Фреймворк AI Talent Strategy Framework для предприятий

Совет сделал искусственный интеллект главным стратегическим приоритетом для вашей компании и готов вкладывать деньги в свои дела. Хорошо. Есть ли у нас подходящие люди для реализации стратегии? Кого мы обучаем и как? Каких людей мы нанимаем и как?

В этой статье мы предлагаем схему принятия решений, которая поможет вам внести ясность в сложную паутину вариантов, связанных с вашей стратегией талантов ИИ.

Стратегия управления талантами ИИ

Итак, как же выглядит хорошая корпоративная стратегия развития талантов в области искусственного интеллекта? Чтобы помочь определить потребности вашей компании, мы создали простую структуру AI Talent Strategy Framework.

Мы рассмотрим другие аспекты ИИ-трансформации компании в других статьях, но когда дело доходит до ИИ-талантов, компаниям следует рассматривать следующие три аспекта:

  1. Роли
  2. Организация
  3. Сотрудничество

Давайте углубимся в каждый из этих столпов.

1. Роли

Специалисты по данным и единороги

Первый вопрос, на который нужно ответить: какие роли должны быть определены и должны быть разработаны в компании для успешной поддержки деятельности в области ИИ и науки о данных?

Если вы находитесь на ранней стадии трансформации ИИ, скорее всего, вы используете свои традиционные ресурсы аналитиков данных. Это означает, что они, вероятно, используют «дедуктивные» методы для изучения и обобщения данных. В этом нет ничего плохого, но вы, вероятно, не сможете извлечь всю информацию, доступную в ваших данных, для принятия конкретных решений. Профессионал, обученный современным методам машинного обучения, может начать использовать более «индуктивные» методы и начать использовать ваши данные для создания новых продуктов, улучшения существующих или повышения эффективности ваших процессов.

Теперь те компании, которые начали нанимать специалистов по данным, чтобы получить больше пользы от своих данных, быстро пришли к пониманию того, что их организациям предстоит решить ряд проблем, прежде чем эти специалисты по данным смогут действительно принести какую-либо ценность для бизнеса. Лучшее представление об этой ситуации было представлено Д. Скалли и др. в их теперь уже известной статье 2015 года Скрытый технический долг в системах машинного обучения. Ниже приведена потрясающая визуализация, которую они предоставили в своей статье, чтобы показать, сколько работы осталось после того, как вы освоите код машинного обучения.

Снова и снова мы видим, как компании проигрывают в гонке за единорогами, полагая, что, заплатив большие деньги за очень умные ресурсы типа PhD, они решат все проблемы с данными, с которыми сталкивается компания, и выведут свою компанию вперед. Как красноречиво показывает приведенная выше визуализация, вам нужно гораздо больше, чем горстка первоклассных специалистов по данным, если вы пытаетесь извлечь коммерческую ценность из океана данных, которые ваша компания может собирать в хранилищах данных, озерах и т.п.

Вам нужна команда.

Роли данных

Организации, достигшие беглости данных, не только четко систематизировали и стандартизировали 5 следующих ролей данных на предприятии, но и создали механизмы, обеспечивающие непрерывное обучение своих сотрудников для этих ролей:

  • Инженер данных. Хранение данных в озере данных и наличие качественных данных, готовых для алгоритмов машинного обучения, — это две большие разницы. Компании, пытающиеся заниматься машинным обучением, очень хорошо это знают, и список ссылок, указывающих, что 80% времени в проектах по науке о данных тратится на создание правильных данных, бесконечен. Сегодня роль Data Engineer хорошо известна как с точки зрения приоритетной потребности, так и с точки зрения необходимых навыков. Короче говоря, DE отвечает за обеспечение доступа к качественным данным для решения конкретной бизнес-проблемы, решаемой командой.
  • Инженер по машинному обучению. После преобразования необработанных данных в качественные данные мы можем использовать эти данные для написания кода машинного обучения, создания новых функций, обучения моделей прогнозирования и подготовки моделей к развертыванию. Вот где роль инженера по машинному обучению проявляется: он / она применяет передовые методы аналитики для извлечения информации из данных и построения прогностических моделей для решения бизнес-проблемы, решаемой командой.
  • Аналитик данных: Обычная модель, которую мы наблюдаем в организациях на ранних этапах своего пути к трансформации ИИ, заключается в том, что они чрезмерно сосредотачиваются на технических аспектах волшебного ящика машинного обучения и измеряют успех, отслеживая только технические показатели. В зрелой организации команды, создающие продукты и решения для обработки данных, могут четко сформулировать проблему, а также измерить результаты своих алгоритмов машинного обучения с точки зрения бизнес-преимуществ для своих организаций. Таким образом, роль аналитика данных / бизнес-аналитика имеет решающее значение для предоставления необходимых знаний в предметной области и направления команды к бизнес-ориентированному определению успеха.
  • Рассказчик данных. Извлечение информации из данных стало общепринятой потребностью в большинстве организаций, но те, кто работает с данными, знают, что информация не записывается где-то вместе с данными или просто там, где их можно взять. Они также знают, что иногда легко прийти к неверным выводам, если допущения, принятые для анализа, недействительны. Очень важную роль в любой команде по науке о данных играет Рассказчик данных, который отвечает за извлечение достоверной информации из существующих данных и создание привлекательных визуализаций для четкого представления результатов, достигнутых командой.
  • Инженер MLOps. Как видно из приведенной выше визуализации Скалли, после того, как команда создала алгоритм, предстоит проделать большую работу, прежде чем она сможет постоянно обеспечивать желаемый результат для организации. Часть навыков, необходимых для этого этапа жизненного цикла продукта для обработки и анализа данных, может выполняться существующими инженерными ресурсами DevOps, но при этом они могут отслеживать производительность модели системы прогнозирования в производственной среде и указывать, когда модель в производственной среде больше не дает хороших прогнозов. , требуются определенные навыки, которые входят в роль MLOps Engineer. Он / она в основном отвечает за системную интеграцию и задачи обслуживания, необходимые для развертывания и мониторинга прогнозных моделей в производственной среде.

Но подождите, мне нужны все 5 профилей? Это зависит от того, на каком этапе зрелости внедрения ИИ находится ваша компания, но вы сможете достичь наивысшего уровня производительности (беглости данных), только если у вас есть команды, разрабатывающие продукты данных в кросс-функциональных командах с этими 5 профилями.

Стратегия приобретения

Теперь, когда мы определили, какие профили требуются в организации, следующим вопросом, вероятно, будет: «Где и как я могу найти людей с этими профилями и достаточным опытом, которые могут приступить к делу?» Хорошая новость заключается в том, что есть только два способа сделать это (конец хороших новостей…):

  • Внешний наем. В зависимости от того, на каком этапе трансформации ИИ вы находитесь, вам может потребоваться привлечение талантов извне. В случае науки о данных и искусственного интеллекта это легче сказать, чем сделать: область все еще находится в стадии быстрого развития, а количество людей с нужными знаниями и достаточным опытом невелико. Применяя правила любой экономики спроса-предложения, это также означает, что если вы действительно сможете найти нужных людей, это, вероятно, будет вам дорого стоить.
  • Повышение квалификации/переподготовка. реализация стратегии повышения/переподготовки может быть более эффективным и экономичным способом: вооружить людей, которые уже есть в вашей команде, нужными навыками и компетенциями, это будет быстрее и дешевле, чем нанимать внешних талантов и направлять их в процессе обучения, поскольку они понимают, как на самом деле работает ваша компания.

ПРИМЕЧАНИЕ: Если вы хотите узнать, как Академия ИИ может помочь вам реализовать стратегию переквалификации/повышения квалификации, узнайте больше о нашей программе обучения PATH — здесь

2.Организация

Централизованный, Децентрализованный, Гибридный

Определение необходимых ролей и определение специалистов, назначенных для этих функций, — это только первый шаг вашей стратегии управления талантами ИИ. Важнейшим аспектом является определение вашей организационной структуры и создание структур и методологий для бесперебойного функционирования организации.

Как и в случае с другими типами инициатив по трансформации, организации склонны следовать модели «камень в озере»: камень, упавший в озеро, — это новый лидер, ответственный за определение новой практики, которая происходит более централизованно на ранних стадиях (небольшие внутренние круги) и постепенно распространяться на всю организацию по мере того, как передовой опыт и инструменты распространяются и внедряются в масштабах предприятия (расширяющиеся круги).

Давайте рассмотрим следующие три стадии зрелости ИИ. Рассматривайте их как моментальные снимки непрерывного процесса зрелости, который может происходить в течение более или менее длительного временного окна, в зависимости от бизнес-целей компании и конкурентной среды, в которой она работает:

  • Лидерство. несколько исследований указывают на то, что наличие в организации руководителей, умеющих работать с данными, является ключевым фактором успеха. Как и во многих других преобразованиях, для преобразования ИИ в вашей организации нужны лидеры, которые понимают и поддерживают необходимые изменения, чтобы ваша организация имела реальные шансы на успех. Обычно на этом этапе назначается директор по данным (CDO), отвечающий за стратегию данных компании.
  • Центр передового опыта. Центр передового опыта (CoE) в области искусственного интеллекта — это распространенный способ экспериментировать с инструментами и процессами с целенаправленными инвестициями. Он предоставляет организации простой способ определить, что работает, а что нет, без общекорпоративного масштабного подхода, сводящего к минимуму инновационный риск. Со временем, по мере того, как передовой опыт будет становиться все более распространенным и децентрализованным, ЦП может продолжать играть ценную роль в управлении ИИ, направляя организацию к полной беглости данных.
  • Беглость данных. Если для начала любого пути трансформации ИИ критически важно иметь спонсорскую поддержку со стороны высшего руководства и центр сертификации, который определяет план внедрения инноваций в области ИИ, полная беглость данных может быть достигнута только в том случае, если подавляющее большинство людей в организации, независимо от того, области или уровня, приобрели хотя бы базовые навыки для решения любого проекта и принятия решения с мышлением, основанным на данных. На этом этапе зрелости продукты для обработки данных обычно разрабатываются многофункциональными, гибкими командами по данным на предприятии, управляющими всеми этапами жизненного цикла продуктов данных от планирования до непрерывного мониторинга в производстве.

Это долгий и трудный путь, но его стоит пройти, чтобы воспользоваться всеми преимуществами для бизнеса, которые могут получить другие организации.

3.Сотрудничество

Данные — это командный вид спорта

Ни одна стратегия управления талантами ИИ не может быть полной, если она рассматривает только внутреннюю организацию и ресурсы, которые работают в такой организации. Мы видели множество примеров, когда средние и крупные предприятия тратили значительное время и деньги на создание машины с большим потенциалом, но не могли предоставить нужное топливо, чтобы заставить машину двигаться вперед с необходимой скоростью к успеху: такое топливо — это путь. все ресурсы работают вместе эффективно.

Вот почему мы отвели совместному сотрудничеству особое место в нашей структуре стратегии талантов в области ИИ. Давайте рассмотрим некоторые типичные этапы в этом измерении:

  • Блокировки. На более низких этапах карты зрелости ИИ мы часто видим специалистов по данным, работающих изолированно, выполняющих работу изолированно и хранящих данные и результаты в локальных средах. По сути, это этап без совместной работы, когда инженеры по данным должны пройти длительные процессы утверждения, чтобы получить доступ к нужным им данным, инженеры по машинному обучению ждут недели, чтобы получить вычислительную мощность, и требуется вечность, чтобы запустить любую прогностическую модель в производство. Из-за отсутствия гибкости и длительных сроков выполнения модели обычно строятся только один раз, а это означает, что модели в производстве могут фактически привести к тому, что компания будет принимать неправильные решения каждый день, если поведение ее пользователей изменится по сравнению с тем, что модель изучила на старой модели. данные — явление, называемое «дрейф данных». Какой лучший пример, чем пандемия, чтобы объяснить, насколько реален этот риск? В более крупных организациях, помимо проблемы скорости, работа в разрозненных структурах также означает, что одна и та же проблема может решаться несколько раз отдельными группами данных в разных организациях, что является еще одним фактором, способствующим высокой неэффективности.
  • Репозитории знаний. Поскольку организация понимает, что разрозненная работа — не очень эффективный способ масштабирования практики работы с данными, первым шагом, на котором большинство компаний обычно сосредотачивается, является обмен знаниями. К сожалению, когда дело доходит до науки о данных, это не так просто, как использование вики компании или внутреннего сайта обмена. Помогая крупным предприятиям определить и создать свой репозиторий знаний по науке о данных, мы считаем, что только специально созданные инструменты для обмена знаниями и совместной работы групп данных способны удовлетворить требования воспроизводимости, возможности использования и возможности обнаружения, типичные для рабочих процессов обработки данных.
  • Кросс-функциональные группы обработки данных. Глядя на разнообразие навыков, необходимых для создания и обслуживания продукта данных, становится ясно, что только скоординированные усилия нескольких людей с широким набором коллективных навыков могут эффективно выполнить поставленную задачу. задача. Простой способ передать эту концепцию — часто используемая фраза «Данные — это командный вид спорта». Хотя наем или квалификация нужных людей на правильные роли необходимы, наличие спонсорской поддержки со стороны руководства и центра передового опыта в области искусственного интеллекта, который управляет корпоративной дорожной картой искусственного интеллекта, имеет решающее значение для начала любого пути трансформации искусственного интеллекта. Мы считаем, что полная беглость данных может быть достигнута только при наличии групп данных. работают в межфункциональных группах, которые научились создавать комплексные продукты данных.

ПРИМЕЧАНИЕ. Чтобы дать организациям возможность приобрести навыки, необходимые для совместной работы над созданием интеллектуальных продуктов для работы с данными, Академия ИИ создала учебную программу PRISMA, основанную на проектах программу обучения, которая позволяет кросс-функциональным группам данных развивать нужные мускулы для игры. скоординированным образом приносить пользу своим организациям. Подробнее о здесь

Выводы

Принятие правильного решения о вашей стратегии развития талантов в области ИИ может быть наиболее важным аспектом успешного перехода к тому, чтобы стать компанией, ориентированной на ИИ. В этой статье мы предложили схему принятия решений, основанную на людях, организации и процессах, чтобы помочь вам наметить свой путь в сложной гонке талантов ИИ. Если вы нашли это полезным, пожалуйста, прокомментируйте ниже или просто поделитесь им в своей сети.

Академия искусственного интеллекта предлагает консультации по стратегии искусственного интеллекта и услуги по обучению искусственному интеллекту, чтобы помочь малым и крупным предприятиям стать компаниями, первыми использующими искусственный интеллект. Благодаря нашей работе в этой области мы разработали уникальное представление о том, что является ключом к тому, чтобы гарантировать, что инициативы в области ИИ действительно приносят пользу, ожидаемую лидерами в организациях, и какие ресурсы требуются для успешного выполнения таких проектов.