想要取得成功的AI企业应解决的5个问题！.doc

《想要取得成功的AI企业应解决的5个问题！.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、想要取得成功的AI企业应解决的5个问题！　　尽管近些年人工智能进入了大众视野，也做了相当程度的宣传，但没有多少人能够将人机互动达到最佳平衡。Dataiku最新的白皮书强调的是数据科学项目中的协作，它使整个数据团队能够更有效的探索、原型化、构建并交付他们自己的数据产品，同时有助于找出数据团队可能存在的问题。想要获得成功的企业，至少要在2018年余下的半年时间去解决这些问题。数据项目&数据科学项目　　　　与数据科学项目不同的是，数据项目仅仅是目标为建立更具分析深度的项目。打个比方，一个营销归因模型，它的目的是为了观察分析营销策略；一个

2、运输行业中的预测性维护项目，尝试预测在不同地点更换零件的需求。　　不过这些项目通常可以利用相对简单的统计模型结合行业经验解决。数据项目之所以能成为数据科学项目，需要利用更先进的机器学习方法，分析结合系统中添加潜在的、非存量的附加数据（如使用数据、点击数据、传感器数据、社会数据等等）。　　在数据科学项目中，数据科学家和数据分析师之间就相互依存，前者关注的是潜在的新数据源和新的预测模型，数据科学家的模型和数据被数据分析师打包分析，统筹处理。　　应该聘请什么样的数据科学家？　　　　不同的数据科学家有不同的优势，就像文学家，不是豪放派的就

3、比婉约派的高级，选择不同的数据科学家完全取决于一家企业正在攻关的课题或项目。　　拥有博士学位的数据科学家并不好招（跟别提薪资要求高），因为其中80%的人都被谷歌挖走了，从另一个角度说，他们也许也不适配于你的企业需求。　　Dataiku的白皮书将数据科学家分为七类：传说型、全能型、统计专家、二把刀型、ML工程师、垂直领域专家、明星级数据经理。纵然他们都有相同的职称抬头，但是必须理解和承认各种数据科学家都是有其作用，在不久的将来，不同专业类型的数据科学家会有不同的抬头，也许就在明年有望成为一个新的趋势。为什么很多数据科学家会辞职？　　

4、　　美国Glassdoor公司（美国的一家企业点评与职位搜索的职场社区平台）提名数据科学家为2018年美国最佳工作，Linkedln（全球知名职场社交平台）则将数据科学家列入最佳工作的top10。但是与此同时，英国《金融时报》将数据科学家放在“寻找新工作”榜单榜首的位置。　　其实仔细想想就能明白个中三味。　　企业对数据科学家的需求很强烈，数据科学家们很容易就能够找到待遇更好的公司，一定程度上意味着他们很难长期在一个地方。这也涉及到他们工作幸福感的问题，大多数人都不会倾向于频繁更换工作，但是由于这个职位相对较新，很多公司不知道该怎么

5、做去留住这些最重要且最前沿的角色。　　一个数据经理想离职有很多原因。作为企业的管理者，需要确保数据团队不被其他团队孤立，开放的工作环境，保证沟通无碍；通过想其他团队展示数据团队的丰富内容，让他们了解数据团队在一个项目中的意义，能够做什么来帮助改进流程或产品从而推动项目进程。　　除了技术之外，沟通技巧也是重要一环，你肯定也不希望数据科学家通过Excel去推销业务，数据科学家要会通过数据讲故事，多角度纵横分析。企业主招聘时要考量数据科学家的PPT能力。　　每个行业都是成王败寇，知道让企业员工凝合聚力做到利益最大化，自然能封王拜相。不过

6、这不仅仅是企业需要做的，数据科学家们的工作同样不可或缺，发挥自己的特长帮助企业完成好项目，能够与时俱进持续成长不故步自封，不断提高工作幸福感。非协作不成功　　　　自2017年《福布斯》表示数据科学世界必须通力协作以来，这个观点至今风靡。数据团队协作模型的支持者提出各种论据来证明其效率及有效性，但是协作背景下，同时也意味着存在着很多误解和矛盾。以下是关于数据科学协作的常见观念：　　-协作意味着数据科学家之间可以进行工作划分；　　-协作意味着工作可以依着更多初级和更高级的资源进行划分；　　-协作意味着工作可以仰赖团队中不同的角色进行划

7、分；　　这是迄今为止最有效率的数据科学项目协作办法。　　因为数据科学项目中的某些部分更适合数据分析师去做：数据挖掘和整理。一旦他们完成这部分的工作，处理预测或负责机器学习的工作才能继续。　　这意味着数据分析师和数据科学家能够更大的发挥作用，因为他们不需要对整个项目负责，可以同时多线操作，服务于多个不同的项目。　　在一些组织当中，同时承接的数据科学项目很多，在这种情形下，一个组织中的数据科学家数量可能成为一个限制因素——不可能每个项目都配备一个数据科学家。　　基于以上，为了持续获得收益，数据科学家和数据分析师之间的协作自然也变得尤为

8、普遍。　　　　我的公司是否能部署+管理多个预测模型？　　　　-首先对标已经完成的组织，尤其是那些同一行业或者同类型的数据科学项目的组织。　　-再问问自己，部署这些预测模型对你的企业意味着什么？（例如，是否意味着内部仪表板暴露给企业内的其他团队，是否