人工智能人才需求依然旺盛
大多数公司面临的第二个难题是获得机器学习和数据科学人才。根据 Rackspace 的调查,缺乏内部专业知识是机器学习研发计划失败的第二大驱动因素。缺乏技能和招聘困难也是采用人工智能技术的主要障碍。
随着机器学习和深度学习最近才在生产环境中成为主流,许多小公司没有可以开发 AI 模型的数据科学家和机器学习工程师。
数据科学家和机器学习工程师的平均工资与经验丰富的软件工程师相当,这使得许多公司很难组建一支能够领导其人工智能计划的优秀团队。
众所周知,机器学习和数据科学人才的短缺是众所周知的,但大多数人没有注意到的一件事是需要更多的数据工程师,即建立、维护和更新数据库、数据仓库和数据湖的人员。根据 Rackspace 的数据,许多计划都失败了,因为公司没有人才为机器学习目的调整其数据基础设施。打破孤岛、迁移到云、设置 Hadoop 集群以及创建可以利用不同平台功能的混合系统是公司非常缺乏的一些领域。这些缺点使他们无法在公司范围内部署机器学习计划。
大数据
随着新机器学习和数据科学工具的发展,人才问题变得不那么严重。谷歌、微软和亚马逊已经推出了可以更轻松地开发机器学习模型的平台。一个例子是微软的 Azure 机器学习服务,它提供了一个带有拖放组件的可视化界面,可以更轻松地创建 ML 模型而无需编码。另一个例子是谷歌的 AutoML,它可以自动化超参数调整的繁琐过程。虽然这些工具不能替代机器学习人才,但它们降低了想要进入该领域的人的门槛,并使许多公司能够为这些不断发展的领域重新培养技术人才。
DeVerter 说:“缺乏内部数据科学人才不再是过去的障碍,现在更多的这些服务能够使用他们自己的机器学习在这方面提供帮助,以及拥有这些人才的咨询公司。”
该领域的其他发展是云存储和分析平台的发展,这大大降低了创建和运行 AI 系统所需的无缝数据基础设施的复杂性。一个例子是谷歌的 BigQuery,这是一个基于云的数据仓库,可以轻松地对存储在各种来源的大量数据进行查询。
我们还看到机器学习工具的兼容性和集成能力不断增强,这将使组织更容易将 ML 工具集成到他们现有的软件和数据生态系统中。
在进入 AI 计划之前,每个组织都必须对内部人才、可用工具和集成可能性进行全面评估。了解您可以在多大程度上依赖自己的工程师以及聘请人才需要多少费用,将是您的机器学习计划成败的决定性因素。此外,请考虑再培训是否是一种可能的行动方案。如果您可以提升工程师的技能以承担数据科学和机器学习项目,从长远来看,您的境遇会更好。
外包人工智能人才
近年来出现增长的另一个趋势是人工智能计划的外包。在 Rackspace 的调查中,只有 38% 的受访者依赖内部人才来开发 AI 应用程序。其余的要么完全外包他们的人工智能项目,要么结合使用内部和外包人才。
现在有几家公司专门开发和实施人工智能战略。一个例子是 C3.ai,一家专注于多个行业的人工智能解决方案提供商。C3.ai 在亚马逊、微软和谷歌等现有云提供商之上提供人工智能工具。该公司还提供人工智能咨询和专业知识,帮助客户逐步完成战略制定和实施阶段。
根据 Rackspace 的报告:“随着时间的推移,成熟的供应商可以带来从战略到实施再到维护和支持的一切。战略可以避开人工智能和机器学习工作可能失去动力或陷入复杂性的领域。实践专家还可以使组织免于清理和维护的凌乱工作。这些专业知识加在一起,可以对最终取得成功产生重大影响。”
然而,值得注意的是,将组织的 AI 战略完全移交给外部供应商可能是一把双刃剑。成功的战略需要人工智能专家和实施该战略的公司的主题专家之间的密切合作。
“这与转向 DevOps 开发方法并试图将整个开发外包的公司非常相似。DevOps 需要开发人员、业务分析师和其他业务人员之间建立密切的合作伙伴关系,”DeVerter 说。“同样,人工智能项目需要战略和技术专长——但也需要与企业和领导层建立紧密的合作伙伴关系。”
外包人工智能人才必须一丝不苟。虽然它可以加快开发和实施 AI 策略的过程,但您必须确保您的专家完全参与该过程。理想情况下,您应该能够在与外部专家合作时建立自己的内部数据科学家和机器学习工程师团队。