Inilah cara Anda membangun regu pemenang – TechCrunch


Oleh Florian Douetteau, Dataiku

Menyampaikan tujuan AI dan data bukanlah upaya yang mudah, dan bahkan saat kematangan global seputar inisiatif AI secara bertahap meningkat, banyak perusahaan masih tersandung pada salah satu yang pertama (dan tersulit). jebakan: mengetahui apa, dan siapa, yang harus dicari saat membangun tim dan inisiatif kepegawaian.

Banyak hype AI awal berfokus terutama pada peran data scientist, seringkali mengharapkannya untuk mencakup seluruh spektrum keterampilan data dan memenuhi setiap kebutuhan organisasi terkait data. Namun, pendekatan ini pada dasarnya memiliki kelemahan. Sebaliknya, salah satu hal terbesar yang harus dipahami bisnis untuk mengatasi tantangan ini adalah bahwa AI sebenarnya adalah a tim olahraga.

Bayangkan sebuah dunia di mana para pemain di lapangan (atau lapangan, atau masukkan medan olahraga favorit Anda di sini) semuanya secara bersamaan mengikuti interpretasi individu mereka sendiri tentang strategi permainan. Setiap pemain hanya membuat gerakan yang selaras dengan kekuatan pribadinya sendiri tanpa koordinasi dengan orang lain. Anggap saja akan ada banyak operan yang terlewat, tembakan yang gagal, dan pada akhirnya, para pemain dan pelatih yang membuat frustrasi.

Analogi ini mungkin terdengar agak keterlaluan, karena bukan begitu cara kerja olahraga – semua orang tahu Anda membutuhkan orang-orang dengan berbagai keahlian dan bahwa mereka perlu berkomunikasi dan bekerja sama untuk mencapai tujuan bersama. Bahkan jika sebuah tim memiliki pemain terbaik yang bisa dibeli dengan uang, dia tidak bisa melakukannya sendiri. Pada saat yang sama, mempekerjakan pemain tambahan dengan keterampilan yang sama persis dengan superstar juga tidak berhasil – dan hal yang sama berlaku untuk inisiatif AI.

Saat ini, banyak perusahaan masih mencari untuk mempekerjakan “unicorn data” – yaitu, penyihir data all-in-one supernatural yang memiliki seluruh jangkauan keterampilan yang dibutuhkan organisasi untuk mencapai tujuan AI mereka. Mereka memiliki pengetahuan yang mendalam tentang arsitektur dan infrastruktur, tetapi mereka juga terampil dalam membuat model pembelajaran mesin. Mereka dapat mengomunikasikan persyaratan dan kebutuhan bisnis, tetapi mereka juga tahu cara mendorong model ke dalam produksi.

Strategi ini tidak hanya mahal dan tidak realistis, tetapi setelah memetakan apa yang dibutuhkan bisnis dan keterampilan yang diperlukan untuk memenuhi kebutuhan tersebut, mungkin juga tidak masuk akal.

Kredit Gambar: Dataiku (terbuka di jendela baru)

Organisasi semakin menyadari bahwa:

  1. Tidak semua ilmuwan data dibuat sama (Gambar 1), dan
  2. Proses sains data itu sendiri tidak hanya berputar di sekitar ilmuwan data – Anda membutuhkan individu lain dengan keahlian berbeda untuk mendukung setiap langkah siklus hidup AI.

Dengan demikian, untuk melampaui hype AI dan berhasil menerapkan strategi AI Perusahaan yang komprehensif dan berkelanjutan, bisnis harus dapat membedah setiap bagian dari siklus hidup model AI (Gambar 2), menerjemahkannya menjadi sumber daya dan kebutuhan organisasi yang konkret, dan kemudian petakan kebutuhan tersebut ke berbagai profil data yang tersedia.

Sebelum merekrut, pertimbangkan dengan tepat apa kebutuhan bisnis dan jenis profil data mana yang akan menambah nilai paling banyak. Membuat keputusan seperti ini sebelum membuat posting pekerjaan akan bermanfaat dalam membuat daftar keterampilan khusus dan mengasah pertanyaan wawancara. Beberapa pertanyaan kunci yang perlu dipertimbangkan untuk memahami organisasi kebutuhan mendesak dalam hal penempatan staf proyek AI adalah:

  • Apa itu proyek pertama organisasi akan menangani?
  • Apa hasil akhir yang diharapkan dari proyek-proyek ini? Skala yang lebih kecil (misalnya, dasbor atau analitik untuk penggunaan internal, lebih diarahkan ke inisiatif analitik layanan mandiri)? Atau model yang dioperasionalkan dalam produksi yang berdampak pada sebagian besar (atau sebagian) bisnis, di mana tim mungkin memerlukan keterampilan khusus?
  • Apakah data untuk proyek sudah tersedia, atau akankah bagian dari proyek itu sendiri berada di sekitar menemukan dan menggali sumber data baru (dalam hal ini keterampilan teknik data mungkin berguna)?

Mencapai keseimbangan yang tepat antara semua profil data yang berbeda sangat penting untuk praktik data yang efisien di organisasi secara keseluruhan. Mempekerjakan terlalu banyak satu profil dan tidak cukup banyak profil yang lain dapat menyebabkan kemacetan dalam proses dan frustrasi di sekitar. Sebagai contoh:

  • Sebuah organisasi yang mempekerjakan terlalu banyak ilmuwan data tetapi tidak memiliki cukup arsitek data membangun dan memelihara arsitektur database dengan cara yang memungkinkan penerapan, penyempurnaan, dan penskalaan model pembelajaran mesin secara terus-menerus dalam produksi dapat mengakibatkan frustrasi di kedua sisi, karena tidak satu pun dari mereka yang melihat dampak bisnis di kehidupan nyata dari pekerjaan mereka.
  • Tidak memiliki cukup pemimpin atau manajer data dapat menyebabkan komunikasi dengan bisnis dan prioritas proyek yang jelas hancur, yang mengakibatkan ilmuwan atau analis data bekerja sendiri. Ini, pada gilirannya, juga bisa berarti kehilangan peluang untuk digunakan kembali di seluruh proyek data.

Pada akhirnya, menemukan perpaduan yang baik antara profesional data yang merupakan keseimbangan yang tepat untuk bisnis adalah kunci retensi staf dan untuk membangun tim yang benar-benar dapat melaksanakan ambisi AI organisasi. Mesin yang diminyaki dengan baik berarti karyawan yang lebih bahagia, dengan lebih sedikit orang yang harus melakukan tugas di luar zona keahlian atau kenyamanan mereka.

Namun, bahkan dengan sumber daya dan praktik perekrutan dan peningkatan keterampilan, membangun dan memberdayakan tim AI yang hebat masih menghadirkan banyak tantangan. Sains data, pembelajaran mesin, dan platform AI (seperti Dataiku) adalah kemenangan yang jelas bagi tim data dan, bila diterapkan dengan cara yang benar, dapat berfungsi sebagai fondasi untuk membangun tim yang hebat.

Dengan merangkul kekuatan dan keahlian teknis yang berbeda dari berbagai kontributor dan memungkinkan mereka untuk mengkonsolidasikan pekerjaan mereka dengan cara yang diatur dan terorganisir, alat yang tepat dapat meringankan jenis kesulitan ini dan memungkinkan tim untuk mengembangkan proyek AI dengan lebih cepat dan lebih efektif.

Posted By : http://airtogel.com/