就像技术在企业的业务发展中变得越来越重要一样，成功部署这些技术所需的技能也至关重要，部署人工智能的技能也不例外。调研机构Codingame公司发布的一份调查报告表明，对于一般的软件开发人员来说，正规的技术教育的重要性正在下降。该报告中，80%的人力资源专业人员表示雇用了自学成才的程序员。
安永公司全球数据和分析负责人Beatriz Sanz-Saiz说：“当我们考虑在企业中大规模部署人工智能时，员工所需的技能也需要不断发展。在该领域获得博士学位的技能已不再是必要的。企业需要的人工智能工程师不仅可以编写算法，还可以管理所涉及的数据。还需要越来越多的数据工程师和数据技能来塑造现代架构。没有这些技能，将很难大规模引入人工智能。”
在当今世界，管理和分析海量数据的能力以及与同事快速清晰地交流与获得数字技能相比更为重要。
合规性实践
传统上，企业将人工智能开发视为模型创建过程，一旦成功创建模型，其过程就会结束。但是现在部署人工智能技术还需要其他方面的工作。随着部署人工智能需要多个数据集，面临的最主要的问题就是合规性。
Seldon公司机器学习工程总监Alejandro Saucedo说：“越来越清楚的是，在模型的整个生命周期中，培训只是开始，因此所需的技能超出了数据科学能力。IT和合规性要求现在对于流程同样重要。企业需要根据使用情况考虑引入的操作组件，这取决于用例。合规性检查需要诸如运营经理、交付经理等之类的角色。最终，企业需要的人工智能技能可以归结为数据科学能力、软件工程能力、IT操作能力和领域专业知识。”
DevOps和ModelOps
SAS公司英国和爱尔兰地区的数据科学主管Iain Brown博士在多年的工作中感受到了部署人工智能所需技能的演变。
他说：“我从事这个行业已有15年的时间，我具有统计学背景，多年来从事计算机科学方面的工作，但我非常专注于分析方面的东西。企业现在真正需要的更多是流程中最重要的部分，这意味着DevOps将采购合适的环境并为这些模型的开发投入基础设施，然后是ModelOps，在ModelOps中，这些模型将经过一个过程并部署到生产环境中。”
他指出，在部署过程的最终结果之内，需要考虑对人工智能模型进行监视、治理和验证。这些方面以及发现和引入适合该过程的基础设施能力，这与数学、统计学和计算机科学知识同样必要。
Brown认为，DevOps和ModelOps在银行领域的应用很成功。大型企业一直在利用对业务问题的综合视图，识别它们并相应地调整建模生态系统。
领域和行业知识
随着人工智能技术促进了越来越多部门的运营，很明显，仅仅掌握这项技术还不足以让部署取得成功。无论人工智能解决方案是为企业服务还是为个人服务，推出这一解决方案的工程师都需要了解当前的业务。
Sanz-Saiz说：“企业需要了解这些算法的工作原理以及如何训练机器的员工，并同时也要了解其行业领域的业务。如果没有这种理解，训练算法可能会更复杂。任何成功的数据科学家不仅需要技术专长，还需要具备行业背景和知识。”
没有足够的行业知识，其决策可能会变得不准确，并且在某些情况下，例如医疗保健，也可能很危险。例如Kheiron Medical这样的开发商一直在使用人工智能解决方案来促进癌症筛查，加速流程，并最大程度地减少人为错误。为了使这一点更加有效，需要在筛选程序的每个阶段进行仔细的评估和评价。
Kheiron公司首席战略官Sarah Kerruish解释说，“我认为，对临床严谨性的承诺需要巩固我们所做的一切，需要能够以独立验证的方式进行大规模的测试和评估，这是无法回避的。”
Kerruish认为，与同事进行紧密合作是在医学领域同样重要的技能。在帮助检测癌症迹象的情况下，这意味着要与放射科医生紧密合作，并确保患者了解这一过程。
她说：“我们并不是为了取代放射科医生，而是为他们提供帮助。就像会计师需要计算器一样，我们需要更好的工具来实现目标。”
人工智能系统存在的偏见
劳动力需要精通的另一个重要领域是人工智能系统可能存在的偏见。人工智能开发团队需要掌握技能，以确保将这些偏见的影响降到最低。
Onfido公司高级产品经理Claire Woodcock表示：“由经验丰富的技术专家以及具有用户经验和政策理解的人员组成的跨职能团队是实施治理的关键。这将确保更好的防欺诈保护和更好的客户体验。我们生活在一个数字身份的时代。因此，无论种族、年龄或任何其他特征如何，身份验证技术对于每个人来说都是至关重要的。使用治理框架等工具可以使团队修改决策过程，消除偏见等。”
Onfido公司与英国信息专员办公室(ICO)合作，一直在寻求改进其面部识别算法，以减少金融服务和企业身份验证中的偏见。其沙盒计划导致误接受率为0.01%，误拒绝率为0.3%。
Acquia公司首席科学官Omer Artun补充说：“必须对员工进行教育的一个关键领域是人工智能偏见。人工智能是一种工具，因此并没有固有的偏见。与其相反，它是在数据集上训练的，而如果这些数据集有偏差，人工智能系统很可能会采用类似的特征。因此，企业的团队需要接受有关透明和开放的数据收集方法的教育和培训，以确保他们不会向人工智能系统提供具有偏见的数据集。”
版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号