构建人工智能：人员配备是最具挑战性的部分

“机器学习项目比机器学习模型算法复杂得多，规模也大得多。”

每家值得称道的公司都致力于实现实用且可扩展的人工智能和机器学习。然而，这一切说起来容易做起来难 - 一些信息最密集的企业中的 AI 领导者可以证明这一点。有关构建 AI 驱动型组织所面临的挑战的更多观点，我们采访了 Momentive（前身为 SurveyMonkey）的工程和机器学习高级总监 Jing Huang，他分享了在 AI 和 ML 推出过程中所吸取的经验教训。

问：AI 和机器学习计划已经进行了几年。企业在最高效的采用和部署方面吸取了哪些经验教训？

Huang： “机器学习项目比 ML 模型算法复杂得多，规模也大得多，因此请准备好组建一支强大的团队来处理机器学习作。配备世界一流的机器学习团队非常困难。具有经验的 ML 人才需求量很大。一种选择是提供培训并建立一种促进内部调动的文化;有时，在内部发展团队可能是建立有效 ML 团队的关键。 

“在构建任何实质性的东西之前，请务必检查机器学习生产管道的瓶颈在哪里。在决定构建还是购买时，当您购买解决方案以加速 AI/ML 功能时，请确保您选择的解决方案可以适应、扩展并轻松与您的产品应用程序集成。

Q：哪些技术或技术方法产生了最大的影响？

黄仁勋表示 ：“从更广泛的行业角度来看，机器翻译和信息检索在采用深度学习后总体上有了显著的进步。例如，在 Momentive，我们看到了 ML 解决方案的巨大差异，这些解决方案可以帮助客户轻松地通过大量响应数据找到相关且可作的信息。

问：大多数 AI 计划是在内部运行，还是由外部服务/方（例如云提供商或 MSP）提供支持？

黄仁勋说 ：“根据用例和组织的不同，AI 计划的要求也大不相同。其中一些服务利用外部服务更有意义，而另一些则需要在内部运行。一般来说，我们看到第三方服务越来越多地用于独立且不需要与生产系统紧密集成的使用案例。然而，我们看到了更多成功的自主解决方案，适用于需要与生产系统紧密集成的使用案例。

问：企业在实现公平和消除 AI 结果中的偏见方面所做的努力有多大？

Huang：  “整个领域仍在学习 00 没有人知道所有的答案。话虽如此，近年来人们对 AI 中偏见影响的认识有所提高，并且正在取得进展。人们越来越努力寻找解决方案来减轻 AI 中的偏见风险，关于 ML 中的偏见和公平性的讨论已成为研究和工业界的新常态。

问：公司是否采取了足够的措施来定期审查其 AI 结果？最好的方法是什么？

Huang：  “人为的偏见总是存在的——这是无法摆脱的——但我们所做的一件事是确保从事这项工作的人来自不同的背景，以提供广泛的代表性并感到被包容。 这意味着包容性，而不仅仅是多样性，以突出所有可能发挥作用的不同类型的问题。

问：IT 领导者和员工是否应该接受更多的培训和意识来减少 AI 偏见？

Huang：  “与计算机科学的历史相比，人工智能中的偏见及其缓解研究是相当新的，更不用说与人类历史相比了。斯坦福大学和麻省理工学院等大学开始将道德 AI 主题纳入其 AI 课程。一般的假设是，IT 领导者的资历越高，他们就越能从涵盖该领域最新发展的培训中受益。我们邀请了来自学术界和工业界的 AI 专家和从业者，每季度与我们的领导团队和所有员工分享他们的经验和知识。

问：组织的哪些领域在 AI 方面取得了最大的成功？

黄：“ 这要看情况。通常是存储历史数据的区域，并且可以轻松访问。在深度学习技术得到更广泛采用后，情况开始发生变化，合成数据和对抗性训练发挥着越来越重要的作用。

“组织中有许多不同的部分可以成功实施 AI。例如，企业内的 IT 组织可能会使用 ML/AI 技术来提高业务流程的效率，财务组织可能会利用 ML/AI 提供更准确的预测，企业可能会将 ML/AI 解决方案构建到其产品中以改善客户体验，等等。