免費武則天視訊www.38kky.com

在未來幾年，人工智能可能會成為眾多行業的戰略選擇，但有一個重大的挑戰：招人。簡而言之，要找到能夠利用這項技術的合適人選是非常困難的。（更糟糕的是，矽谷正在展開一場激烈的AI 人才大戰）。企業要想取得成功，必須了解所需的關鍵技能組合（是的，這些技能還在不斷進化。）那麼，讓我們來看看招聘人才的必備技能：Dialpad（總部位於舊金山，定位企業雲即時通訊平台）首席戰略官兼董事會成員Dan O ‘Connell （丹·奧康奈爾）：我認為，對於AI 團隊（自然語言處理、機器學習等）來說，具有多種背景至關重要——聘請思考並構建最新創新的博士和學者，但要與在商業環境中工作、知道如何編碼、發布產品並習慣初創公司或技術公司節奏的人相結合。你不能全靠學術，也不能全靠第一手經驗。我們發現，在構建模型、設計功能和將產品推向市場方面，這種人才組合都很重要。HackerRank（一個技術招聘平台，平台上已匯集超過500萬開發人員，是全球1000多家公司評估開發人員技能的標準）數據科學副總裁Sofus Macskassy（索菲斯•麥克斯卡西）：許多人沒有意識到，你並不需要一個龐大的深度學習專家團隊來將AI 集成到你的業務中。幾位專家，加上研究工程師、產品工程師和產品經理等輔助人員，就可以完成這項工作。人工智能不只是深度學習，企業需要找到具有強大機器學習基礎的求職者。許多具有機器學習理論背景的求職者擁有學習這份工作所需的工具。根據你業務特定需求培訓AI 人才，比將普通人培訓成一個AI 專家成本更低、速度更快。聘請強大的研究工程師，他們可以把學術論文和方程式轉化為快速的代碼。他們通常是具有計算機科學、物理或電氣工程技術基礎的工程師。與你的AI 專家一起，他們將組成一個強大的AI 團隊。再加上一個產品經理，告訴他們需要開發什麼樣的產品，你就有一個超強的人才班子了。Zendesk（為客戶提供基於互聯網的SaaS客戶服務/支持管理軟件，被稱為「雲客服領域的開山鼻祖」）數據科學經理Chris Hausler（克里斯·豪斯勒）：任何一個在AI 領域工作的人都需要具備編碼能力，並有紮實的數學和統計技能。在AI 領域工作，你需要一個博士生，這句話有誤。但是，真正的好奇心和求知欲將幫你跟上這個快速發展的領域。擁有實施和驗證自己實驗想法的技能，是一個巨大的優勢。我們已經成功地從專注於實驗和解決問題的學科中招聘人才。Zendesk 的數據科學團隊擁有多元化的背景，他們來自遺傳學、經濟學、藥學、神經科學、計算機科學和機器學習等領域。Teradata（天睿公司，全球最大的專注於大數據分析、數據倉庫和整合營銷管理解決方案的供應商之一）負責新興技術和實踐部門的全球副總裁Atif Kureishy ：有人可能會說，AI 的技能與數據科學類似，數學、計算機科學和領域專業知識。但事實是，AI 模型是建立在自動化和大量的數據這兩個基礎上的。自動構建、訓練和部署AI 模型的關鍵方面(如模型選擇、特徵表示、超參數調優等) 日益複雜，這意味著，所需的技能集必須關注模型生命週期和模型風險管理原則，以確保模型的可信性、透明性、安全性和穩定性。通常，這些職位分佈在涉及政策、法規、倫理、技術和數據科學的組織中。但要大規模構建AI，這些都需要融合。Deep Instinct（首個將深度學習應用於網絡安全的公司）首席執行官兼聯合創始人Guy Caspi（蓋伊·斯卡皮）：具有很強學術背景的人有時會走向兩個極端：要么，直到項目盡善盡美才肯結束，經常錯過重要的截止日期；要么，他們滿足於那些無法滿足組織生產所需的基本學術水平標準。我們要找既有很強學術背景，又有很強產品/運營傾向的人。各大頂級公司是如何處理培訓問題的？毫無疑問，大家對招聘人才的必備技能有很強勁的需求。根據Udacity （優達學城，來自矽谷的前言科技教育平台）的觀察，「人們對AI 及ML 的興趣和註冊人數都在大幅增加，不僅是年復一年，而且是月復一月。從2017 年到2018 年，AI 和ML 課程的需求增長超過30%。2018 年，AI 和ML 課程的需求增長了70%，增幅更大。我們預計，到2019 年，大家的興趣將逐月增長。 」儘管如此，你仍需要對僱傭的AI 人員進行培訓，而且必須進行持續培訓。否則，新的AI 僱員將面臨失敗的巨大風險。以下是各大頂級公司處理培訓問題的經驗：Kryon Systems（智能機器人流程自動化解決方案的領導者）客戶服務部副總裁Ohad Barnoy：我們的AI 開發人員從深入的培訓計劃開始，以便對我們的平台有更深入的了解。他們通過我們自己開發的在線Kryon Academy 來實現這一點，Kryon Academy 是一個可以在在職培訓的同時，進一步進行AI 培訓的項目。在我們每一個開發單元中，開發人員都被指定了一個為期三週的課程，並配有QA。Zendesk 數據科學經理Chris Hausler（克里斯•豪斯勒）：AI 領域的研究和技術發展如此之快，需要不斷地學習和提高技能，才能跟上最新技術的步伐，並做好自己的工作。在Zendesk，我們每週舉辦一個論文俱樂部，討論與我們工作相關的新興研究，並經常舉行「實驗日」，讓團隊有時間試驗新想法。Teradata負責新興技術和實踐部門的全球副總裁Atif Kureishy ：儘管越來越多的人通過大規模開放式在線課程（MOOC）或Kaggle 等途徑獲取深度學習知識，從而重新調整自己的技能，但能在實踐中做到這一點的人很少——這種差異很重要。課堂或競賽當然是朝著正確方向邁出的一步，但是它不能取代現實生活中的體驗。組織應該在各個業務部門部署和輪換他們的AI 團隊，讓他們了解業務線在構建AI 能力時面臨的挑戰。這將使經驗匯聚在一個「卓越中心」，同時在整個企業中傳播經驗。Deep Instinct 首席執行官兼聯合創始人Guy Caspi（蓋伊·卡斯皮）：在Deep Instinct, 我們的培訓主要集中在兩個領域：對深度學習、機器學習和大數據的全面理解，以及我們產品所在的領域。例如，在培訓過程中，我們的網絡安全專家一直與我們的深度學習專家分享他們的知識。原因是，在培訓期間，深度學習（或者機器學習）專家充分掌握特定領域的知識（在我們的案例中是網絡安全），將有助於他們日後更有效的操作，並更好地適應現實世界的應用案例。Callsign（倫敦創企，提供實時AI驅動的身份認證解決方案）首席技術官兼AI 研究負責人Yogesh Patel：談到大數據，數據工程師、軟件工程師和數據科學家之間的界限正變得模糊。有一個明顯的傾向是，越來越多的數據工程師和軟件工程師尋求成為數據科學家。隨著深度學習的引入，越來越不需要花費大量時間處理數據探索、數據清理和特性工程，至少在理論上是這樣。相應地，我們看到越來越多的人聲稱自己是數據科學家，但實際上，他們只是在用蠻力方法進行機器學習。此外，還有一些培訓公司聲稱，不需要具備數據管理方面的先驗知識，也不需要具備統計學方面的背景。雖然在某些領域可能是這樣，但在網絡安全領域，我們需要更多對該領域以及數據科學概念有深刻理解的人。這意味著要理解各種數據源中數據屬性的含義、統計屬性以及它們之間的關係。它還意味著，理解這些數據屬性和數據源可能如何影響給定的算法，特別是在處理不平衡分類等問題時。例如，對於信用欺詐檢測任務來說，它意味著要對給定交易類型是如何、何時、在何地發生的有一個直觀的把握——這是製定和測試實驗假設的先決條件。在同一個例子中，它還意味著，在很少或幾乎沒有給定事務類型的示例時，準確理解給定分類算法可能受到的影響，並根據需要調整或適應分類算法。LivePerson（美國在線交流產品和服務供應商）首席技術官Alex Spinelli：管理者和領導者必須學習這些概念，他們必須了解什麼是適用人工智能的，什麼是不適用的。舉個例子，AI 是靠數據和示例驅動的。歷史有限的問題往往不是AI 工具容易解決的，這被稱為冷啟動問題。AI 的輸出並不總是可預測的。這意味著，產品設計和工作流程的線性本質將會改變。你沒辦法通過反向工程搞清楚AI 為什麼會給出某個特定答案。培訓過程的另一個關鍵組成部分是利用AI 開發新的產品技能。產品設計師和領導者必須以新的方式理解統計和概率。JazzHR（通過創建創新工具幫助公司發現隱藏的變革招聘方法，2009年以來，已經幫上千家公司填補了超過10萬個職位）人力資源總監Corey Berkey：許多公司都在投資培訓他們的員工，以確保他們跟上技術和行業進步的步伐。雖然數學和計算機技術是AI 的支柱，但是這個領域的繼續教育是必須的。如今，許多在線學習解決方案都提供來自一流大學的各種與AI 相關的認證，以幫助員工擴展他們在編程、機器學習、圖形建模和高等數學等領域的知識。至關重要的是，企業應該把重點放在為這些變革型員工提供發展機會上，以便他們能夠調整自己的技能，並向表現好的同行學習。本文經授權發布，不代表36氪立場。 如若轉載請註明出處。來源出處：36氪