[[427056]]

圖：Getty

傳統公司的高管在開始部署人工智能（AI）和機器學習（ML）時往往認為，挑戰主要是技術問題，而在尋找內部數據源進行分析和選擇正確的工具時尤其是這樣。但他們可能沒想到他們的傳統公司已經擁有豐富的數據。

一般來說，傳統公司的運營和客戶互動在公用事業和采礦業、運輸和航運、金融服務等領域都已經生成了大量的數據。這些數據可以用于解決非常廣泛的問題，例如解決優化供應鏈、預測維護、減少事故、增加產量、提高運營效率、提高收入生產率以及增加客戶價值等方面的問題。

然而世界各地的傳統公司通常很快發現，要利用人工智能將這些機會變為現實，他們最大的問題不是技術，而是人才。

企業對數據科學家和分析師的需求非常強烈，而且需求持續超過供應。亞馬遜、臉書、谷歌和其他科技領導者雇用了大量的數據科學家并為他們提供精彩的挑戰和引人注目的機會。而從一個具有領先人工智能能力的敏銳數據科學家的角度來看，一個有100年歷史的制造拖拉機、生產電器、經營發電廠或運輸集裝箱的公司相比之下可能就顯得很 “乏味”。

此外，傳統公司往往不是位于主要的科技中心（如硅谷、西雅圖、奧斯汀、紐約或洛杉磯），所有這些都會令傳統公司更難找到他們需要的數據科學家。解決方案是——外部招聘和內部建設雙管齊下的人才戰略。

利用有趣的問題招聘人才

傳統企業為了吸引數據科學家，可以而且應該將重點放在為他們提供令人信服的、獨特的和真實世界的商業問題上。Dataiku銷售工程總監Grant Case是基于人工智能和機器學習的企業應用的領導者，他積極開展與澳大利亞和新西蘭的傳統企業的合作。他告訴筆者，“我們需要為數據科學家提供有趣的問題，讓他們去研究并轉化為價值。神奇發生的地方在于此。”

幾乎所有行業的每個傳統公司里都存在非常復雜的問題和難題，因為復雜因此也非常有趣，這就為充滿好奇心的數據科學家提供了大好機會，例如：

• 在由于天氣原因需關閉多個航運樞紐時調度異常復雜的航空系統
• 在一個分布式、多方向、生產、傳輸和存儲的世界里優化電網和存儲
• 預測事故達到減少工傷的目的
• 對每天全球航運網絡和供應鏈里數以百萬計的集裝箱進行實時優化
• 最大限度地提高單位平方尺土地的作物產量

Berian James是全球航運巨頭Maersk的數據科學和人工智能負責人，他將優化他們的航運網絡描述為“一個非常有趣的數據科學問題”。

Maersk利用人工智能和機器學習解決廣泛的問題和抓住各種機會，例如為旗下客戶的貨物提供“抵達情報”或推動公司的脫碳工作等等。

假如高管們停下來想一想，其實幾乎每個傳統企業都可以提供奇妙的業務問題、各種其他問題和挑戰，這些都可以激發數據科學家和人工智能人才的求知欲以及挑戰他們的技術能力。因此，新的傳統企業招聘所需人才的最佳做法就是利用這些有趣的問題，為數據科學家提供新的機會，他們則親手處理各種問題，在解決有吸引力的獨特業務問題方面發揮影響。這樣的場景可能比成為Facebook、蘋果、Netflix、Alphabet和類似公司眾多員工中的最新一員更具有吸引力。

培養本土人才，正確的能力與商業理解相結合

從外部聘請數據科學家并不是唯一的解決方案。也可以利用內部人才發展數據科學和人工智能的能力，這個方法往往更快、更容易、更有成效，而且對于廣泛的業務目的來說也綽綽有余，當然這并非每一種情況都可以用的答案。

一些具有正確的能力和興趣的內部主題專家了解內部業務，可能比去公司外部聘請數據科學家更可取和更能發揮作用，雖然外部聘請數據科學家的技術上先進，但他們可能不熟悉行業和具體業務或公司的問題和挑戰。筆者聽說過很多傳統公司高管的故事，他們聘請了數據科學家，滿懷希望地將他們融合到業務中，而當事實證明很難將這些數據科學家與業務管理和流程相結合時，他們不免感到失望。

雖然內部培養的人才在解決最棘手的問題時可能無法取代高端數據科學家，但他們往往可以大大推進公司的人工智能和機器學習的應用并產生實質性的商業價值。在傳統公司內發現的一些學科特別適合發展人工智能和機器學習的專業知識。各種類型的工程師、運營研究人員、物理科學家、收入經理和其他人通常都具有技術基礎、定量能力以及能熟練地處理數據和對知識具好奇心，這些令他們能夠學習如何應用人工智能和機器學習并提高這方面的能力。

Case舉了一個鋼鐵公司的例子，該鋼鐵公司的化學家和冶金學家面臨的生產挑戰可以用數據和人工智能解決。他告訴筆者，“你可以找到那些在職業生涯中進取的有才華的人，通過正確的培訓將他們武裝起來。”此外，這些人通常有一個重要的優勢，他們了解業務，因此，具有企業領導人認可度。

解決人的問題

筆者和各種傳統公司的一些致力于人工智能和機器學習應用的高管交談過，很明顯，最大的挑戰是文化，要將數據科學和人工智能與業務管理和流程聯系起來尋找所需的人才尤其是最大的挑戰。主要的挑戰并非技術問題。這些公司的高管告訴筆者，持續的挑戰是找到合適的人并將他們與人工智能應用一起納入企業的實際工作中。

上述觀點表明，利用數據科學和人工智能實現實際收益亟需熟練的業務領導。高級領導人必須了解驅動和促成數據科學家的真正因素，只有這樣他們的公司才能吸引人才、促進人才的成長并在傳統業務中整合這些人才，進而創造商業價值。