微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 技术不是AI落地的最大挑战,「人才」才是

技术不是AI落地的最大挑战,「人才」才是

2021-09-22 11:44
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2021-09-22 11:44 科技行者

技术不是AI落地的最大挑战,「人才」才是

图:Getty

传统公司的高管在开始部署人工智能(AI)和机器学习(ML)时往往认为,挑战主要是技术问题,而在寻找内部数据源进行分析和选择正确的工具时尤其是这样。但他们可能没想到他们的传统公司已经拥有丰富的数据。

一般来说,传统公司的运营和客户互动在公用事业和采矿业、运输和航运、金融服务等领域都已经生成了大量的数据。这些数据可以用于解决非常广泛的问题,例如解决优化供应链、预测维护、减少事故、增加产量、提高运营效率、提高收入生产率以及增加客户价值等方面的问题。

然而世界各地的传统公司通常很快发现,要利用人工智能将这些机会变为现实,他们最大的问题不是技术,而是人才。

企业对数据科学家和分析师的需求非常强烈,而且需求持续超过供应。亚马逊、脸书、谷歌和其他科技领导者雇用了大量的数据科学家并为他们提供精彩的挑战和引人注目的机会。而从一个具有领先人工智能能力的敏锐数据科学家的角度来看,一个有100年历史的制造拖拉机、生产电器、经营发电厂或运输集装箱的公司相比之下可能就显得很 “乏味”。

此外,传统公司往往不是位于主要的科技中心(如硅谷、西雅图、奥斯汀、纽约或洛杉矶),所有这些都会令传统公司更难找到他们需要的数据科学家。解决方案是——外部招聘和内部建设双管齐下的人才战略。

利用有趣的问题招聘人才

传统企业为了吸引数据科学家,可以而且应该将重点放在为他们提供令人信服的、独特的和真实世界的商业问题上。Dataiku销售工程总监Grant Case是基于人工智能和机器学习的企业应用的领导者,他积极开展与澳大利亚和新西兰的传统企业的合作。他告诉笔者,“我们需要为数据科学家提供有趣的问题,让他们去研究并转化为价值。神奇发生的地方在于此。”

几乎所有行业的每个传统公司里都存在非常复杂的问题和难题,因为复杂因此也非常有趣,这就为充满好奇心的数据科学家提供了大好机会,例如:

  • 在由于天气原因需关闭多个航运枢纽时调度异常复杂的航空系统
  • 在一个分布式、多方向、生产、传输和存储的世界里优化电网和存储
  • 预测事故达到减少工伤的目的
  • 对每天全球航运网络和供应链里数以百万计的集装箱进行实时优化
  • 最大限度地提高单位平方尺土地的作物产量

Berian James是全球航运巨头Maersk的数据科学和人工智能负责人,他将优化他们的航运网络描述为“一个非常有趣的数据科学问题”。

Maersk利用人工智能和机器学习解决广泛的问题和抓住各种机会,例如为旗下客户的货物提供“抵达情报”或推动公司的脱碳工作等等。

假如高管们停下来想一想,其实几乎每个传统企业都可以提供奇妙的业务问题、各种其他问题和挑战,这些都可以激发数据科学家和人工智能人才的求知欲以及挑战他们的技术能力。因此,新的传统企业招聘所需人才的最佳做法就是利用这些有趣的问题,为数据科学家提供新的机会,他们则亲手处理各种问题,在解决有吸引力的独特业务问题方面发挥影响。这样的场景可能比成为Facebook、苹果、Netflix、Alphabet和类似公司众多员工中的最新一员更具有吸引力。

培养本土人才,正确的能力与商业理解相结合

从外部聘请数据科学家并不是唯一的解决方案。也可以利用内部人才发展数据科学和人工智能的能力,这个方法往往更快、更容易、更有成效,而且对于广泛的业务目的来说也绰绰有余,当然这并非每一种情况都可以用的答案。

一些具有正确的能力和兴趣的内部主题专家了解内部业务,可能比去公司外部聘请数据科学家更可取和更能发挥作用,虽然外部聘请数据科学家的技术上先进,但他们可能不熟悉行业和具体业务或公司的问题和挑战。笔者听说过很多传统公司高管的故事,他们聘请了数据科学家,满怀希望地将他们融合到业务中,而当事实证明很难将这些数据科学家与业务管理和流程相结合时,他们不免感到失望。

虽然内部培养的人才在解决最棘手的问题时可能无法取代高端数据科学家,但他们往往可以大大推进公司的人工智能和机器学习的应用并产生实质性的商业价值。在传统公司内发现的一些学科特别适合发展人工智能和机器学习的专业知识。各种类型的工程师、运营研究人员、物理科学家、收入经理和其他人通常都具有技术基础、定量能力以及能熟练地处理数据和对知识具好奇心,这些令他们能够学习如何应用人工智能和机器学习并提高这方面的能力。

Case举了一个钢铁公司的例子,该钢铁公司的化学家和冶金学家面临的生产挑战可以用数据和人工智能解决。他告诉笔者,“你可以找到那些在职业生涯中进取的有才华的人,通过正确的培训将他们武装起来。”此外,这些人通常有一个重要的优势,他们了解业务,因此,具有企业领导人认可度。

解决人的问题

笔者和各种传统公司的一些致力于人工智能和机器学习应用的高管交谈过,很明显,最大的挑战是文化,要将数据科学和人工智能与业务管理和流程联系起来寻找所需的人才尤其是最大的挑战。主要的挑战并非技术问题。这些公司的高管告诉笔者,持续的挑战是找到合适的人并将他们与人工智能应用一起纳入企业的实际工作中。

上述观点表明,利用数据科学和人工智能实现实际收益亟需熟练的业务领导。高级领导人必须了解驱动和促成数据科学家的真正因素,只有这样他们的公司才能吸引人才、促进人才的成长并在传统业务中整合这些人才,进而创造商业价值。

分享至
0赞

好文章,需要你的鼓励

推荐文章
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-