机构来培训你现有的团队,或者将你的人才库送到数据营。例如,可以将软件工程师提升为机器学习工程师,以便任务自动化。确保你选择一个精通正确培训技能的培训合作伙伴。像Coursera和Udacity这样的在线MOOCs也可以是一个选择。只是要注意将理论与实际的在职培训相结合。

投资合适的工具。AI工具已经变得越来越复杂。从像Domo这样的可视化器到H2O.AI和Databricks这样的AI平台,这些工具正在降低基础设施和人才的投资成本。它们也在启用 "公民数据科学家",即不懂代码但能将数据与洞察力和行动联系起来的人。

组建你的 "AI海军陆战队"。有了合适的人才和工具组合,你可以创建一个卓越中心。这个团队可以轮流进出业务部门,以确定快速赢利并交叉培训各个业务线。这可以让你以集中的方式将数据科学和人工智能注入到你的组织中。随着时间的推移,随着每个业务部门建立其能力,AI海军陆战队可以被吸收到更广泛的企业中,而不需要仅仅作为一个独立的狙击团队存在。

你的数据策略师将是决定正确策略和上述战术组合的关键,以适当地建立起你的内部能力,所以先找到这个人。

然后呢?

不要忘了你的配角。你的执行委员会、业务部门赞助商和治理团队都要发挥关键作用。你的人工智能团队可以推出计划,但要确保这些计划在正确的业务背景下有正确的框架、结构和嵌套,然后启用以获得最大的投资回报率,这取决于支持性演员。请记住,你不能购买也不能简单地雇用人工智能 - 艰苦的工作发生在内部。

此外,如果你的企业对数据优先的转型很认真,可以考虑聘请一名教练,以促进向新的决策和工作习惯的过渡。


热门文章