AI落地的最大挑战不是技术，而是“人才”，在查看内部数据源进行分析和选择合适的工具时尤其如此。但他们可能没有想到，他们的传统公司已经拥有了丰富的数据。一般来说，公用事业和采矿业、运输和航运、金融服务等传统公司的运营和客户互动产生了海量数据。这些数据可用于解决范围非常广泛的问题，例如解决优化供应链、预测性维护、减少事故、增加产量、提高运营效率、提高收入生产力和增加客户价值等方面的问题。然而，世界各地的传统公司往往很快发现，他们利用人工智能将这些机会变为现实的最大问题不是技术，而是人才。企业对数据科学家和分析师的需求强劲，而且供不应求。亚马逊、Facebook、谷歌和其他技术领导者雇佣了大量数据科学家，并为他们提供令人兴奋的挑战和诱人的机会。而从具有领先人工智能能力的敏锐数据科学家的角度来看，相比之下，一家拥有100年历史的制造拖拉机、生产电器、运营发电厂或运输集装箱的公司可能看起来“乏味”。此外，传统公司通常不在主要的科技中心（如硅谷、西雅图、奥斯汀、纽约或洛杉矶），所有这些都会使传统公司更难找到他们需要的数据科学家。解决方案是外部招聘和内部建设双管齐下的人才战略。以有趣的问题进行招聘吸引数据科学家的传统企业可以而且应该专注于为他们提供引人注目的、独特的和现实世界的业务问题。Dataiku销售工程总监GrantCase是基于人工智能和机器学习的企业应用领域的领导者，积极与澳大利亚和新西兰的传统企业合作。他告诉作者，“我们需要为数据科学家提供有趣的问题来研究并转化为价值。这就是魔法发生的地方。”“在几乎每个行业的每个传统公司中，都存在非常复杂的问题和困惑，并且因为它们很复杂，所以它们也很有趣。这为好奇的数据科学家提供了一个很好的机会，例如：在航运枢纽安排复杂的航空系统在分布式、多向、生产、传输和存储世界中优化电网和存储预测事故每天减少全球航运网络和供应链中数百万人的工伤BerianJames，全球数据科学和人工智能主管航运巨头马士基将优化他们的航运网络描述为“一个非常有趣的数据科学问题”。马士基使用人工智能和机器学习来解决广泛的问题和机会，例如为其客户的货物或推动公司的脱碳工作。如果高管们停下来思考，事实上，几乎y传统企业可以提供精彩的业务问题、各种其他问题和挑战，可以激发数据科学家和人工智能人才的好奇心，挑战他们的技术能力。因此，新的传统企业招聘需要人才的最佳实践，就是利用这些有趣的问题，为数据科学家提供新的机会来解决各种问题，并在解决有吸引力和独特的业务问题方面产生影响。这样的场景可能比成为Facebook、Apple、Netflix、Alphabet等类似公司更具吸引力。培养本土人才，将正确的能力与业务理解相结合从外部聘请数据科学家并不是唯一的解决方案。利用内部人才也可以用来开发数据科学和人工智能的能力，这种方法通常更快、更容易、更有成效，并且对于广泛的业务目的来说绰绰有余，当然这不是解决问题的答案每一种情况。与从公司外部聘用数据科学家相比，一些具有适当能力和了解内部业务的感兴趣的内部主题专家可能更可取且更有效。虽然外部聘用的数据科学家在技术上很先进，但他们可能不熟悉行业和特定业务或公司的问题和挑战。当事实证明很难将这些数据科学家与业务管理和流程整合时，他们被迫这样做。失望的。虽然内部人才可能无法取代高端数据科学家来解决最棘手的问题，但他们通常可以显着推进公司的人工智能和机器学习应用，并产生可观的商业价值。传统公司中的一些学科特别适合培养人工智能和机器学习方面的专业知识。所有类型的工程师、运筹学研究人员、物理科学家、收益经理和其他人通常具有技术基础、定量技能、数据熟练度和求知欲，使他们能够学习如何应用人工智能和机器学习并提高自己在这方面的能力区域。凯斯举了一家钢铁公司的例子，该公司的化学家和冶金师面临着可以通过数据和人工智能解决的生产挑战。他告诉作者，“你可以聘请在职业生涯中取得进步的有才华的人，并为他们提供正确的培训。”此外，这些人通常具有重要优势，因为他们了解业务，因此具有企业领导技能。人们的认可。解决人员问题我与多家传统公司从事AI和机器学习应用程序的高管交谈，很明显最大的挑战是文化，将数据科学和AI与业务管理和流程联系起来寻找所需的人才，特别是，是最大的挑战。主要挑战不是技术挑战。这些公司的高管告诉我，持续的挑战是找到合适的人并将他们与AI应用程序一起纳入业务的实际工作中。以上几点表明，要从数据科学和人工智能中获得真正的好处，迫切需要熟练的业务领导。高级领导者必须了解真正驱动和支持数据科学家的因素，以便他们的公司能够吸引人才、培养人才并将其整合到传统业务中以创造业务价值。
