每個產業都有越來越多的企業正在採用人工智慧來改變業務流程。但要知道，人工智慧計畫的成功不僅取決於數據和技術，還取決於納入合適的人才。
顧問公司Omdia的AI平台、分析和資料管理首席分析師Bradley Shimmin表示，有效的企業AI團隊應該是一個多元化的群體，其中包含的不僅是資料科學家和工程師，還需要有一系列了解業務並試圖解決問題的人。
AI新創公司Plainsight的聯合創始人兼首席執行官Carlos Anchia對此表示認同，並補充道，人工智慧的成功很大程度上取決於建立一支擁有各種高級技能的全面團隊，但這樣做極具挑戰性。他解釋稱，「確定是什麼造就了高效的AI團隊似乎很容易做到，但是當你了解成功的AI團隊中個人的詳細職責時，你很快就會得出結論，建立這樣的團隊非常困難」
為了幫助你組建理想的AI團隊，以下是當今運作良好的企業AI團隊中必不可少的10個關鍵角色：
#資料科學家是任何AI團隊的核心，他們負責處理和分析數據，建立機器學習(ML)模型，並得出結論以改進已投入生產的ML模型。
TikTok公司資料科學家Mark Eltsefon表示，資料科學家是產品分析師和業務分析師的混合體，同時也擁有少量機器學習知識。他們的主要目標是了解對業務具有重大影響的關鍵指標，收集數據以分析可能存在的瓶頸，視覺化不同的用戶群和指標，並就如何增加這些指標提出各種解決方案。例如，在為TikTok用戶開發新功能時，如果沒有資料科學家，就無法理解該功能是有益於使用者還是有損於使用者。
資料科學家可以建立ML模型，但實作它們卻需要ML工程師。
技術服務公司Persistent Systems的創新和研發架構師Dattaraj Rao表示，「這類角色的任務是將ML模型打包到容器中並(通常作為微服務)部署到生產環境中。他們往往需要專業的後端程式設計和伺服器設定技能，以及容器和持續整合及交付部署方面的專業知識。此外，ML工程師也參與模型驗證、A/B測試和生產監控。」
在成熟在的ML環境中，ML工程師還需要試驗服務工具，這些工具只需最少的試驗就可以幫助ML工程師在生產中找到最佳表現的模型。
資料工程師負責建構和維護構成組織資料基礎架構的系統。德勤董事兼首席架構師Erik Gfesser表示，資料工程師對於AI計畫至關重要，他們建立資料管道來收集和組裝資料以供下游使用，在DevOps環境中，他們建立管道來實現運行這些資料管道的基礎設施。
他補充道，資料工程師是ML和非ML計畫的基礎。例如，在其中一個公有雲中實作資料管道時，資料工程師需要先編寫腳本來啟動必要的雲端服務，這些服務提供處理攝取資料所需的運算。
資訊科技服務公司SPR的技術長Matt Mead表示，如果你是第一次組建團隊，你應該了解資料科學是一個需要大量資料的迭代過程。假設你有足夠的數據，大約80%的工作將與數據工程任務相關，大約20%將是與數據科學相關的實際工作。正因為如此，你的人工智慧團隊中只有一小部分人會從事數據科學工作。團隊的其他成員將負責確定正在解決的問題、幫助解釋資料、組織資料、將產出整合到另一個生產系統中，或以展示就緒(presentation-ready)的方式呈現資料。
資料管理員負責監管企業資料的管理情況，並確保其品質和可存取性。這個重要角色確保資料在整個企業應用中實現一致性，同時確保企業滿足不斷變化的資料法律。
技術公司Insight的數據和人工智慧實踐負責人Ken Seier表示，數據管理員確保數據科學家獲得正確的數據，且所有內容都是可重複的並在數據目錄中清晰標記。
擔任此職位的人員需要結合資料科學和溝通技巧，以便在各個團隊之間進行協作，並與資料科學家和工程師合作，以確保利害關係人和業務用戶能夠存取資料。
此外，資料管理員還負責執行組織圍繞資料使用和安全性的政策，確保只有應該獲得安全資料存取權限的人才能獲得該存取權限。
領域專家對特定產業或學科領域有深入的了解。該角色是其所在領域的權威，可以判斷可用數據的質量，並且可以與AI項目的預期業務用戶進行交流，以確保其具有現實價值。
軟體開發公司SpdLoad的執行長Max Babych表示，這些領域專家是必不可少的，因為開發AI系統的技術專家很少具備系統正在建構的實際領域的專業知識。領域專家可以提供關鍵見解，使人工智慧系統發揮最佳效能。
例如，Babych的公司開發了一種電腦視覺系統，以取代雷射雷達(LIDAR)來識別自動駕駛儀的移動物體。他們在沒有領域專家的情況下啟動了該項目，儘管研究證明該系統有效，但他的公司不清楚的是，汽車品牌更喜歡LIDAR而非電腦視覺。
Babych表示，「在這個案例中，我想分享的關鍵建議是考慮商業模式，然後吸引領域專家來了解這是否適用於你的行業，之後再詳細討論實現該功能的更多技術問題。」
此外，教育科技平台iSchoolConnect的人工智慧負責人Ashish Tulsankar表示，領域專家還可以成為客戶和人工智慧團隊之間的重要聯絡人。他可以與客戶溝通，了解他們的需求，並為人工智慧團隊提供下一步的方向，同時，領域專家還可以追蹤人工智慧是否以合乎道德的方式實施。
人工智慧設計師與開發人員合作，以確保他們了解人類使用者的需求。該角色設想用戶與AI互動的方式並創建原型以展示新AI功能的用例。
人工智慧設計師還確保在人類用戶和人工智慧系統之間建立信任，並且人工智慧可以從用戶回饋中學習和改進。
諮詢公司BCG的AI業務聯合負責人Shervin Khodabendeh表示，「企業在擴展AI計劃時遇到的一個困難是用戶不理解解決方案、不認同它或無法與之互動。那些從人工智慧中獲得價值的企業，其秘訣其實就是正確地實現了人機互動。」
BCG的思考模式遵循的是「10-20-70」原則，即10%的價值是演算法，20%是技術和數據平台，70%的價值來自業務整合或將其與業務流程中的公司策略連結起來。人機互動絕對是關鍵，它是70%挑戰的重要組成部分。人工智慧設計師將幫助你實現這一目標。
產品經理識別客戶需求並領導產品的開發和行銷，同時確保人工智慧團隊做出有益的策略決策。
人工智慧開發公司Nexocode的產品經理Dorota Owczarek稱，「在人工智慧團隊中，產品經理負責了解如何使用人工智慧解決客戶問題，然後將其轉化為產品策略。」
Owczarek最近參與了一個項目，為製藥行業開發基於AI的產品，該產品將支援使用自然語言處理對研究論文和文件進行人工審查。該專案需要與資料科學家、機器學習工程師和資料工程師密切合作，以開發為產品提供動力所需的模型和演算法。
身為產品經理，Owczarek主要負責實施產品路線圖、估算和控制預算，以及處理產品技術、使用者體驗和業務方面之間的合作。她介紹稱，「由於該專案是由業務利益相關者發起的，因此擁有一位既能確保滿足利益相關者需求，同時也關注專案總體目標的產品經理尤為重要。而且，人工智慧產品經理必須同時具備技術技能和業務頭腦。他們應該能夠與不同的團隊和利益相關者密切合作。在大多數情況下，人工智慧專案的成功將取決於業務、數據科學、機器學習工程和設計團隊之間的協作」
Owczarek補充道，人工智慧產品經理還需要負責制定內部流程和指導方針，確保公司的產品符合行業最佳實踐。
人工智慧策略家需要了解企業在公司層面的運作方式，並與執行團隊和外部利害關係人協調，以確保公司擁有合適的基礎設施和人才，助力人工智慧計畫取得成功。
EY Consulting全球AI負責人Dan Diasio表示，要成功，人工智慧策略家必須深入了解其業務領域和機器學習的基礎知識，同時，也必須知道如何使用AI來解決業務問題。
想要改變企業的決策方式，需要具有重大影響力和遠見的人來推動這一進程，而人工智慧策略家就是可以幫助公司進行轉型思考的人。此外，他們還可以幫助企業獲得有效推動人工智慧所需的數據。
Diasio表示，「如今，企業在其係統或資料倉儲內擁有的數據，實際上只代表了他們在構建AI能力時用於區分自己的一小部分。戰略家的部分職責是放眼未來，看看如何在不觸及隱私問題的情況下獲取和利用更多數據。」
首席人工智慧長是所有人工智慧計畫的主要決策者，負責向利害關係人和客戶傳達人工智慧的潛在商業價值。
iSchoolConnect公司的Tulsankar表示，決策者是了解業務、商機和風險的人。首席人工智慧長應該了解人工智慧可以解決的用例，最重要的利益點在哪，並且有能力向利害關係人闡明這些機會。此外，他們還應該討論如何迭代地實現這些機會。如果有多個客戶或多個產品需要應用人工智慧，首席人工智慧長可以拆分「客戶無關」和「客戶特定」的實施部分。
執行發起人應該是一位C級管理者，他能在確保AI專案取得積極成果方面發揮重要作用，並負責為公司的AI計劃獲取資金。
EY Consulting公司的Diasio表示，執行領導者在幫助推動人工智慧專案取得成功方面發揮著重要作用。要知道，公司面臨的最大機會往往是他們突破特定職能的領域。例如，一家消費品製造商有一個負責研發的團隊、一個負責供應鏈的團隊、一個銷售團隊和一個行銷團隊。應用人工智慧可以幫助轉變所有這四個功能，以實現業務最大和最佳機會。只有具備強大領導力的企業執行長或最高管理階層才能協助實現這些變革。
不幸的是，許多公司的高階管理層對人工智慧的潛力理解非常有限，他們經常將其視為一個「黑盒子」。他們習慣把它丟給資料科學家，但本身並不真正了解使用AI所需的新方法。
對於許多不了解高效AI團隊如何運作、角色如何運作以及如何賦能的企業而言，採用AI將是一場巨大的文化變革。而且，對於99%的採用AI的傳統企業來說，這是一件非常困難的事。
以上是充分發掘人工智慧商業價值的十個關鍵角色的詳細內容。更多資訊請關注PHP中文網其他相關文章！
