人工智能来势汹汹，企业们准备好“接招”了

除了与供应商合作，一个好的AI转型愿景还需要一个集中的AI团队来为整个公司提供帮助。这支团队中要有数据科学家、数据工程师、机器学习工程师以及AI产品经理。根据企业的组织架构，这支团队可以直属于首席技术官、首席信息官、首席数据官甚至首席AI官。

企业内部的AI团队的职责要包括：

· AI战略和问题确认

· AI标准及流程

· 策划和执行AI项目组合

· 数据和管理标准

将AI人才分派至公司不同部门并且分配具体职责

打造可扩展AI的组织结构

哪种组织模型最适合大规模部署AI？AI人才在企业内部应该处于什么位置呢？《哈佛商业评论》一篇关于AI驱动型企业的文章对以下三种推广AI的组织模型进行了探讨：

· 集中式：将AI人才全部集中于总部或者区域办事处等中央核心部门

· 分散式：将AI人才安插在不同业务部门里

· 混合式：“核心”与业务部门均分配AI人才任职

与AI战略、项目和采用相关的任务可以由以下三个组织层级中的任何一个负责：核心层，各个业务部门，或者跨核心层与业务部门的“灰色地带”。

核心层

核心层负责AI和数据战略，人才招聘，管理以及与AI和数据供应商合作。

核心层建立AI标准和流程，并且推行有助于在组织中推广AI的最佳实践方案。这样确保业务部门之间的工作不会重叠，AI部署也不会有缝隙，能够符合公司的标准。

核心层要负责数据清理、标注和集成等数据项目。这些项目应当随着AI项目的推进逐步实施。在确认业务需求和AI用例之前，企业没必要花一堆钱去收集和清理公司范围内的数据，毕竟管理层一旦发现这些数据项目不适合AI项目，就会舍弃掉它们。

业务部门

因为业务部门是AI系统的终端用户，所以他们应该负责AI系统采用的相关工作。这些工作包括业务分析、鼓励采用、培训用户、重新设计工作流程以及衡量收益。

业务部门必须为AI产品的成功负最终责任。因为AI工具的设计初衷就是为了满足业务需求，所以像区域经理之类的业务部门主管就应当为AI工具的成功负责。

灰色地带

灰色地带的工作既可以由核心层负责，也可以由某个业务部门负责。这些工作包括项目管理、算法开发、产品设计和测试、IT基础架构以及变更管理。

至于具体由核心层还是业务部门来负责这些工作，取决于以下三点：

· AI技术成熟度：企业在此之前的AI部署经验

· AI需求紧迫性：AI项目的进度和复杂性

· 业务模型：参与AI应用的部门数量，职能以及区域

如果公司的AI技术成熟度低，需求紧迫性高，业务模式简单，将AI人才和业务集中在核心层不失为一个好方法。反之，将AI人才分散至业务部门会更好。

图源：unsplash

AI技术成熟度。企业部署AI之初，往往将数据和分析管理人员、数据工程师、AI工程师和支撑型员工集中在核心层。这样可以推进标准化工具，数据流程，存储库和基础架构的快速发展。当然，这些人员也可以根据需要分派到不同业务部门。

AI需求紧迫性。在需要快速部署AI项目的情况下，企业往往选择将AI人才集中在核心层。这样，行业技术趋势可以得到更好的把控，AI产品的构建也可以得到更便捷的协调。

业务模型。AI工具有时需要支持大量业务部门，协调多个区域或者提供多种功能。在这种情况下，企业管理者出于对公司业务复杂性的考虑，可能会将AI人才整合到核心层，然后再根据需要分配到不同的部门。

归根结底，AI人才部署更多是一种艺术，而不是科学。举个例子，一家急需部署AI解决方案的企业有着复杂的业务模型（更适合集中式），可能还具有很高的AI成熟度（更适合分散式）。在这种情况下，企业管理者就应当综合考量这三者的重要性，据此来确定究竟AI人才是集中在核心层还是分散到业务部门中更有利于企业发展。

假设某****的AI项目组合中，有某个项目是为某个国家开发KYC自动化工具。如果该国家的客户关系团队此前已经在客户引导方面部署了AI工具，那么这支团队就有能力负责一些通常由核心层来执行的活动，诸如商业案例分析和项目实施。

让全公司上下接纳数据导向型的决策

AI应该通过赋予人们数据洞察力来改进日常工作。既然具体操作终究要由人来执行，那么企业就必须从上至下都接纳一种由数据引导决策的文化。如果AI能够被正确接纳，员工就可以利用算法建议来提升自己的技能和判断力，从而获得更好的成果，这种成果仅靠人类或者仅靠机器都不可能实现。

而只有员工信任AI工具并且能够做出决策的情况下，上述情况才有可能发生。信任建立的基础是（前面所述的）AI意识，而赋予决策权要求企业摒弃传统的自上而下管理模式。

假设有一家全国连锁超市，这家超市通常由区域经理根据历史数据，来做出优化占地面积和商品放置方面的决策。对于一家有上百门店的连锁超市而言，这种自上而下的决策方式可能并不会产生最适合具体门店的结果。而在数据引导决策的文化里，当地经理可以利用AI工具实时追踪店内顾客的行为，从而对商品放置做出最佳的决策。

打破数据竖井

AI需要各个部门的大量数据。很多企业部门的数据都存储在竖井中，竖井是一种系统，这种系统彼此之间没有连接，只能由特定的团队进入。这对AI融合而言是个障碍，但却是可以克服的。

图源：unsplash

（编辑：辽源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!