最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

AI人才「用工荒」如何解决?看看这几家顶级公司的应对策略

[复制链接]
发表于 2019-2-1 15:09:14 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
在未来几年,人工智能可能会成为众多行业的战略选择,但有一个重大的挑战:招人。如何避免招募 AI 人才的误区?这里有来自几家顶级公司的建议。

招到 AI 人才后,可能还需要对他们进行培训,而且必须进行持续培训。否则,新的 AI 雇员将面临失败的巨大风险。文章里还介绍了几家顶尖公司处理培训问题的经验。

在未来几年,人工智能可能会成为众多行业的战略选择,但有一个重大的挑战:招人。简而言之,要找到能够利用这项技术的合适人选是非常困难的。(更糟糕的是,硅谷正在展开一场激烈的 AI 人才大战)。

企业要想取得成功,必须了解所需的关键技能组合(是的,这些技能还在不断进化。)那么,让我们来看看招聘人才的必备技能:

Dialpad (总部位于旧金山,定位企业云即时通讯平台)首席战略官兼董事会成员 Dan O 'Connell (丹·奥康奈尔):

我认为,对于 AI 团队(自然语言处理、机器学习等)来说,具有多种背景至关重要——聘请思考并构建最新创新的博士和学者,但要与在商业环境中工作、知道如何编码、发布产品并习惯初创公司或技术公司节奏的人相结合。

你不能全靠学术,也不能全靠第一手经验。我们发现,在构建模型、设计功能和将产品推向市场方面,这种人才组合都很重要。

HackerRank(一个技术招聘平台,平台上已汇集超过500万开发人员,是全球1000多家公司评估开发人员技能的标准) 数据科学副总裁 Sofus Macskassy(索菲斯•麦克斯卡西):

许多人没有意识到,你并不需要一个庞大的深度学习专家团队来将 AI 集成到你的业务中。几位专家,加上研究工程师、产品工程师和产品经理等辅助人员,就可以完成这项工作。

人工智能不只是深度学习,企业需要找到具有强大机器学习基础的求职者。许多具有机器学习理论背景的求职者拥有学习这份工作所需的工具。

根据你业务特定需求培训 AI 人才,比将普通人培训成一个 AI 专家成本更低、速度更快。聘请强大的研究工程师,他们可以把学术论文和方程式转化为快速的代码。他们通常是具有计算机科学、物理或电气工程技术基础的工程师。与你的 AI 专家一起,他们将组成一个强大的 AI 团队。再加上一个产品经理,告诉他们需要开发什么样的产品,你就有一个超强的人才班子了。

Zendesk (为客户提供基于互联网的SaaS客户服务/支持管理软件,被称为「云客服领域的开山鼻祖」)数据科学经理 Chris Hausler(克里斯·豪斯勒):

任何一个在 AI 领域工作的人都需要具备编码能力,并有扎实的数学和统计技能。在 AI 领域工作,你需要一个博士生,这句话有误。但是,真正的好奇心和求知欲将帮你跟上这个快速发展的领域。拥有实施和验证自己实验想法的技能,是一个巨大的优势。

我们已经成功地从专注于实验和解决问题的学科中招聘人才。Zendesk 的数据科学团队拥有多元化的背景,他们来自遗传学、经济学、药学、神经科学、计算机科学和机器学习等领域。

Teradata(天睿公司,全球最大的专注于大数据分析、数据仓库和整合营销管理解决方案的供应商之一)负责新兴技术和实践部门的全球副总裁 Atif Kureishy :

有人可能会说,AI 的技能与数据科学类似,数学、计算机科学和领域专业知识。但事实是,AI 模型是建立在自动化和大量的数据这两个基础上的。

自动构建、训练和部署 AI 模型的关键方面 (如模型选择、特征表示、超参数调优等) 日益复杂,这意味着,所需的技能集必须关注模型生命周期和模型风险管理原则,以确保模型的可信性、透明性、安全性和稳定性。通常,这些职位分布在涉及政策、法规、伦理、技术和数据科学的组织中。但要大规模构建 AI,这些都需要融合。

Deep Instinct (首个将深度学习应用于网络安全的公司)首席执行官兼联合创始人 Guy Caspi(盖伊·斯卡皮):

具有很强学术背景的人有时会走向两个极端:要么,直到项目尽善尽美才肯结束,经常错过重要的截止日期;要么,他们满足于那些无法满足组织生产所需的基本学术水平标准。我们要找既有很强学术背景,又有很强产品/运营倾向的人。


各大顶级公司是如何处理培训问题的?

毫无疑问,大家对招聘人才的必备技能有很强劲的需求。

根据 Udacity (优达学城,来自硅谷的前言科技教育平台)的观察,「人们对 AI 及 ML 的兴趣和注册人数都在大幅增加,不仅是年复一年,而且是月复一月。从 2017 年到 2018 年,AI 和 ML 课程的需求增长超过 30%。2018 年,AI 和 ML 课程的需求增长了 70%,增幅更大。我们预计,到 2019 年,大家的兴趣将逐月增长。」

尽管如此,你仍需要对雇佣的 AI 人员进行培训,而且必须进行持续培训。否则,新的 AI 雇员将面临失败的巨大风险。

以下是各大顶级公司处理培训问题的经验:

Kryon Systems(智能机器人流程自动化解决方案的领导者)客户服务部副总裁 Ohad Barnoy:

我们的 AI 开发人员从深入的培训计划开始,以便对我们的平台有更深入的了解。他们通过我们自己开发的在线 Kryon Academy 来实现这一点,Kryon Academy 是一个可以在在职培训的同时,进一步进行 AI 培训的项目。在我们每一个开发单元中,开发人员都被指定了一个为期三周的课程,并配有 QA。

Zendesk 数据科学经理 Chris Hausler(克里斯•豪斯勒):

AI 领域的研究和技术发展如此之快,需要不断地学习和提高技能,才能跟上最新技术的步伐,并做好自己的工作。在 Zendesk,我们每周举办一个论文俱乐部,讨论与我们工作相关的新兴研究,并经常举行「实验日」,让团队有时间试验新想法。

Teradata 负责新兴技术和实践部门的全球副总裁 Atif Kureishy :

尽管越来越多的人通过大规模开放式在线课程(MOOC)或 Kaggle 等途径获取深度学习知识,从而重新调整自己的技能,但能在实践中做到这一点的人很少——这种差异很重要。课堂或竞赛当然是朝着正确方向迈出的一步,但是它不能取代现实生活中的体验。

组织应该在各个业务部门部署和轮换他们的 AI 团队,让他们了解业务线在构建 AI 能力时面临的挑战。这将使经验汇聚在一个「卓越中心」,同时在整个企业中传播经验。

Deep Instinct 首席执行官兼联合创始人 Guy Caspi(盖伊·卡斯皮):

在 Deep Instinct, 我们的培训主要集中在两个领域:对深度学习、机器学习和大数据的全面理解,以及我们产品所在的领域。例如,在培训过程中,我们的网络安全专家一直与我们的深度学习专家分享他们的知识。原因是,在培训期间,深度学习(或者机器学习)专家充分掌握特定领域的知识(在我们的案例中是网络安全),将有助于他们日后更有效的操作,并更好地适应现实世界的应用案例。

Callsign(伦敦创企,提供实时AI驱动的身份认证解决方案)首席技术官兼 AI 研究负责人 Yogesh Patel:

谈到大数据,数据工程师、软件工程师和数据科学家之间的界限正变得模糊。有一个明显的倾向是,越来越多的数据工程师和软件工程师寻求成为数据科学家。

随着深度学习的引入,越来越不需要花费大量时间处理数据探索、数据清理和特性工程,至少在理论上是这样。相应地,我们看到越来越多的人声称自己是数据科学家,但实际上,他们只是在用蛮力方法进行机器学习。

此外,还有一些培训公司声称,不需要具备数据管理方面的先验知识,也不需要具备统计学方面的背景。虽然在某些领域可能是这样,但在网络安全领域,我们需要更多对该领域以及数据科学概念有深刻理解的人。

这意味着要理解各种数据源中数据属性的含义、统计属性以及它们之间的关系。它还意味着,理解这些数据属性和数据源可能如何影响给定的算法,特别是在处理不平衡分类等问题时。

例如,对于信用欺诈检测任务来说,它意味着要对给定交易类型是如何、何时、在何地发生的有一个直观的把握——这是制定和测试实验假设的先决条件。在同一个例子中,它还意味着,在很少或几乎没有给定事务类型的示例时,准确理解给定分类算法可能受到的影响,并根据需要调整或适应分类算法。

LivePerson(美国在线交流产品和服务供应商)首席技术官 Alex Spinelli:

管理者和领导者必须学习这些概念,他们必须了解什么是适用人工智能的,什么是不适用的。举个例子,AI 是靠数据和示例驱动的。历史有限的问题往往不是 AI 工具容易解决的,这被称为冷启动问题。

AI 的输出并不总是可预测的。这意味着,产品设计和工作流程的线性本质将会改变。你没办法通过反向工程搞清楚 AI 为什么会给出某个特定答案。培训过程的另一个关键组成部分是利用 AI 开发新的产品技能。产品设计师和领导者必须以新的方式理解统计和概率。

JazzHR (通过创建创新工具帮助公司发现隐藏的变革招聘方法,2009年以来,已经帮上千家公司填补了超过10万个职位)人力资源总监 Corey Berkey:

许多公司都在投资培训他们的员工,以确保他们跟上技术和行业进步的步伐。虽然数学和计算机技术是 AI 的支柱,但是这个领域的继续教育是必须的。

如今,许多在线学习解决方案都提供来自一流大学的各种与 AI 相关的认证,以帮助员工扩展他们在编程、机器学习、图形建模和高等数学等领域的知识。

至关重要的是,企业应该把重点放在为这些变革型员工提供发展机会上,以便他们能够调整自己的技能,并向表现好的同行学习。

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-28 16:57

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表