為什麼你應該將人工智能視為一項團隊運動

將人工智能視為一項團隊運動意味著什麼？ 我們看到人工智能項目從炒作轉向產生影響，很大程度上是因為合適的角色正在參與其中，以提供以前缺失的業務背景。 領域專業知識是關鍵； 機器不具備人類所擁有的深度背景，人們需要充分了解業務和數據，才能根據出現的任何見解或建議來了解要採取哪些操作。

在擴展人工智能方面，許多領導者認為他們存在人員問題——具體來說，沒有足夠的數據科學家。 但並非每個業務問題都是數據科學問題。 或者至少，並非所有業務挑戰都應該交給您的數據科學團隊。 通過正確的方法，您可以享受人工智能的好處，而無需面臨傳統數據科學週期帶來的挑戰。

為了部署和擴展人工智能解決方案，領導者需要轉變組織的思維方式，將人工智能視為一項團隊運動。 一些人工智能項目需要不同的人員、工具和對成功結果的期望。 了解如何識別這些機會將幫助您開展更成功的人工智能項目並加深您的人工智能用戶群，從而提高整個員工隊伍的決策速度和能力。 讓我們探討一下原因和方式。

組織正在利用人工智能實現高級分析的民主化

使用人工智能解決業務問題很大程度上屬於數據科學家的職權範圍。 通常，數據科學團隊是為組織最大的機遇和最複雜的挑戰而保留的。 許多組織已經成功地將數據科學應用於欺詐檢測、個性化等特定用例，其中深厚的技術專業知識和微調的模型帶來了巨大的成功結果。

然而，由於多種原因，通過數據科學團隊擴展人工智能解決方案對組織來說是一項挑戰。 吸引和留住人才的成本非常昂貴，而且在競爭激烈的市場中可能會很困難。 傳統的數據科學項目通常需要花費大量時間來開發和部署，然後業務才能看到價值。 即使是最有經驗、最強大的數據科學團隊，如果缺乏必要的數據或背景來理解他們需要解決的問題的細微差別，也可能會失敗。

2021 年 Gartner® 數據科學和機器學習的現狀 (DSML) 報告指出，“客戶需求正在發生變化，技術含量較低的受眾希望更輕鬆地應用 DSML，專家需要提高生產力，企業需要更短的時間來實現投資價值¹”。 雖然人工智能提供的分析速度或徹底性可能有助於解決許多業務問題，但傳統的數據科學方法可能並不總是快速看到價值的最佳攻擊計劃。 事實上，同一份 Gartner 報告預測，“到 2025 年，數據科學家的稀缺將不再阻礙數據科學和機器學習在組織中的採用。”

領域專業知識對於在整個企業中擴展人工智能至關重要

人工智能已經在幫助沒有數據科學背景的用戶帶來先進的分析能力。 機器可以從最好的預測模型和算法中進行選擇，並且可以公開底層模型，從而提供對其進行調整併確保一切都符合用戶正在尋找的內容的能力。

這些功能使分析師和熟練的業務領域專家能夠設計和利用自己的人工智能應用程序。 由於更接近數據，這些用戶比許多數據科學家同行具有優勢。 將這種權力交給具有領域專業知識的人員可以幫助避免與傳統數據科學週期相關的漫長的開發時間、資源負擔和隱性成本。 另外，具有領域專業知識的人應該是決定人工智能預測或建議是否有幫助的人。

通過更加迭代、修改和重新部署的模型構建流程，具有業務背景的人員可以更快地從人工智能中獲取價值，甚至可以在幾天到幾週內（而不是幾周到幾個月）向數千名用戶部署新模型。 對於那些獨特的挑戰可能不是數據科學團隊的高度優先考慮的團隊來說，這尤其強大，但可以從人工智能分析的速度和徹底性中受益。

然而，值得注意的是，雖然這些解決方案可以幫助解決分析師和數據科學家之間的技能差距，但它並不能替代後者。 數據科學家仍然是業務專家的重要合作夥伴，以驗證人工智能解決方案中使用的數據。 除了這種合作之外，教育和數據技能對於成功大規模使用此類工具也至關重要。

數據素養使更多人能夠利用人工智能

您的基礎數據策略對於讓您的組織在人工智能方面取得成功發揮著巨大作用，但將人工智能解決方案帶給整個企業的更多人將需要數據素養的基線。 了解哪些數據適合應用於業務問題，以及如何解釋人工智能建議的數據和結果，將有助於人們成功信任並採用人工智能作為決策的一部分。 組織內的共享數據語言也為與專家的成功協作打開了更多大門。

麥肯錫最新的人工智能全球調查顯示，34% 的高績效組織“設有專門的培訓中心，通過實踐學習培養非技術人員的人工智能技能”，而其他接受調查的組織中這一比例僅為14% 。 此外，在 39% 的高績效組織中，“人工智能用戶和組織的數據科學團隊之間有指定的溝通渠道和接觸點”，而其他組織中這一比例僅為 20%。

領導者可以採取多種方法來培養數據素養，包括教育和培訓、指導計劃、社區建設數據競賽等等。 考慮規範數據的訪問和共享，以及如何利用數據慶祝和促進成功、學習和決策。

Tableau Research 負責人 Vidya Setlur 表示：“關於可視化和數據科學的數據素養和教育需要更加普及，並且需要更早地教授。” “依賴數據的使用會帶來某種社會和組織責任。 人們應該更好地理解、解釋和充分利用數據，因為人工智能只會變得更加複雜，而我們應該領先一步。”

繼續構建組織的數據文化可以為培養技能和在整個企業中培育新的解決方案創造強大的機會。 近年來，隨著數字化轉型的加速，許多組織已經增加了對數據和分析的投資。 將數據視為一項團隊運動是不可能的——現在我們有辦法將這種思維方式擴展到人工智能。