實踐表明，如果人工智能(AI)部署不當將會帶來許多風險，因此企業需要探索員工擁有的最重要技能。

就像技術在企業的業務發展中變得越來越重要一樣，成功部署這些技術所需的技能也至關重要，部署人工智能的技能也不例外。調研機構Codingame公司發布的一份調查報告表明，對于一般的軟件開發人員來說，正規的技術教育的重要性正在下降。該報告中，80%的人力資源專業人員表示雇用了自學成才的程序員。

[[382078]]

安永公司全球數據和分析負責人Beatriz Sanz-Saiz說：“當我們考慮在企業中大規模部署人工智能時，員工所需的技能也需要不斷發展。在該領域獲得博士學位的技能已不再是必要的。企業需要的人工智能工程師不僅可以編寫算法，還可以管理所涉及的數據。還需要越來越多的數據工程師和數據技能來塑造現代架構。沒有這些技能，將很難大規模引入人工智能。”

在當今世界，管理和分析海量數據的能力以及與同事快速清晰地交流與獲得數字技能相比更為重要。

合規性實踐

傳統上，企業將人工智能開發視為模型創建過程，一旦成功創建模型，其過程就會結束。但是現在部署人工智能技術還需要其他方面的工作。隨著部署人工智能需要多個數據集，面臨的最主要的問題就是合規性。

Seldon公司機器學習工程總監Alejandro Saucedo說：“越來越清楚的是，在模型的整個生命周期中，培訓只是開始，因此所需的技能超出了數據科學能力。IT和合規性要求現在對于流程同樣重要。企業需要根據使用情況考慮引入的操作組件，這取決于用例。合規性檢查需要諸如運營經理、交付經理等之類的角色。最終，企業需要的人工智能技能可以歸結為數據科學能力、軟件工程能力、IT操作能力和領域專業知識。”

DevOps和ModelOps

SAS公司英國和愛爾蘭地區的數據科學主管Iain Brown博士在多年的工作中感受到了部署人工智能所需技能的演變。

他說：“我從事這個行業已有15年的時間，我具有統計學背景，多年來從事計算機科學方面的工作，但我非常專注于分析方面的東西。企業現在真正需要的更多是流程中最重要的部分，這意味著DevOps將采購合適的環境并為這些模型的開發投入基礎設施，然后是ModelOps，在ModelOps中，這些模型將經過一個過程并部署到生產環境中。”

他指出，在部署過程的最終結果之內，需要考慮對人工智能模型進行監視、治理和驗證。這些方面以及發現和引入適合該過程的基礎設施能力，這與數學、統計學和計算機科學知識同樣必要。

Brown認為，DevOps和ModelOps在銀行領域的應用很成功。大型企業一直在利用對業務問題的綜合視圖，識別它們并相應地調整建模生態系統。

領域和行業知識

隨著人工智能技術促進了越來越多部門的運營，很明顯，僅僅掌握這項技術還不足以讓部署取得成功。無論人工智能解決方案是為企業服務還是為個人服務，推出這一解決方案的工程師都需要了解當前的業務。

Sanz-Saiz說：“企業需要了解這些算法的工作原理以及如何訓練機器的員工，并同時也要了解其行業領域的業務。如果沒有這種理解，訓練算法可能會更復雜。任何成功的數據科學家不僅需要技術專長，還需要具備行業背景和知識。”

沒有足夠的行業知識，其決策可能會變得不準確，并且在某些情況下，例如醫療保健，也可能很危險。例如Kheiron Medical這樣的開發商一直在使用人工智能解決方案來促進癌癥篩查，加速流程，并最大程度地減少人為錯誤。為了使這一點更加有效，需要在篩選程序的每個階段進行仔細的評估和評價。

Kheiron公司首席戰略官Sarah Kerruish解釋說，“我認為，對臨床嚴謹性的承諾需要鞏固我們所做的一切，需要能夠以獨立驗證的方式進行大規模的測試和評估，這是無法回避的。”

Kerruish認為，與同事進行緊密合作是在醫學領域同樣重要的技能。在幫助檢測癌癥跡象的情況下，這意味著要與放射科醫生緊密合作，并確保患者了解這一過程。

她說：“我們并不是為了取代放射科醫生，而是為他們提供幫助。就像會計師需要計算器一樣，我們需要更好的工具來實現目標。”

人工智能系統存在的偏見

勞動力需要精通的另一個重要領域是人工智能系統可能存在的偏見。人工智能開發團隊需要掌握技能，以確保將這些偏見的影響降到最低。

Onfido公司高級產品經理Claire Woodcock表示：“由經驗豐富的技術專家以及具有用戶經驗和政策理解的人員組成的跨職能團隊是實施治理的關鍵。這將確保更好的防欺詐保護和更好的客戶體驗。我們生活在一個數字身份的時代。因此，無論種族、年齡或任何其他特征如何，身份驗證技術對于每個人來說都是至關重要的。使用治理框架等工具可以使團隊修改決策過程，消除偏見等。”

Onfido公司與英國信息專員辦公室(ICO)合作，一直在尋求改進其面部識別算法，以減少金融服務和企業身份驗證中的偏見。其沙盒計劃導致誤接受率為0.01%，誤拒絕率為0.3%。

Acquia公司首席科學官Omer Artun補充說：“必須對員工進行教育的一個關鍵領域是人工智能偏見。人工智能是一種工具，因此并沒有固有的偏見。與其相反，它是在數據集上訓練的，而如果這些數據集有偏差，人工智能系統很可能會采用類似的特征。因此，企業的團隊需要接受有關透明和開放的數據收集方法的教育和培訓，以確保他們不會向人工智能系統提供具有偏見的數據集。”