销售热线:0950-9798039
极速飞艇 > 行业动态 > AI与大数据发展核心是人才 企业如何培养和找到人才
行业动态
极速飞艇
联系方式
  • 极速飞艇高新技术产业园
  • 联系人:杜庆超
  • 手机:0950-9798039
  • 邮箱:desdev@vip.qq.com
  • 地址:吉林省延吉市兰山区义堂镇义堂工业园41号

行业动态

AI与大数据发展核心是人才 企业如何培养和找到人才

[ 作者:极速飞艇 日期:2019-10-13 02:13 ]

  。AI与大数据发展核心是人才 企业如何培养和找到人才

  &#;鲁颖

  ,,[AI和大数据!,技术的发展和应用中,最核心的是人才。可以预见,在未来几年内,企业对大数据和AI人才,的需求会越来越大。。企业应该多花点时间寻找适合自己的人才,并通过有!效的机制把团队管理好,让团队更好地创造价值。]

  人工智能(AI)与大数据是最近几年科技界乃至商业社会最火的词。正如创始人所说,我们已经步入了数据技术时代(Data。Techno。logy),数据的重要性和威力越。来。越显现。出来。随着大数据存储和。。计算的迅猛发展,AI技术像。是插上了翅膀,理论和应用层面都在近几年。取得了很大的突破。我们在现在和。未来看到越来越多的商业落地,如机场的人脸识别、搜索推荐、人机交互的智能语。音音箱等,这些技术与应用正在从方方面面改变着人类的生活。

  AI和大数据技术的发展和应用中,最核心的是人才。在美国学习与工作多年,并在公司担任数据,科学家,对此深,有体会,所以通过,本文,从以下几个方面对人才这个话题做出探讨。

  ,市场对AI和大数据人才的需求

  市场,对人才的需求一般分为两类:研,究型人才和应用型人才。

  研究型人才一般是知名人;工智能研,究机构的重点招募对象,比如大家耳熟能;详的谷歌大脑!、的研究部、阿里的达摩院等,都对研究型人才求贤若渴。研究型人才大部分是国。内外知名学府计算。机、电子工程、统计学、,数学等专业的博士背景,他们侧重于架构的创新(比如大名鼎鼎的MXNET、Spa;r、k、TensorFlow),或者算法的创新(;比!如计算速度、准确率、普世性等),在各自的研究领。域钻研得比较深。这类岗位的录取标准很高,基本都要求发表顶级会议论文(比如神经信息处理系统大会NI,PS、国际机器学习大会ICML、电气和电子工程师协会IEEE等)。

  很多知名人工智能研究机构会和海内,外高校有合作,关系,比如滴滴和密歇根大学,商汤科技和香港,中文大学。和高校不同的是,人工智能研究机构一般会有短期和长期的落地,规划。具体说来,,研究机构最终要么是希望研究成果与现,有产品结合,,打,,磨出更好的产品,,比如谷歌这几年力推的谷歌助手;要么是为未来推出新产品做技术积累。目前研究型人才相对稀缺,所以很多刚毕,业且学术做得很好的博士生会有很不错的工作邀约。

  另外,、学校里的教授也是这些研究机构非常看重!的一批。人。近些年来比如多伦多大学的杰弗里·欣,顿(GeoffreyH!inton)、斯坦福的李飞飞、卡耐基梅隆大学的安德鲁·摩尔(AndrewMoore)等学术大牛都在谷歌等大公司的研究部门带领团队做创新。他们走出象牙塔,一方面致力于推动科技落地,变成看得见摸得着的产品,造福人类;,;另一方面致力于推动科技民主化,使科技让更多的人了解并且掌、握,形成百家争鸣、百花齐放的场面。。这些高素质的博士生和教授引领着前沿技术的探索,推动着产品的创新。

  至于应用型人才,就数量而言,比研&#;究型人才要多得多。这些人才通常至少是理&#;&#;工科&#;背景的硕士或者博士,从事数据科学或者算法工程师这类工作,他们为产品的最终落地而服务。

  这类人才需要有扎实,的数理统计功底和编程能力(包括算法和性能调优),对产品也需要,有一定程度的了解。一个只懂产品却不能动手,或者不懂产品只照着别人所说而写代码的人,都不能称之为,理想的AI与大数据人才。除了这些硬功夫外,如何与人沟,通、领导团队、管理上下级期望、如期,完成,工作,也,是十分重要的环节。

  当然。,顶尖的人才,除了具备上述能力外,还需要具备在不确。定性中决策的能力,比如如何通过数据确定产。品该做什。么,不该做什么,使用什么技术栈(一系。列技术的集。合),怎么高效实现整个流程管理,如何评估产品,确定产品迭代方向,怎。么跨部门协作调动资源完成整个项目等。这类能带领一个较大团队打出胜仗的人才,在市场上屈指可数,他们一。般也因此得以在大公司担任重要职位。

  至于经验稍浅的,比如刚毕业或者工作仅仅2~3年的。人,他们通常能把别人布置的任务做好,但,缺乏思考深;度和整体性。不过这些侧重!、写代码或做分析的,也是公司不可或缺的人才,培养几年,一定会有优秀、者冒出来,。这部分人在美国被称为IndividualContributor(个人贡献者),主要担任技术类职位。

  &#;企业如何找到人才

  合适的人才通常拥有优秀的背景,比&#;如亮眼的学历、顶级公司&#;&#;的工作经历、带领过重&#;大项目等。通过这些大致可以判断候选人应该放在企业的什么位置上。

  对于研究型人才,企业通常可以去学校招聘、通过导师推荐&#;或者学术会议交流来认识。对于应用型人才,尤&#;其&#;是核心候选岗位,可能最靠谱的方式,是通过朋友介&#;绍或者招揽以前有过交集的人才。

  另外,认为,通过猎头、&&#;#;各种会议、职业社交网站,也是企业发现&#;人才不错的渠道。当有了目标候选&#;人以后,企业代表可以通&#;过发邮件甚&#;至约出来&#;喝咖啡面对面沟通,更好地增进彼此的了解和信任。这&#;种方式在美国硅谷颇为常见,企业常常主动邀请候选人前往公司参观,和高管以及团队主要成员沟通,让候&#;选人了解公司的方向和对人才的态度,打消候选人的顾&#;虑。毕竟对于人才而言,跳槽也是有风险的,尤其&#;是比较资深的员工,自然不希望去一个不适合自己的地方,浪费几年宝贵时光。

  候选人的情况一直在变,给候选。人良好的面试体验,有助于吸引优秀人才的注意。当然,认为,企业还要尊。重每位。候选人的时间和诚意,对候选人。而言,除了。思考薪酬、抱负的实现、自己。的研究兴趣。和企业氛围都。是需要重点考量的因素。

  企业如&#&#;;何组建数据科学和AI团队

  无论是初创科技公司,还是企业数&#&#;;字化转型,都涉及组建数据科学或&#;是人工智能技术团队。认&#;为,组建AI团队不是&#;件容易的事,一&#;方面,优质的AI人才在当今依旧比较稀缺,另&#;一方面,优秀的AI人才对于技术和商业的要求都比较高。

  从技术层面来说,计算,机!编程和架构能力以及数学和统计能力等都;是必不可少的。优秀的AI领导型人才!在市场上极度稀缺,因为他们需要对前沿研究和商业应用都在行,在AI研究院担任高,管的,一般都。是在美国知名公。司任职过,有海外优秀学术背景的人才。

  作为新学科,AI。有很。多难题需要解决,也有很多未开发的处女地等待挖掘,必要的研究能力当然是不可或缺的,但是光发学术论文。还不够,领导型人才还需要知道怎么落地,以多大成本落地,并预知未来的技术风险和挑战。比如,对于一些工业AI场景,是用云服务还是边缘计算,如何确定。产品难度和后。期开发。成本,怎么迭代和扩展等,都需要通盘考虑。领导型人才每天需要面对很。多选择,而每个选择都会直接影响后期选择和投入。这些本事需要从非常。有经验的业界大牛那儿获取,。找到那些人也只是第一步。

  当找到,这些AI人才后,企业还要充分,,放权。这类人才通常有很强的人脉,,通过他们举荐人才并组织团队,相对企业自己动手,要容易得多。一些有抱负的人才也,会因为这类领袖型人才的加盟而加盟,形,成羊群效应。以在美国的经验看,很多优秀的年轻人选择谷歌等公,司也是因为期待加入大牛的麾下。

  当然,组建优秀的数据科&#;学和AI&#;团队不得不提的还有资金。这方面,硅谷很多优秀的公司很舍得投入。当招聘的员工背景优秀、&#;聪明且动手能力很强时,人才就成了类似谷歌这类公司的最大护城河。

  组建团队只是第一步。如何把团队拧成,一股绳,变成,一支能打胜仗的部,队呢?这就要考验领导型人才的智,慧、公司的激励机制和人才培养机制了。

  。企业如何培养人才

  &#;看来,培养人才可以从以下三方面去实施。

  首先,企业可以尝试让员工做一些比自己级别高一级的工作。谷歌等公司在这方面就,做得非常出色,谷!、歌!员工的成就感于自己的,工作对产品和业务的影响力,感受到的影响力越大,就会越主动承担责任。所以;,。给员工一部分比自己级别高一级的工作,会整体上扩大项目和工作的影响力。

  其次,企业要决心放权,相信员工的能力和责任心。当然,在给他们更大挑战的同时,。也要帮助他们解决困难,必要的沟通和鼓励是必不可少的,比如,定期。组织。培训、读书小组活动、安排员工出去开会和同行交流,让他。们感觉到在企业里可以学到东西,感觉到企业在。他们身上花了。真金白银,并因此增加员工对企业的认同感。

  最后,企业要营造一个公平的激励机制。企业对员工工作的认、同体现在工!资、奖。金和晋升上,创造;一个公平的激励机制不可或缺,最好需要晋升委员会的介入。晋升委员会的!成员大多数都是资深的领导型人才,在审批激励机制与晋升时,要确保独立性,有必要的话还,可以设立答辩环节。这类似于博士论文答辩,候选人需提交相关材料和代码以证明自己在各个方面都已经准备好承担下一级的任务。

  可以预见,在未来几年&#;内,&#;企业对大数据和AI人才的需求会越来越大。企业应该多花点时间寻找&#;适合自己的人才,并通&#;过有效的机制把团队&#;管理好,让团队更好地创造价值。

  (系谷歌硅谷总部数据科学,家,曾在、、美国总部,担任机器学习研究科学家)

相关推荐