您的位置:首页 > 大数据 > 人工智能

数据部门如何All In AI

2018-06-11 20:49 429 查看

这个话题是我最近一直在思考的,不一定成熟,这篇文章权做笔记

前言

大数据部门的常见能力如下:

  1. 报表统计
  2. 算力/存储输出
  3. 推荐/搜索/精准营销等传统产品形态

通常,大数据部门会花费很大的力气构建数据平台,而这个数据平台除了能让研发,算法,分析师等角色爽一些,从宏观角度很大的节省部门人力成本,提高效率以外,似乎对公司/其他业务部门并无一个直接的输出。这也是很多大数据部门领导非常焦虑的地方。

那么出路在哪里呢?

All In AI

事实上,真正能帮助业务提高效能,提供创新产品的必然是AI,AI是一种模式的输出。其价值点,第一个是可以给业务每个环节赋能,比如反垃圾可以减少审核同学的工作量,智能邀请可以减轻运营同学的工作压力;第二个是创新产品,高一点的有比较常见有无人驾驶,智能语音产品,医疗诊断等,低一点的,则可能是某个具体的功能模块对外输出,比如知识图谱。

从上面我们可以看到,数据部门的最大价值,最终会通过AI来进行落地,并且还会给部门/公司提供了极为丰富的想象空间。

如何 All In AI?

对于这件事情,我们要仔细研究一个核心的东西: 资源。

资源我们又分为:

  1. 平台资源,如果你还在刀耕火种阶段做开发,做算法,那么咱也别谈什么All in AI了。
  2. 人力资源,一场大型战争,核心还是在于看能动员的人力资源,但面对海量需求,你是否有足够的人力去应付?
  3. 组织资源,合理的组织是能够极大的释放生产力的。

经过这么多年的发展,平台已经很成熟了。我们知道,AI平台是基于数据平台的之上的,其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台,其次你还需要有一个AI平台,让单一算法落地变得容易。

人力资源的问题是个大问题,算法团队再大,也就是大数据部门一个子部门/组。如何在保持现有成本的情况下,扩大人力呢? AI平台对单一算法(后面我会解释什么是单一算法)问题是非常友好的,可能一个普通的工程师(甚至运营,分析师)都可以完成的。这样,部门所有的人都具备了成为AI人力的潜能。我们通过一定的培训和锻炼,可以使得研发,分析等都具备成为AI人才的潜力。需要的时候,我们提纯下即可。

回过头来看看,什么是单一算法。所谓单一算法就是具体的某个算法问题,比如对于帖子的情感分类,就是一个标准的文本分类问题。通常一个足够细化的问题,我们可以很容易将其转化为一个分类,回归,排序,规则类算法问题。现阶段,按我的了解,AI平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效,重构数据部门团队就很有必要了。

算法部门需要切分成三个子团队,一个是偏研究性质的,一个是偏业务性质的,还有一个则是AI平台和工具团队。业务性质的团队常常需要用到研究性质团队的副产品以及基于AI平台和工具团队的产品之上进行工作,同时向他们反馈自己的诉求和问题。

业务算法团队,通常也需要分成两个层级,*** 一个是解决方案设计者,该角色是将一个实际的业务问题分拆成N个算法和工程问题***(关于这个角色,还可以参考我早期的一个专题机器学习团队思考
)。一个是算法实施者,该角色只是针对单一算法问题的,可以在AI平台上很快的解决对应问题的。

研究性质的团队,可以分成三个部分,一个是读Paper,试图将学术论文转化为工业实践的,一个是算法基础构建,维护比如知识图谱这种非常底层的系统,一个是创新产品,他的目标是利用现有的算法,是否能抽象出新产品。

通过如上方法,有了很好的平台能力,很好的人员基础,加上合理的组织,All In AI或许变得可能。

总结

本文我们说了为什么要All In AI,要实现All In AI 不仅仅需要有一个好的平台(数据、算法平台),也需要有良好的动员人力资源的能力,采用一个合理的算法组织架构充分利用人力资源。尤其是业务算法团队里的 “解决方案设计者”,该角色能够将一个实际的业务问题分拆成N个算法和工程问题,是AI落地非常非常重要的一个角色。

阅读更多
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: