Могут ли принести пользу вашей формирующейся команде по внедрению искусственного интеллекта музыкант, химик или физик? Ответ: могут, потому что сила ИИ в поглощении разнородной информации. Портал Enterprisers Project приводит мнения ряда экспертов о ряде навыков и функций — они необязательно носят технический характер, — которые помогут успешно справиться с реализацией ИИ-проекта.

Успех инициатив в области ИИ может зависеть не только от науки о данных и машинного обучения, но и, как это ни парадоксально звучит, от искусства и философии. Это связано с тем, что для эффективного развертывания ИИ на предприятии требуется формирование сплоченной команды, в состав которой должны входить люди с разным опытом, навыками, в том числе гуманитарии. «Связь между ИТ-экспертом и профильным экспертом должна быть проложена в любой ИИ-инициативе. Дело в том, что ИТ-специалист хорошо разбирается в инструментарии машинного обучения, например в том, какие наборы алгоритмов решат конкретную проблему или как настроить конкретный алгоритм для повышения точности результатов, тогда как профильный эксперт обладает знаниями в предметной области: какие источники данных доступны, насколько данные чисты. Последние также могут провести оценку качества рекомендаций алгоритма машинного обучения. ИТ-эксперт не может ответить на эти вопросы без участия эксперта в предметной области», — считает технический директор Ness Digital Engineering Моше Кранк.

По словам ИТ-директора SAS Кита Коллинза, успех внедрения ИИ зависит от команды, а не от одного человека: «Приступая к ее формированию, многие предприятия пытаются найти одного или нескольких одаренных ИТ-специалистов, однако ключ к ее эффективной работе — командный дух и специалисты, которые представляют не только технические дисциплины». Так кого же включить в группу по внедрению ИИ?

Четыре типа специалистов, которые потребуются для ИИ-команды

  • специалист, разбирающийся в специфике ваших бизнес-процессов, критически важных для создания реальных ИИ-сценариев и получения ценных выводов;
  • аналитик, разбирающийся в таких областях знаний, как машинное обучение, статистика, прогнозирование и оптимизация процессов. Его привлечение позволит подобрать правильную методику внедрения;
  • специалист по данным. Он должен «чувствовать» всю логическую цепочку данных, которые циркулируют на предприятии (откуда данные поступают, их качество, безопасность и доверительность);
  • архитектор ИИ, который знает, как привести в действие аналитику, настроив ее на получение результатов.

Как и другие ИТ-лидеры и эксперты по ИИ, Коллинз считает, что эти основные роли могут опираться на самые разные типы знаний, приводя в качестве примера музыку, химию и физику: «Эти области естествознания способствуют пониманию научного процесса с точки зрения сложных интерактивных систем. Они помогают выработать навыки критического мышления, необходимые для проведения качественных экспериментов в области прикладного машинного обучения».

Почему эффективность ИИ-команды зависит от разнородности ее состава

Включение в ИИ-команду специалистов разных профилей преследует несколько целей. Во-первых, это поможет вашей организации успешнее бороться с предвзятостью ИИ. Во-вторых, это также важно для решения бизнес-задач, включая самые сложные, что, как правило, и является одной из основных причин, двигающих большинство компаний к разработке стратегии ИИ. «Общепринято считать, что разнообразие мнений имеет решающее значение для решения сложных проблем. Дивергентность — это основа жизненного опыта, частью которого является профессиональный опыт. Применяя его, проекты в области ИИ можно будет вывести на качественно иной уровень, открывая новые перспективы для поиска инновационных решений», — уверен старший специалист по данным и руководитель IoT-подразделения Very Джефф Макги.

Он также отмечает, что создание команд — для внедрения ИИ или других задач, — которые состоят из специалистов с разноплановыми навыками, требует активных действий со стороны компании, которой для этого придется прибегнуть к их набору и найму. Пассивный подход в реализации тимбилдинга приведет к отрицательным результатам. Очертим более детально круг экспертов и выполняемых им обязанностей, включая нетехнические, которые могут быть полезны для команды ИИ.

1. Профильные эксперты

Профильные эксперты, или, как их еще называют, эксперты в предметной области (Subject-matter expert, SME) представляют особую важность для инициатив ИИ. «Разработка ИИ-системы невозможна без глубокого понимания той области или предмета, где она будет работать, — говорит Макги. — Эксперты по разработке систем ИИ редко когда являются экспертами в профильных областях. Именно SME могут предоставить критически значимую информацию, которая позволит системе ИИ работать наилучшим образом».

По словам Кранка, выбор профильного эксперта зависит от решаемой проблемы. Независимо от того, обладает ли SME познаниями в области получения доходов, операционной деятельности или управлении цепочками поставок, он должен ответить на такие вопросы:

  • какие сведения будут наиболее ценными?
  • можно ли доверять собранным данным о предмете в качестве основы для получения выводов?
  • имеют ли смысл полученные идеи?

2. Специалисты по данным

По словам главы отдела ИИ-разработок Jane.ai Дэйва Костенаро, специалисты по данным должны входить в любую ИИ-команду, работающую над новым проектом. В качестве примеров подобных проектов он называет разработку чат-агента, систему компьютерного зрения или систему прогнозирования. Костенаро считает, что специалисты по данным — это первое из успешных звеньев в цепи успешной реализации ИИ-проекта.

3. Инженеры данных

Инженеры данных — второе звено. Это программисты, которые ставят проект ИИ на рельсы. «Они берут у исследователей данных идеи, модели и алгоритмы и воплощают их в жизнь, формализуя код, заставляя его работать на серверах, и одновременно поддерживают контакт с соответствующими пользователями, устройствами, API и т. д. Инженеры данных отвечают на вопрос, как запустить проект», — говорит Костенаро.

4. Дизайнеры продуктов

Они замыкают тройку ключевых компонентов для успешного внедрения ИИ, подчеркивая значение экспертизы, которая носит нетехнический характер. «Дизайнеры продуктов могут привлекаться из самых разных областей, таких как искусство, дизайн, инженерия, менеджмент, психология, философия. Они отвечают за то, с какой целью запущен проект и составляют дорожную карту для поиска нужных им идей».

5. Специалисты по этике ИИ и социологии

Такого рода специалисты могут потребоваться, если внедрение ИИ происходит в здравоохранении или в правительственных учреждениях, однако намечается тенденция, что их роль будет возрастать и в более широком диапазоне отраслей. «Приступая к созданию ИИ-системы, нужно понять, как она будет влиять на людей и справедливо ли относится к недостаточно представленным группам. Если система обладает беспрецедентной точностью, но в то же время вызывает социальные потрясения, она обречена на провал», — считает Макги.

6. Юристы

Юридическая экспертиза — это еще одна область, которая вскоре начнет пересекаться с ИИ. «GDPR создал прецедент для законов, касающихся внедрения алгоритмических решений, — говорит Макги. — По мере возрастания роли ИИ в промышленности стоит ожидать, что появится больше законов, которые будут его регулировать. Юрист, который хорошо разбирается в этой области, может стать ценным приобретением для вашей команды».

Кранк и Макги подчеркивают важность привлечения профильных экспертов, обладающих как техническими, так и гуманитарными навыками, которых ранее уже работали в одной команде и которых задействовали для внедрения других проектов. «Зачастую ИИ является только стимулятором, который дополняет существующий бизнес-сценарий использования, поэтому имеет смысл поддерживать команду, которая в прошлом с ним работала», — отмечает Костенаро.

Рассмотрим несколько примеров того, какие возможности ИИ сулит руководителям предприятий, ИТ-лидерам и некоторым другим специалистам, и как они могут ими воспользоваться.

7. Руководители

По мнению Костенаро, руководство должно подумать над тем, какие части бизнес-модели можно с помощью ИИ автоматизировать и улучшить, взвесить новые возможности, а также учесть такие риски, как несоблюдение конфиденциальности данных, взаимодействие человека с машиной и т. д.

8. ИТ-лидеры

Как уже говорилось, значение экспертов гуманитарных специальностей велико, однако без ИТ стратегия организации в области ИИ продвинется недалеко. ИТ-командам необходимо будет ответить на вопросы, как обеспечить конфиденциальность и безопасность данных, которые накапливаются для обучения модели в корпоративном хранилище, как быстро и надежно переправлять их с серверов на устройства клиентов и т. п. Возникновение подобных задач будет способствовать росту спроса на профессионалов DevOps и специалистов по облачным технологиям (контейнеризация и оркестровка), считает Костенаро. Он ожидает рост интереса к ИИ-инструментам типа чат-ботов, которые упростят обслуживание внутренней инфраструктуры.

9. Руководители кадровых служб

Подобно ИТ, кадровые службы обладают множеством возможностей стать более эффективными при помощи таких ИИ-инструментов, как чат-боты, которые могут применяться для обслуживания внутренних клиентов. Более того, кадровые подразделения станут важными игроками в оценке воздействия ИИ внутри организации, полагает Костенаро. Макги оценивает роль кадровиков на уровне специалистов по этике и юристов.

10. Руководители по маркетингу и продажам

Как отметил Кранк, если ИИ-проект связан с получением прибыли, то организации в первую очередь следует усилить экспертные знания в таких областях, как продажи и маркетинг. Костенаро также отмечает, что специалистам по продажам и маркетингу в рамках проекта ИИ потребуется расширить свой горизонт навыков и усовершенствовать процессы с помощью таких технологий, как инструменты автоматизации продаж и RPA.

11. Специалисты по операциям

ИТ-департамент, как правило, состоит из специалистов по операциям и DevOps, которые обладают достаточным опытом для работы с ИИ. Костенаро приводит примеры вопросов, ответить на которые поможет их опыт:

  • что можно автоматизировать и улучшить?
  • как создать новые процессы сбора данных для постоянного обучения и улучшения моделей машинного обучения?
  • существуют ли готовые, предварительно обученные модели и/или наборы данных, которые можно получить из репозиториев с открытым кодом, что поможет придать проекту дополнительное ускорение?
  • смогут ли API-сервисы, предлагаемые сторонними поставщиками, выполнять требуемые предприятием задачи?

Нужно иметь в виду, что несмотря на то, что ИИ может помочь решить некоторые существенные проблемы, он же может создать другие. «Каждый человек — личность, обладающая собственным жизненным опытом и видением ситуации, поэтому люди склонны фокусироваться на разных деталях. Это полезно, потому что повышает вероятность того, что все важные детали не останутся без внимания, а также обеспечивает целостный подход к поиску решений», — считает Макги.

Версия для печати