Tom Taulli作者Forbes来源太浪编译

AI人才「用工荒」如何解决?看看这几家顶级公司的应对策略

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。

原文链接:

https://www.forbes.com/sites/tomtaulli/2019/01/26/hiring-for-the-ai-artificial-intelligence-revolution-part-i/#1ffa589d51b3

https://www.forbes.com/sites/tomtaulli/2019/01/27/hiring-for-the-ai-artificial-intelligence-revolution-part-ii/#7fc24fe62a81

产业就业机器人
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

数据清理技术

数据清理(data cleansing)指删除、更正数据库中错误、不完整、格式有误或多余的数据。数据清理不仅仅更正错误,同样加强来自各个单独信息系统不同数据间的一致性。专门的数据清理软件能够自动检测数据文件,更正错误数据,并用全企业一致的格式整合数据。

超参数技术

在机器学习中,超参数是在学习过程开始之前设置其值的参数。 相反,其他参数的值是通过训练得出的。 不同的模型训练算法需要不同的超参数,一些简单的算法(如普通最小二乘回归)不需要。 给定这些超参数,训练算法从数据中学习参数。相同种类的机器学习模型可能需要不同的超参数来适应不同的数据模式,并且必须对其进行调整以便模型能够最优地解决机器学习问题。 在实际应用中一般需要对超参数进行优化,以找到一个超参数元组(tuple),由这些超参数元组形成一个最优化模型,该模型可以将在给定的独立数据上预定义的损失函数最小化。

数据管理技术

数据管理是利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程,其目的在于充分有效地发挥数据的作用。

先验知识技术

先验(apriori ;也译作 先天)在拉丁文中指“来自先前的东西”,或稍稍引申指“在经验之前”。近代西方传统中,认为先验指无需经验或先于经验获得的知识。先验知识不依赖于经验,比如,数学式子2+2=4;恒真命题“所有的单身汉一定没有结婚”;以及来自纯粹理性的推断“本体论证明”

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

数据仓库技术

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

在线学习技术

在计算机科学中,在线学习是一种机器学习方法。和立即对整个训练数据集进行学习的批处理学习技术相反,在线学习的数据按顺序可用,并在每个步骤使用未来数据更新最佳预测器。

推荐文章
暂无评论
暂无评论~