Ondřej KopičkaOdemykáme potenciál AI & Machine Learning v e-commerce - jak sestavit AI tým (část 4)
Aktualizováno: 5. pro 2019
Vítáme vás u čtvrtého článku ze série článků o AI a Machine Learningu v e-commerce. Tento díl je zaměřen na personální nároky spojené s projekty v oblasti umělé inteligence.
Tip: Je pro vás AI a Machine Learning novinkou? V tom případě doporučujeme první článek série o AI a Machine Learningu - základní pojmy :-)
Hledání jednorožců
Pro úspěšnou realizaci každého projektu jsou třeba ti správní lidé, na tom se asi shodneme. V minulém díle o AI a Machine Learningu - řízení AI projektu jsme popisovali tři projektové fáze; analytickou, prototypování a produkci. Jaké personální role jsou v každé z nich třeba?
V technologickém světě existuje pojem unicorn, kterým se označují firmy nebo jedinci výjimečných vlastností. V případě AI projektu je pomyslným jednorožcem člověk, který zvládne pokrýt všechny výše zmíněné fáze. Měl by být business expert v dané problematice (Analytická fáze), matematik/statistik (Fáze prototypování) a programátor (Produkční fáze) v jedné osobě. Bohužel takových lidí běhá po světě stejně jako jednorožců. Jaké je řešení?
Nehledejte neexistujícího člověka, sestavte tým.
S příchodem Big Data a dalších technologických novinek se vynořila změť buzzwordů, které označují pozice pro pracovníky v oblasti strojového učení a všeho příbuzného. Jak se v nich vyznat?
Připravili jsme pro vás tabulku, která znázorňuje relevanci pozice pro jednotlivé fáze tak, jak se s nimi setkáváme nejčastěji:
Tip: za odměnu, že jste dočetli náš článek tak daleko, máte nárok na 5% slevu na workshop „Úvod do AI pro business, markeťáky a produkťáky“. Při rezervaci stačí zadat slevový kód ai_2019
In-house nebo outsourcing?
Důležitější, než jednotliví experti, je kvalitní projektový manažer - pomyslné lepidlo, které tmelí tým dohromady. Pokud firma takového člověka nemá, může jej v pilotních projektech zastoupit externí consulting firma, která postupně celý proces implementace AI nastartuje a pomůže tým od základů sestavit.
Další variantou je tvorba in-house týmu skrze postupné proškolení interních zaměstnanců v problematice tak, aby postupně zastoupili nároky popsané výše.
Tip: Jaký dopad může mít AI na pracovní trh? To se dočtete v tomto článku.
Budování interního týmu je časově i finančně velice náročné. Pro úvodní experimentování s AI proto vždy doporučujeme začít s krabicovým řešením, pokud existuje - v tomto případě firma ušetří nemalé náklady spojené s náborem zaměstnanců a s vývojem. Na základě prvních výstupů a testů se pak rozhodne, zda se vyplatí investovat do vlastního řešení, které bude přesně adresovat specifika konkrétního businessu a přinese tak konkurenční výhodu na trhu.
V rámci praxe se setkáváme s nešvarem, kdy analýzu a prototypování provádí programátor/vývojář, tedy člověk bez business vhledu do problematiky nebo bez znalostí matematické logiky využívané pro strojové učení. Výsledkem je styl pokus-omyl bez jasného plánu nebo cíle a zmařená investice.
Bez porozumění businessu a bez znalosti matematiky nelze správně interpretovat výsledky strojového učení - tedy proč se model chová právě takto a co se stane při změně podmínek.
Firmám proto vždy doporučujeme zapojit do projektu analytika, který rozumí cílové skupině zákazníků a aktuální situaci na trhu.
Sestavit tým umím - co dál?
V tom případě doporučujeme nový workshop „Úvod do AI pro business, markeťáky a produkťáky“. Sledujte náš web a sociální sítě :-).
Tip: Chcete načerpat inspiraci a zkušenosti od profesionála v oboru AI, ML a automatizace Ondry Kopičky? Přijďte na nový workshop „Úvod do AI pro business, markeťáky a produkťáky“ který jsme pro vás připravili ve spolupráci s Powered by Insights.