你如何开始组装AI团队？嗯，雇用可以了解业务问题的独角兽，可以将其转化为“正确的”AI构建块，并可以提供实施和生产部署。听起来很容易！除了这种独角兽的目击非常罕见。即使你找到一个独角兽，你也无法负担得起！

在我的经验领先的数据+ AI产品和平台过去二十年中，更有效的策略是专注于招募累积地支持团队中七个特定技能人物的实体表演者。

一个独角兽AI团队的7个技能人物

以上：一个独角兽AI团队的七个技能人物（作者的形象）

数据集翻译人员

AI项目的生命线是数据。找到正确的数据集，准备数据，并在持续的基础上确保高质量是一个关键技能。有很多关于数据集的部落知识，因此您需要一个可以专注于跟踪数据属性的含义和不同数据集的起源的人。与数据的相关挑战是在营业指标组织内解决多个定义。在我的一个项目中，我们在销售，金融和营销中处理了八个“每月新客户”的定义。这个技能角色的一个很好的起点是传统的数据仓库工程师，他们具有强大的数据建模技能和固有的好奇心，以将数据属性的含义与应用程序和业务运营相关联。

管道建​​造者角色

将来自多个源的数据从多个源获取到AI模型需要数据流水线。在管道内，将数据清洗，准备，转换和转换为ML特征。这些数据流水线（传统数据仓库中的提取 - 变换负载或ETL）可能会变得非常复杂。组织通常具有管道丛林，其中有数以千计的管道使用异构大数据技术，如火花，蜂巢和普拉斯托。管道建​​造者角色专注于以稳健性和性能的规模建造和运行管道。找到此角色的最佳地点是具有多年经验的数据工程师，开发批次的经验以及实时事件管道。

ai全堆栈的persona

AI本质上迭代设计，培训，部署和重新培训。构建ML模型需要数百个代码，功能，数据集和模型配置的不同排列实验。这个角色是AI领域知识和强大的系统建设技能的组合。他们专注于现有的AI平台，例如Tensorflow，Pytorch或基于云的解决方案，例如AWS，Google和Azure。随着这些AI平台和广泛的在线课程的民主化，这个角色不再是稀缺性。在我的经验中，软件工程的强大背景与他们在AI中获得掌握的好奇心是一种非常有效的组合。在招聘这个角色时，很容易遇到喜欢独唱的天才而不是成为团队球员 - 在寻找和杂草早期。

AI算法角色

大多数AI项目很少需要从划伤或实现新算法开始。此角色的作用是指导团队在问题的背景下的AI算法和技术的搜索空间。它们有助于减少死区，随着课程校正，帮助平衡解决方案准确性和复杂性。在专注于AI算法创新的地方，这位角色并不容易获得高需求。如果您不能为此技能提供全职的人，请考虑获得专家作为顾问或创业顾问。另一种选择是通过为学习研究进步和算法内界提供时间来投资全筹集团队。

数据+ AI运营人员

在生产中部署AI解决方案后，需要连续监测，以确保其正常工作。生产中可能出现问题：数据流水线失败，质量不好的数据，提供的不足模式推理端点，漂移模型预测的正确性，商业度量标准定义的不协调变化，等等。此角色侧重于建立正确的监控和自动化，以确保无缝操作。与软件产品的传统Devops相比，给出了移动件的数量，数据+ AI OPS显着复杂。谷歌研究人员将这种复杂性汇总为CACE原则：改变任何改变一切。找到这个角色的一个很好的起点是经验丰富的Dataops工程师渴望学习数据+ AI空间。

假设计划者角色

AI项目充满了惊喜！从原始数据到可用AI智能的旅程不是一条直线。您需要灵活的项目规划 - 根据数据集，功能，模型准确性，客户体验的证明或解散假设来调整。找到此技能角色的好地方是传统数据分析师，具有在多个并发项目上工作的经验，紧张的截止日期。他们可以充当优秀的项目经理，因为他们的本能可以跟踪和并行化假设。

影响所有者角色

影响所有者密切熟悉如何部署AI产品的详细信息以提供价值。例如，在解决与改善客户保留的问题相关的问题时，此人员将完全了解与客户获取，保留和磨损相关的旅程地图。他们将负责定义AI解决方案的客户磨损预测将由支持团队专家实施如何减少流失。找到此角色的最佳地点是现有的业务团队 - 理想情况下，一个具有强大产品本能和实用主义的工程师。如果没有这个角色，团队最终建立了技术上可行的东西，而不是务实在结束工作流程中实际所需的东西来生成价值。

总而言之，这七个技能人物是每个AI团队的必须拥有。这些角色的重要性根据数据的成熟度，AI问题的成熟度，以及更广泛的数据和应用团队提供的技能组。例如，与具有少量大表的人相比，数据解释器Persona在具有大量小表中的数据中的数据更为重要。这些因素应考虑到确定AI团队中每个技能人员的正确资历和基数。希望你现在可以开始建立你的AI团队而不是等待独角兽出现！

Sandeep Uttamchandani在URAPLAPT数据系统中的主要数据官和产品工程VP。他是一家企业家，拥有两十年多的经验，建立数据+ AI产品和书籍的自助式数据路线图：民主化数据，减少洞察的时间（O'Reilly，2020）。