为什么你应该将人工智能视为一项团队运动

将 AI 视为一项团队运动意味着什么？ 我们看到人工智能项目从炒作转向影响，主要是因为合适的角色正在参与其中，以提供以前缺失的业务环境。 领域专业知识是关键； 机器没有人们所拥有的深度上下文，人们需要对业务和数据有足够的了解，以了解根据出现的任何见解或建议采取哪些行动。

在扩展 AI 时，许多领导者认为他们有一个人的问题——特别是，没有足够的数据科学家。 但并非每个业务问题都是数据科学问题。 或者至少，并非所有业务挑战都应该交给您的数据科学团队。 通过正确的方法，您可以获得 AI 的好处，而不会遇到传统数据科学周期带来的挑战。

为了部署和扩展 AI 解决方案，领导者需要转变组织的思维方式，将 AI 视为一项团队运动。 一些 AI 项目需要一组不同的人员、工具和对成功结果的期望。 了解如何识别这些机会将帮助您处理更成功的 AI 项目并加深您的 AI 用户群，从而提高整个员工队伍的决策速度和能力。 让我们探讨为什么以及如何。

组织正在通过 AI 普及高级分析

使用人工智能解决业务问题在很大程度上是数据科学家的职责范围。 通常，数据科学团队是为组织最大的机遇和最复杂的挑战而保留的。 许多组织已成功地将数据科学应用于欺诈检测、个性化等特定用例，其中深厚的技术专长和微调模型推动了巨大的成功。

但是，出于多种原因，通过您的数据科学团队扩展 AI 解决方案对组织来说是一项挑战。 吸引和留住人才的成本非常高，而且在竞争激烈的市场中可能很困难。 在业务看到价值之前，传统的数据科学项目通常需要大量时间来开发和部署。 即使是最有经验、最强大的数据科学团队，如果缺乏必要的数据或上下文来理解他们被要求解决的问题的细微差别，也可能会失败。

2021 年 Gartner® 数据科学和机器学习的现状 (DSML) 报告指出，“客户需求正在发生变化，技术水平较低的受众希望更轻松地应用 DSML，专家需要提高生产力，企业需要更短的时间来实现投资价值¹。” 虽然可能有许多业务问题可以从 AI 可以提供的分析速度或彻底性中受益，但传统的数据科学方法可能并不总是快速看到价值的最佳攻击计划。 事实上，同一份 Gartner 报告预测，“到 2025 年，数据科学家的稀缺将不再阻碍组织采用数据科学和机器学习。”

领域专业知识对于在整个业务中扩展 AI 至关重要

人工智能已经在帮助没有数据科学背景的用户提供高级分析功能。 机器可以从最好的预测模型和算法中进行选择，并且可以公开底层模型，从而提供调整它们的能力，并确保一切都符合用户的要求。

这些功能使分析师和熟练的业务领域专家能够设计和利用他们自己的 AI 应用程序。 由于更接近数据，这些用户比他们的许多数据科学家同行更有优势。 将这种权力交给具有领域专业知识的人可以帮助避免与传统数据科学周期相关的冗长的开发时间、资源负担和隐藏成本。 此外，应该由具有领域专业知识的人来决定 AI 预测或建议是否有用。

通过更具迭代性、修改和重新部署的模型构建流程，具有业务背景的人可以更快地从人工智能中获得价值——甚至在几天到几周内将新模型部署到数千名用户，而不是几周到几个月。 这对于那些独特挑战可能不是数据科学团队高度优先考虑的团队来说尤其强大，但可以从人工智能分析的速度和彻底性中受益。

然而，重要的是要注意，虽然这些解决方案可以帮助解决分析师和数据科学家之间的技能差距，但它并不能替代后者。 数据科学家仍然是业务专家的重要合作伙伴，以验证人工智能解决方案中使用的数据。 除了这种协作之外，教育和数据技能对于大规模成功使用这些工具也至关重要。

数据素养使更多人能够利用人工智能

您的基础数据战略在建立您的组织以在 AI 方面取得成功方面发挥着巨大的作用，但将 AI 解决方案带给整个企业的更多人将需要数据素养的基线。 了解哪些数据适合应用于业务问题，以及如何解释 AI 推荐的数据和结果，将有助于人们成功信任并采用 AI 作为决策的一部分。 组织内的数据共享语言也为与专家的成功合作打开了更多大门。

麦肯锡最新的人工智能全球调查显示，在 34% 的高绩效组织中，“专门的培训中心通过动手学习来培养非技术人员的人工智能技能”，而在所有其他接受调查的组织中，这一比例仅为 14%。 此外，在 39% 的高绩效组织中，“在 AI 用户和组织的数据科学团队之间有指定的沟通渠道和接触点”，而在其他组织中这一比例仅为 20%。

领导者可以采取多种方法来建立数据素养，包括教育和培训、指导计划、社区建设数据竞赛等等。 考虑规范数据的访问和共享，以及如何用数据庆祝和促进成功、学习和决策。

Tableau Research 负责人 Vidya Setlur 表示：“关于可视化和数据科学的数据素养和教育需要更加普遍，并且需要尽快教授。” “依赖使用数据会产生一种社会和组织责任。 人们应该更好地理解、解释和充分利用数据，因为人工智能只会变得更加复杂，我们应该领先一步。”

继续建立组织的数据文化会创造强大的机会来培养技能并在整个企业中培育新的解决方案。 近年来，随着数字化转型的加速，许多组织已经增加了对数据和分析的投资。 将数据视为一项团队运动并不是一件容易的事——现在我们有办法将这种思维方式扩展到人工智能。