چگونه بدون تعقیب تک شاخ‌ها یک تیم هوش مصنوعی تک‌شاخ بسازیم

منتشر‌شده در towardsdatascience به تاریخ ۲۲ ژوئن ۲۰۲۱
لینک منبع How to Build a Unicorn AI Team without Chasing Unicorns

شما شروع به گردآوری یک تیم هوش مصنوعی می‌کنید؟ خوب، تک شاخ را استخدام کنید که بتواند مشکل کسب‌وکار را درک کند، می‌تواند آن را به بلوک‌های ساختمانی هوش مصنوعی «درست» ترجمه کند، و می‌تواند اجرا و استقرار تولید را انجام دهد. آسان به نظر می‌رسد! به جز اینکه مشاهده چنین تک‌شاخی بسیار نادر است. حتی اگر یک تک شاخ پیدا کنید، احتمال این وجود دارد که قادر به خرید آن نباشید!

با توجه به تجربه من در هدایت داده‌ها + هوش مصنوعی در طول دو دهه گذشته، یک استراتژی موثرتر تمرکز بر روی استخدام مجریان قوی است که به طور جمعی از هفت مهارت خاص در تیم پشتیبانی می‌کنند.

۷ شخصیت مهارت یک تیم هوش مصنوعی تک شاخ

شخصیت درون مجموعه‌داده

خون حیاتی پروژه هوش مصنوعی، داده است. پیدا کردن مجموعه داده‌های درست، آماده‌سازی داده‌ها، و تضمین کیفیت بالا به صورت مداوم یک مهارت کلیدی است. دانش قبیله‌ای زیادی در مورد مجموعه داده‌ها وجود دارد، بنابراین شما به کسی نیاز دارید که بتواند در پی‌گیری معنای ویژگی‌های داده و منشا مجموعه داده‌های مختلف تخصص پیدا کند. چالش مرتبط با داده مقابله با تعاریف متعدد در سازمان برای معیارهای کسب‌وکار است. در یکی از پروژه‌های من، ما با هشت تعریف از «مشتریان جدید ماهانه» در سراسر فروش، امور مالی، و بازاریابی سر و کار داشتیم. یک نقطه شروع خوب برای این شخصیت مهارت، یک مهندس انبار داده سنتی است که دارای مهارت‌های مدل‌سازی داده قوی و کنجکاوی ذاتی برای مرتبط کردن معنای ویژگی‌های داده با عملیات کاربرد و کسب‌وکار است.

شخصیت سازنده پایپ‌لاین

به دست آوردن داده از منابع متعدد به مدل‌های هوش مصنوعی نیازمند پایپ‌لاین‌ داده است. در پایپ‌لاین، داده‌ها تمیز، آماده،منتقل و به ویژگی‌هایML تبدیل می‌شوند. این پایپ‌لاین داده‌ها (که به عنوان استخراج-انتقال-بار یاETL در انبار داده‌های سنتی شناخته می‌شوند) می‌توانند بسیار پیچیده شوند. سازمان‌ها معمولا دارای جنگل‌های پایپ‌لاین با هزاران خط لوله هستند که با استفاده از تکنولوژی‌های داده بزرگ ناهمگن مانند SPark، HIve، و Preno ساخته شده‌اند. سازنده پایپ‌لاین بر ساخت و اجرای خطوط لوله در مقیاس با قدرت و عملکرد مناسب تمرکز می‌کند. بهترین مکان برای پیدا کردن این شخصیت، مهندسان داده با سال‌ها تجربه در حال توسعه دسته و همچنین پایپ‌لاین‌های رویداد زمان واقعی است.

شخصیت کامل هوش مصنوعی

هوش مصنوعی ذاتا از طراحی، آموزش، استقرار، و آموزش مجدد تکراری است. ساخت مدل‌هایML نیاز به صدها آزمایش برای جایگشت های مختلف کد، ویژگی‌ها، مجموعه داده‌ها و پیکره بندی‌های مدل دارد. این شخصیت ترکیبی از دانش دامنه هوش مصنوعی و مهارت‌های قوی ساخت سیستم است. آن‌ها در پلتفرم‌های هوش مصنوعی موجود، از قبیل Tensorflow، Pytorch، یا راه‌حل‌های مبتنی بر ابر مانند AWS، گوگل، و آژور تخصص دارند. با مردمی‌سازی این پلتفرم‌های هوش مصنوعی و دوره‌های آنلاین گسترده، این شخصیت دیگر کمیاب نیست. به تجربه من، یک پیش‌زمینه قوی در مهندسی نرم‌افزار همراه با کنجکاوی آن‌ها برای کسب مهارت در هوش مصنوعی یک ترکیب بسیار موثر است. در استخدام این فرد، به راحتی می‌توان با نوابغی برخورد کرد که دوست دارند به جای اینکه یک بازیکن تیم باشند، به صورت انفرادی پرواز کنند-مراقب باشید و آن‌ها را زود از بین ببرید.

شخصیت الگوریتم‌های هوش مصنوعی

اغلب پروژه‌های هوش مصنوعی به ندرت نیاز به شروع از ابتدا یا اجرای الگوریتم‌های جدید دارند. نقش این شخص هدایت تیم در فضای جستجوی الگوریتم‌ها و تکنیک‌های هوش مصنوعی در زمینه مساله است. آن‌ها به کاهش بن‌بست با اصلاح دوره کمک می‌کنند و به تعادل دقت و پیچیدگی راه‌حل کمک می‌کنند. با توجه به تقاضای بالا در مکان‌هایی که بر نوآوری‌های الگوریتمی هوش مصنوعی تمرکز دارند، دسترسی به این شخصیت آسان نیست. اگر نمی‌توانید از عهده دریافت تمام‌وقت یک فرد برای این مهارت بربیایید، گرفتن یک متخصص به عنوان مشاور یا مشاور راه‌اندازی را در نظر بگیرید. گزینه دیگر سرمایه‌گذاری در آموزش تیم انباشت کامل با دادن زمان به آن‌ها برای یادگیری پیشرفت‌های پژوهشی و درونی سازی الگوریتمی است.

شخصیت عملیات داده + هوش مصنوعی

پس از اینکه راه‌حل هوش مصنوعی در تولید مستقر شد، باید به طور مداوم نظارت شود تا اطمینان حاصل شود که درست کار می‌کند. بسیاری از چیزها ممکن است در تولید اشتباه باشند: خرابی پایپ‌لاین داده‌ها، کیفیت بد داده‌ها، تحت نقطه پایانی استنتاج مدل با قوانین محدود، انحراف در درستی پیش‌بینی‌های مدل، تغییرات غیر هماهنگ در تعاریف معیار کسب‌وکار، و غیره. این شخص بر ساخت نظارت و اتوماسیون مناسب برای اطمینان از عملیات یکپارچه تمرکز می‌کند. در مقایسه با DevOps سنتی برای محصولات نرم‌افزاری، داده + هوش مصنوعی Ops با توجه به تعداد قطعات در حال حرکت بسیار پیچیده است. محققان گوگل این پیچیدگی را به درستی به عنوان اصل CACE خلاصه کردند: تغییر هر چیزی همه چیز را تغییر می‌دهد. یک نقطه شروع خوب برای پیدا کردن این شخصیت، مهندسان DataOps باتجربه هستند که می‌خواهند فضای داده + هوش مصنوعی را یاد بگیرند.

شخصیت برنامه‌ریز فرضیه

پروژه‌های هوش مصنوعی پر از شگفتی هستند! سفر از داده‌های خام به اطلاعات قابل‌استفاده هوش مصنوعی یک خط مستقیم نیست. شما به تطبیق برنامه‌ریزی پروژه انعطاف‌پذیر براساس اثبات یا رد فرضیه‌ها در مورد مجموعه داده‌ها، ویژگی‌ها، دقت مدل، تجربه مشتری نیاز دارید. یک مکان خوب برای یافتن این شخصیت مهارت در تحلیلگران داده سنتی با تجربه کار بر روی پروژه‌های همزمان متعدد با مهلت‌های زمانی محدود است. آن‌ها می‌توانند به عنوان مدیران پروژه عالی با توجه به غرایزشان برای پی‌گیری و موازی کردن فرضیه‌ها عمل کنند.

شخصیت صاحب تأثیر

مالک تاثیر از نزدیک با جزئیات نحوه بکارگیری پیشنهاد هوش مصنوعی برای ارائه ارزش آشنا است. برای مثال، هنگام حل یک مشکل مربوط به بهبود حفظ مشتری با استفاده از هوش مصنوعی، این شخص درک کاملی از نقشه سفر مربوط به اکتساب، حفظ و فرسایش مشتری خواهد داشت. آن‌ها مسئول تعریف چگونگی اجرای پیش‌بینی‌های فرسایش مشتری از راه‌حل هوش مصنوعی توسط متخصص تیم پشتیبانی برای کاهش رویگردانی خواهند بود. بهترین مکان برای پیدا کردن این شخصیت در تیم کسب‌وکار موجود است-به طور ایده‌آل، یک مهندس با غریزه قوی محصول و عمل‌گرایی. بدون این شخصیت، تیم‌ها چیزی را می‌سازند که از نظر فنی امکان پذیر است، به جای اینکه در مورد چیزی که واقعا در گردش کار انتها به انتها برای تولید ارزش مورد نیاز است عملگرا باشند.

به طور خلاصه، این هفت مهارت برای هر تیم هوش مصنوعی ضروری هستند. اهمیت این ویژگی‌ها بسته به پختگی داده‌ها، نوع مشکلات هوش مصنوعی و مجموعه مهارت‌های موجود با داده‌های گسترده‌تر و تیم‌های کاربردی متفاوت است. به عنوان مثال مفسر داده در سازمان‌هایی که داده در تعداد زیادی از جداول کوچک دارند در مقایسه با آن‌هایی که تعداد کمی از جداول بزرگ دارند بسیار مهم‌تر است. این عوامل باید در تعیین ارشدیت صحیح و اصالت برای هر یک از پرسنل مهارت در تیم هوش مصنوعی در نظر گرفته شوند. امیدوارم بتوانید تیم هوش مصنوعی خود را به جای این که منتظر تک‌شاخ باشید، بسازید!

این متن با استفاده از ربات مترجم مقالات دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.