AI人才「用工荒」如何解決？看看這幾家頂級公司的應對策略

在未來幾年，人工智慧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。如何避免招募 AI 人才的誤區？這裡有來自幾家頂級公司的建議。

招到 AI 人才後，可能還需要對他們進行培訓，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。文章裡還介紹了幾家頂尖公司處理培訓問題的經驗。

在未來幾年，人工智慧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，必須瞭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臺） 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、釋出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 （一個技術招聘平臺，平臺上已彙集超過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） 資料科學副總裁 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 整合到你的業務中。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。

人工智慧不只是深度學習，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程式碼。他們通常是具有電腦科學、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 （為客戶提供基於網際網路的SaaS客戶服務/支援管理軟體，被稱為「雲客服領域的開山鼻祖」） 資料科學經理 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慾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 的資料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、電腦科學和機器學習等領域。

Teradata （天睿公司，全球最大的專注於大資料分析、資料倉儲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 的技能與資料科學類似，數學、電腦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資料這兩個基礎上的。

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、超引數調優等) 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、技術和資料科學的組織中。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路安全的公司） 執行長兼聯合創始人 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：要麼，直到專案盡善盡美才肯結束，經常錯過重要的截止日期；要麼，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臺）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 （智慧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，以便對我們的平臺有更深入的瞭解。他們透過我們自己開發的線上 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 培訓的專案。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 資料科學經理 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 ：

儘管越來越多的人透過大規模開放式線上課程（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，讓他們瞭解業務線在構建 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 執行長兼聯合創始人 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、機器學習和大資料的全面理解，以及我們產品所在的領域。例如，在培訓過程中，我們的網路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路安全），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） 技術長兼 AI 研究負責人 Yogesh Patel：

談到大資料，資料工程師、軟體工程師和資料科學家之間的界限正變得模糊。有一個明顯的傾向是，越來越多的資料工程師和軟體工程師尋求成為資料科學家。

隨著深度學習的引入，越來越不需要花費大量時間處理資料探索、資料清理和特性工程，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資料科學家，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，不需要具備資料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，但在網路安全領域，我們需要更多對該領域以及資料科學概念有深刻理解的人。

這意味著要理解各種資料來源中資料屬性的含義、統計屬性以及它們之間的關係。它還意味著，理解這些資料屬性和資料來源可能如何影響給定的演算法，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型別是如何、何時、在何地發生的有一個直觀的把握——這是制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型別的示例時，準確理解給定分類演算法可能受到的影響，並根據需要調整或適應分類演算法。

LivePerson （美國線上交流產品和服務供應商） 技術長 Alex Spinelli：

管理者和領導者必須學習這些概念，他們必須瞭解什麼是適用人工智慧的，什麼是不適用的。舉個例子，AI 是靠資料和示例驅動的。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。你沒辦法透過反向工程搞清楚 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機率。

JazzHR （透過建立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，許多線上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，以幫助員工擴充套件他們在程式設計、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。