部署人工智能最重要的技能

需的技能也需要不断发展。在该领域获得博士学位的技能已不再是必要的。企业需要的人工智能工程师不仅可以编写算法，还可以管理所涉及的数据。还需要越来越多的数据工程师和数据技能来塑造现代架构。没有这些技能，将很难大规模引入人工智能。”

在当今世界，管理和分析海量数据的能力以及与同事快速清晰地交流与获得数字技能相比更为重要。

合规性实践

传统上，企业将人工智能开发视为模型创建过程，一旦成功创建模型，其过程就会结束。但是现在部署人工智能技术还需要其他方面的工作。随着部署人工智能需要多个数据集，面临的最主要的问题就是合规性。

Seldon公司机器学习工程总监Alejandro Saucedo说：“越来越清楚的是，在模型的整个生命周期中，培训只是开始，因此所需的技能超出了数据科学能力。IT和合规性要求现在对于流程同样重要。企业需要根据使用情况考虑引入的操作组件，这取决于用例。合规性检查需要诸如运营经理、交付经理等之类的角色。最终，企业需要的人工智能技能可以归结为数据科学能力、软件工程能力、IT操作能力和领域专业知识。”

DevOps和ModelOps

SAS公司英国和爱尔兰地区的数据科学主管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变。

他说：“我从事这个行业已有15年的时间，我具有统计学背景，多年来从事计算机科学方面的工作，但我非常专注于分析方面的东西。企业现在真正需要的更多是流程中最重要的部分，这意味着DevOps将采购合适的环境并为这些模型的开发投入基础设施，然后是ModelOps，在ModelOps中，这些模型将经过一个过程并部署到生产环境中。”

他指出，在部署过程的最终结果之内，需要考虑对人工智能模型进行监视、治理和验证。这些方面以及发现和引入适合该过程的基础设施能力，这与数学、统计学和计算机科学知识同样必要。

Brown认为，DevOps和ModelOps在银行领域的应用很成功。大型企业一直在利用对业务问题的综合视图，识别它们并相应地调整建模生态系统。

领域和行业知识

随着人工智能技术促进了越来越多部门的运营，很明显，仅仅掌握这项技术还不足以让部署取得成功。无论人工智能解决方案是为企业服务还是为个人服务，推出这一解决方案的工程师都需要了解当前的业务。

Sanz-Saiz说：“企业需要了解这些算法的工作原理以及如何训练机器的员工，并同时也要了解其行业领域的业务。如果没有这种理解，训练算法可能会更复杂。任何成功的数据科学家不仅需要技术专长，还需要具备行业背景和知识。

（编辑：云计算网_泰州站长网）

【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!