一个成功的AI团队应该是怎样的

　　随着企业越来越多地转向人工智能和机器学习，有关如何在现实世界中成功使用人工智能的图景逐渐变的清晰。而在科技巨头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为企业人工智能团队的必备技能。

　　不是每个组织都能与谷歌和Facebook等公司竞争顶级的人工智能人才。公司需要寻找的也不仅仅是数据科学博士。为了满足他们的业务需求，组建AI团队的CIO们正在寻找适合自己的专业知识、软件工程技能以及将学习算法转化为实际业务价值的能力。在这方面，机器学习技术的进步正在帮助他们铺平道路。

　　“现在，我们看到了这种转变。”普华永道新兴技术主管Scott Likens表示。”在一些被广泛使用的ML中，有很多非常成熟和商品化的解决方案，许多大型提供商也都有可用的算法和人工智能模型。你能从中拼凑出你所需要的东西，所以你只需要寻找一些高级终端软件工程师将这些不同的算法粘合在一起即可。”

　　他说，现在公司需要的不再是雇佣高级博士来创建新的模型，而是寻找混合团队来获得正确的数据，并选择正确的模型来做出正确的决策。

　　以下是几个关于组织如何组建人工智能团队来解决业务问题，以及一些使用人工智能获得成功所需技能的介绍。

　　一个成功的人工智能团队的角色组成

　　Splice Machine首席执行官兼联合创始人、人工智能专家Monte Zweben说，一个平衡的人工智能项目团队将包括三个关键人物。

　　首先，是可以把公司收集的信息转化成人工智能和ML系统可接收数据的数据工程师。

　　其次，是一位具有领域专业知识的数据科学家，比如说，他知道什么样的天气会影响发货计划，或者哪些特殊的机械问题会影响维护计划。数据科学家还需要能够测试不同的算法，看看哪种算法表现最好，然后在需要得到有价值的预测时调整它们。

　　最后，需要一个软件开发人员，他可以将所有这些集成到实际的应用程序中去。

　　“这些是我们正在寻找的技能组合，”Zweben说。

　　对于许多组织来说，人工智能的成功更多地是如何平衡这三个关键要素，而不是聘用的博士数量。

　　混合团队的力量

　　在线营销公司Urban Airship提供了一个教科书式的例子，说明了成功的组织是如何接近并使用人工智能的。七年前，当公司开始考虑使用人工智能时，它聘请了一位博士。

　　“我们引入的第一个机器学习模型是关于影响力的，”公司的产品和工程高级副总裁Mike Herrick说。追踪一个人是否点击了电子邮件中的链接很容易。但要想追踪他们以后是否会访问这个网站，以及是否会通过其他渠道访问，则要困难许多，这也是引入机器学习开始的地方。

　　Urban Airship的营销平台代表企业客户接触了超过10亿用户，因此有很多数据可供使用。随着时间的推移，该公司已经将其人工智能团队扩大到了3名数据科学博士和15名将数据科学应用到工作中的工程师。

　　Herrick说，即使公司雇佣的数据科学家也不是单纯的理论家。“他们也会动手实践。他们不是纯学术理论的人。如果你只有理论，你可能会花很多钱，却一无所获。”

　　Urban Airship选择利用现有的机器语言技术、开源库和云服务。“我们一般不会发明新的低层次技术，”他说。“我们对纯理论既没有兴趣，也没有去研究的动力。”

　　他表示，在公司中实践人工智能项目所需的技能不仅包括数据科学技能，还包括产品管理、用户界面设计、软件工程和产品营销。“AI和ML真的需要一个跨职能的团队来交付这种技术。”

　　最近的主要人工智能项目包括了找出发送营销信息的最佳时间——不是一般意义上说的“周一早上往往最有效”，而是从某一特定个体的角度上来说的——“John Smith更喜欢在周四下午看这些类型的信息。”

　　该项目需要与Urban Airship的客户进行沟通，以了解他们需要什么。他说，这些采访的结果是，人工智能团队最终朝着与他们最初想法截然不同的方向前进，但最终获得了回报。

　　Herrick表示，一些测试版客户的回复率因此增加了一倍。顾客们还喜欢这样一个事实，那就是电子邮件现在可以及时地被分散开来了。

　　Herrick说:“当他们同时发送特价通知时，会导致他们的系统被用户淹没。”。

　　网络安全供应商Demisto在构建AI和ML项目时也使用了混合团队。

　　该公司的联合创始人Rishi Bhargava说:“我们会雇佣具有人工智能专业知识的员工——数据科学、机器语言开发人员——并将他们与拥有现有产品知识和软件能力的员工配对”。“这可以确保配对中的员工可以互相学习，提高他们的技能，并随着时间的推移获得全面的专业知识。”

　　他说，孤立的人工智能体验虽然也有其价值，但代表着丧失了为组织提供真正利益的潜力。

　　AI架构师的崛起

　　麻省理工学院信息与决策系统实验室的首席研究员Kalyan Veeramachaneni说，在企业AI项目中，数据科学家博士不再是最有价值的参与者了。

　　他说，传统上，公司从更理论化的角度来看待机器学习项目。“‘我们有数据吗?我们可以用它来做点什么?哦，我们可以预测一些事情。'但他们从未真正的付诸实践。”

　　公司需要有机器学习经验的人。

　　“但我认为缺少的是ML架构师，他可以将所有的部分组合在一起，唯一的目标是部署机器学习模型并将其应用到业务用例中去，”他补充说，在寻找合适的候选人时，公司应该询问他们实际部署了多少模型，以及他们能够产生多少商业价值。

　　他表示，企业经常犯的一个错误是，试图效仿一些最知名的人工智能部署方案，即那些涉及大型实时数据集的部署案例。他说，大多数公司需要不同种类的ML算法，这些算法才适合他们实际拥有的数据。

　　一个ML架构师会知道其中的区别，并为任务部署正确的算法。

　　“顶级公司正在构建的基础设施和工具可能没有任何意义，”他说。“这些工具是用来解决大公司面临的问题的。你最终可能会在这个工具上花费大量的时间和金钱。很多时间花在了学习和安装上，这是一个巨大的浪费。”

　　提升人工智能所需的技能

　　一些人工智能工具可能更适合技术巨头，但一些人工智能工具的民主化也对组织如何利用人工智能来解决业务需求产生了影响。

　　九个月前，为医疗行业提供服务和软件的佛罗里达州Optima医疗解决方案公司，开始寻找简化一些重复任务的方法，具体来说，就是将征求建议书汇总在一起。

　　该公司首席信息官Jason James说:“所提的绝大多数问题都被重复了很多遍”。

　　传统的解决方案是将之前的问题列表和答案合并到一个可搜索的数据库中。但那将需要手动从pdf文件、Word文档、电子表格、电子邮件和许多其他可以找到问题和答案的位置中提取所有信息。

　　后来，该公司决定使用机器学习来扫描相关文件，并提出可能的答案。然后，员工会审查这些答案，并在需要更多信息时与相关公司的专家进行跟进。

　　由于这是该公司的第一个机器学习项目，Optima医疗公司正在从零开始。然而，James并没有急于雇佣人工智能专家和数据科学博士。

　　“显然，在AI中的确有一些用例需要数据科学家，”他说。“但是这些工具已经到了可以交给DevOps的地步了。”

　　相反，更重要的是团队要对公司需要什么、如何收集信息、信息存储在哪里以及如何使用这些信息有深刻的理解。

　　因此，项目团队由现有的Optima医疗保健开发人员组成。

　　“我们的一些人已经掌握了Python的基本技能，”James说。Python是机器学习和人工智能最流行的语言之一，但是团队成员必须在基本的Python编程和特定的机器语言能力上跟上进度。

　　这一阶段的过程大约花了两个月的时间，主要是因为员工没有得到专门的培训时间，而同时又要将其融入到其他项目中。James说Optima使用了在线学习平台pluralish，以及其他的培训资源。

　　考虑到开发人员已经掌握了多种编程语言，加快Python编程的速度是很容易的。但是机器学习部分则比较困难，因为Optima不仅要使用现有的库并让它们工作，还要构建自己的库。

　　James说:“早期会有很多失败的例子”。“但学习任何新东西的一部分就是要及时构建并应对失败。”

　　五个月后，新工具开始运行了。现在，申请提案的时间从过去一周缩短到了两天。James说，他预计，随着系统变得越来越智能化，这个过程会加快得更多。

　　接下来，James说，一个类似的方法将被用来为公司的产品添加更多的智能。

　　“我们认为与我们的竞争对手相比，这将是一个重大的技术优势，”他说。“早期接受这一点的公司将获得竞争优势，并且现在他们必须得接受了。”

　　数据素养:充分利用人工智能的核心业务技能

　　随着AI和ML工具变得更加用户友好，公司开始在商业平台上构建AI或ML系统，而不是从头构建，并让更多的业务员工参与处理这些项目。

　　波士顿分析软件公司ThoughtSpot的首席数据专员Doug Bordonaro说，对于这些员工来说，关键的技能就是掌握基本的统计数据。在加入ThoughtSpot之前，他领导着迪斯尼和美国在线的数据团队。

　　“把数据素养看作是一个商业问题，而不是技术问题，”他说。“有了人工智能，与数据交互的大多数技术需求都在下降，这使得它比以前更像是一种业务需求了。”

　　普华永道的Likens表示，一些企业将从使用外部供应商的产品和组件中获得巨大收益。“这可能有助于降低成本，更快地做出决策，并有助于做出他们以前无法做出的决策。”

　　他表示，鉴于目前的AI和ML人才市场，组建一个内部人工智能团队的成本很高。但是，进行这种投资可以帮助公司在市场上脱颖而出，并针对自己的业务需求进行优化。