AI人才「用工荒」如何解决？看看这几家顶级公司的应对策略
作者 | Tom Taulli
来源 | Forbes
编译 | 太浪
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。