[[350689]]

如今，大多數組織都在準備迎接一個人工智能無處不在的世界。這種發展需要業務和技術領導者以對新技術能力、利用新技術的技術技能的理解來裝備他們的組織，并關注傳統IT工作流的新方法。但缺乏人工智能技能是采用人工智能的最大障礙之一。盡管從大學畢業的專業數據科學家和人工智能從業者的數量達到了創紀錄的水平，但企業在尋找和吸引優秀人才方面仍然面臨著巨大的困難，這使得人工智能提升技能項目成為優先考慮的項目。

對于一個組織來說，對人工智能世界來說，提高技能意味著什么?

每一家企業最終都將成為一個人工智能企業。 每個企業都知道它需要提高員工的人工智能技能。 然而，各組織難以確定人工智能技能的提高意味著什么，以及必須采取哪些具體行動來發展這些技能。 對于一個組織來說，對人工智能世界來說，提高技能意味著什么?

人工智能并不是單一的。 它不是由一組技能定義的，也不是由組織中的單一角色定義的。

有些技能是相對簡單和基礎的，必須在整個組織中廣泛發展。 另一些則更為復雜，集中在較小的高技能專業群體中。 了解具有多種技能的多個角色如何在一個以最終結果為重點的統一框架中對其工作進行調整和編排是至關重要的。

建立人工智能知識、上下文人工智能知識和人工智能解決方案構建能力

開發提高員工技能的程序的組織應該從所有人的基本要素開始，深入到特定角色的更復雜的專業化層次，重點關注技能進步。 我們看到這種技能的進步是由三個主要層次構成的:人工智能知識、上下文人工智能知識和人工智能解決方案構建能力。

人工智能掃盲

這些技能應在整個組織中得到廣泛發展，重點是對數據的概念理解、與啟用人工智能或由人工智能驅動的工具進行交互的能力以及在組織中為人工智能確定機會的能力。

這些目標應針對技術和非技術專業人員，他們應能夠:

• 閱讀、理解、創建和交流數據作為信息;進行批判性思考以在數據中找到相關的洞察力;從圖表中理解洞察力，同時盡量減少被數據誤導和得出有害的錯誤結論的風險。
• 識別人工智能技術和流程如何影響業務目標;識別哪些技術是合適的;識別需要哪些數據;以及理解人工智能如何支持業務。 這一技能要求具備專業知識，認識到如何利用側重于預測、自然語言處理、視覺和語音識別等方面的技術，以及如何將數據視為戰略資產。
• 理解和掌握用于編排不同角色的工作的方法; AI需要迭代和實驗的文化，以及對業務和技術工作流的深入反思。

上下文人工智能知識

下一層次的技能需要擁抱人工智能技術能力并將其注入其他領域。 重點是利用人工智能技術開發領域戰略，管理輸入和使用預構建的人工智能模型的輸出。 在這一階段，一些技能應該在技術和非技術團隊中開發，與開發、數據工程和數據科學家一起開發。

各組織需要能夠:

• 開發識別商業機會、數據策略的過程，以及人工智能模型如何在特定領域的商業目標中驅動新的價值。
• 識別人工智能何時是實現特定業務目標的正確方法;根據影響和實現的難易程度對用例進行優先排序和選擇;定義 KPI以基于業務優先級并與業務目標保持一致地驅動人工智能實現。
• 確定可以解決特定問題的人工智能能力的類型，并確定可用于訓練人工智能模型的不同數據類型。 這一技能為探索潛在的新數據集(結構化和非結構化、外部和內部、前提或云上的數據集)以及定義數據管道和數據訪問過程提供了很好的機會。
• 利用預構建的 AI模型(NLP，可視化識別)和框架(Tensorflow, Keras)等技術幫助加速解決方案構建。
• 了解如何在概率環境中做出決策，并適當地管理風險。

構建人工智能解決方案

下一階段的技能側重于構建 AI解決方案和開發管理端到端 AI生產流程所需的技能。 數據科學角色是人工智能生產周期的核心，其他業務和技術利益相關者在不同階段扮演著重要角色。 數據科學家及其相關利益攸關方通常:

• 制定以道德操守和隱私原則為基礎的框架/方法，在整個組織實施，以構建端到端人工智能解決方案。
• 建立機器學習模型(監督/非監督/深入/強化)，以及深度學習模型。
• 具有扎實的數學專業知識(概率、推斷統計、線性代數)，確保機器學習模型的正確建立.
• 將人工智能模型部署到生產環境中，并以信任和透明的方式實現人工智能。
• 確保人工智能的建議是完全可追溯的，并審核的血統模型和相關的培訓數據可以被執行。

人工智能可以為組織帶來巨大的機會和利益，這需要技能開發計劃，以確保一致性和有意的結果。 人工智能技能發展的指令性方法是成功的關鍵。

了解更多IBM 數據與AI解決方案請訪問：http://cloud.51cto.com/act/ibm2020q4/ai