實踐表明，如果人工智能(AI)部署不當將會帶來許多風險，因此企業(yè)需要探索員工擁有的最重要技能。

就像技術在企業(yè)的業(yè)務發(fā)展中變得越來越重要一樣，成功部署這些技術所需的技能也至關重要，部署人工智能的技能也不例外。調研機構Codingame公司發(fā)布的一份調查報告表明，對于一般的軟件開發(fā)人員來說，正規(guī)的技術教育的重要性正在下降。該報告中，80%的人力資源專業(yè)人員表示雇用了自學成才的程序員。

[[382078]]

安永公司全球數(shù)據(jù)和分析負責人Beatriz Sanz-Saiz說：“當我們考慮在企業(yè)中大規(guī)模部署人工智能時，員工所需的技能也需要不斷發(fā)展。在該領域獲得博士學位的技能已不再是必要的。企業(yè)需要的人工智能工程師不僅可以編寫算法，還可以管理所涉及的數(shù)據(jù)。還需要越來越多的數(shù)據(jù)工程師和數(shù)據(jù)技能來塑造現(xiàn)代架構。沒有這些技能，將很難大規(guī)模引入人工智能。”

在當今世界，管理和分析海量數(shù)據(jù)的能力以及與同事快速清晰地交流與獲得數(shù)字技能相比更為重要。

合規(guī)性實踐

傳統(tǒng)上，企業(yè)將人工智能開發(fā)視為模型創(chuàng)建過程，一旦成功創(chuàng)建模型，其過程就會結束。但是現(xiàn)在部署人工智能技術還需要其他方面的工作。隨著部署人工智能需要多個數(shù)據(jù)集，面臨的最主要的問題就是合規(guī)性。

Seldon公司機器學習工程總監(jiān)Alejandro Saucedo說：“越來越清楚的是，在模型的整個生命周期中，培訓只是開始，因此所需的技能超出了數(shù)據(jù)科學能力。IT和合規(guī)性要求現(xiàn)在對于流程同樣重要。企業(yè)需要根據(jù)使用情況考慮引入的操作組件，這取決于用例。合規(guī)性檢查需要諸如運營經(jīng)理、交付經(jīng)理等之類的角色。最終，企業(yè)需要的人工智能技能可以歸結為數(shù)據(jù)科學能力、軟件工程能力、IT操作能力和領域專業(yè)知識。”

DevOps和ModelOps

SAS公司英國和愛爾蘭地區(qū)的數(shù)據(jù)科學主管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變。

他說：“我從事這個行業(yè)已有15年的時間，我具有統(tǒng)計學背景，多年來從事計算機科學方面的工作，但我非常專注于分析方面的東西。企業(yè)現(xiàn)在真正需要的更多是流程中最重要的部分，這意味著DevOps將采購合適的環(huán)境并為這些模型的開發(fā)投入基礎設施，然后是ModelOps，在ModelOps中，這些模型將經(jīng)過一個過程并部署到生產(chǎn)環(huán)境中。”

他指出，在部署過程的最終結果之內，需要考慮對人工智能模型進行監(jiān)視、治理和驗證。這些方面以及發(fā)現(xiàn)和引入適合該過程的基礎設施能力，這與數(shù)學、統(tǒng)計學和計算機科學知識同樣必要。

Brown認為，DevOps和ModelOps在銀行領域的應用很成功。大型企業(yè)一直在利用對業(yè)務問題的綜合視圖，識別它們并相應地調整建模生態(tài)系統(tǒng)。

領域和行業(yè)知識

隨著人工智能技術促進了越來越多部門的運營，很明顯，僅僅掌握這項技術還不足以讓部署取得成功。無論人工智能解決方案是為企業(yè)服務還是為個人服務，推出這一解決方案的工程師都需要了解當前的業(yè)務。

Sanz-Saiz說：“企業(yè)需要了解這些算法的工作原理以及如何訓練機器的員工，并同時也要了解其行業(yè)領域的業(yè)務。如果沒有這種理解，訓練算法可能會更復雜。任何成功的數(shù)據(jù)科學家不僅需要技術專長，還需要具備行業(yè)背景和知識。”

沒有足夠的行業(yè)知識，其決策可能會變得不準確，并且在某些情況下，例如醫(yī)療保健，也可能很危險。例如Kheiron Medical這樣的開發(fā)商一直在使用人工智能解決方案來促進癌癥篩查，加速流程，并最大程度地減少人為錯誤。為了使這一點更加有效，需要在篩選程序的每個階段進行仔細的評估和評價。

Kheiron公司首席戰(zhàn)略官Sarah Kerruish解釋說，“我認為，對臨床嚴謹性的承諾需要鞏固我們所做的一切，需要能夠以獨立驗證的方式進行大規(guī)模的測試和評估，這是無法回避的。”

Kerruish認為，與同事進行緊密合作是在醫(yī)學領域同樣重要的技能。在幫助檢測癌癥跡象的情況下，這意味著要與放射科醫(yī)生緊密合作，并確?；颊吡私膺@一過程。

她說：“我們并不是為了取代放射科醫(yī)生，而是為他們提供幫助。就像會計師需要計算器一樣，我們需要更好的工具來實現(xiàn)目標。”

人工智能系統(tǒng)存在的偏見

勞動力需要精通的另一個重要領域是人工智能系統(tǒng)可能存在的偏見。人工智能開發(fā)團隊需要掌握技能，以確保將這些偏見的影響降到最低。

Onfido公司高級產(chǎn)品經(jīng)理Claire Woodcock表示：“由經(jīng)驗豐富的技術專家以及具有用戶經(jīng)驗和政策理解的人員組成的跨職能團隊是實施治理的關鍵。這將確保更好的防欺詐保護和更好的客戶體驗。我們生活在一個數(shù)字身份的時代。因此，無論種族、年齡或任何其他特征如何，身份驗證技術對于每個人來說都是至關重要的。使用治理框架等工具可以使團隊修改決策過程，消除偏見等。”

Onfido公司與英國信息專員辦公室(ICO)合作，一直在尋求改進其面部識別算法，以減少金融服務和企業(yè)身份驗證中的偏見。其沙盒計劃導致誤接受率為0.01%，誤拒絕率為0.3%。

Acquia公司首席科學官Omer Artun補充說：“必須對員工進行教育的一個關鍵領域是人工智能偏見。人工智能是一種工具，因此并沒有固有的偏見。與其相反，它是在數(shù)據(jù)集上訓練的，而如果這些數(shù)據(jù)集有偏差，人工智能系統(tǒng)很可能會采用類似的特征。因此，企業(yè)的團隊需要接受有關透明和開放的數(shù)據(jù)收集方法的教育和培訓，以確保他們不會向人工智能系統(tǒng)提供具有偏見的數(shù)據(jù)集。”