建立与 AI 相关的角色和职责

  • 7 分钟

任何 AI 采用策略都需要解决现有的业务能力问题。 我们在“从 AI 创造业务价值”模块中对此进行了介绍。本模块旨在帮助公司准备 AI 计划。 现在的问题是：在你的组织中，谁对 AI 任务负责？ 本单元将深入地介绍如何在组织中分配与 AI 相关的职责。

在组织中实现 AI 是一项集体责任

每个人在 AI 转换中都有要扮演的角色，而不仅仅是 IT。 重要的是要使你公司中所有职能部门的人员都积极地提出有关 AI 应用的想法。 在计划设计和实施时推动业务团队和技术团队之间的协作十分关键。 部署完成后，业务的技术和运营方面的团队需要逐步参与维护 AI 解决方案：

  • 衡量 AI 解决方案中的业绩和 ROI。
  • 监视模型的性能和准确性。
  • 根据从 AI 解决方案中获得的见解实施。
  • 解决出现的问题并决定如何逐步改进解决方案。
  • 收集和评估 AI 用户（无论是客户还是员工）的反馈。

显示 AI 需要多学科技能的示意图：域理解、IT 技能和 AI 技能。

这是高级执行管理层团队的最终责任：负责总体 AI 战略和投资决策，以便建立 AI 就绪文化、变更管理和负责任的 AI 策略。

至于组织中的其他负责人，没有一个模型可以遵循，但不同角色可以发挥各自的作用。 贵组织需要确定一个适合你战略和目标、企业内团队以及 AI 成熟度的模型。

业务线负责人

照片显示一个身份为企业领导的人，这个人站在大楼前。

此人是业务主管，负责组织中特定职能部门、业务线或流程的运维。

  • 从所有员工那里征求想法：各个部门和各级人员应尽情提出想法、问题以及与 AI 相关的建议。 我们发现，我们最具影响力的 AI 应用的创意来自业务职能部门的员工，而不是来自外部或高层。

  • 确定新的业务模型：AI 的真正价值在于业务转型：推动新的业务模型、支持创新服务、创造新的收入流等。

  • 创建用于交流想法的可选社区：这些社区让 IT 角色和业务角色有机会不断连接。 可以通过 Yammer 等工具或参加网络活动或午餐讲座来实现此度量值。

  • 培训业务专家成为敏捷的产品所有者：产品所有者是敏捷团队的成员，负责定义应用程序的功能并精简执行。 将此角色作为业务专家职责的一部分或全部包括在内，使他们能够将时间和精力投入到 AI 计划。

首席数字官

照片显示一个身份为首席数字官的人。

首席数字官 (CDO) 是一名变革推动者，负责使用数字流程来监督传统运维的转型。 他们的目标是创造新的商机、收入流和客户服务。

  • 在整个公司内培养数据共享文化：大多数组织以一种孤立的方式生成、存储和使用数据。 尽管每个部门可能对其自身数据有良好的了解，但他们可能会缺少也许与其运维相关的其他信息。 共享数据是有效使用 AI 的关键。
  • 创建你的 AI 宣言：这是一颗“北极星”，清晰地勾勒出了组织对 AI 和更广泛的数字化转型的愿景。 其目标不仅是要巩固公司的战略，而且还要激励整个组织中的每个人，并帮助他们了解转型对他们意味着什么。 CDO 需要与高级执行管理层团队的其他成员配合工作，才能创建文档并将其传达给公司。
  • 确定促成快速发展的催化剂项目：通过确定可立即受益于 AI 的工作来启动 AI 转型，即“H1 计划”。 然后，展示这些项目以证明其价值，并在其他团队（H2 和 H3）中获得动力。
  • 制定有关数据管理最佳做法的教育计划：随着越来越多的非 IT 人员参与使用或创建 AI 模型，请务必确保每个人都了解数据管理最佳做法。 数据需要进行清理、合并、格式化和管理，以便 AI 可以轻松使用这些数据，同时避免偏见。

人力资源负责人

照片显示一个身份为人力资源主管的人。

人力资源 (HR) 总监负责组织的文化和人员发展。 他们的广泛任务包括实施文化发展、制定内部培训计划以及根据业务需求进行招聘。

  • 培养“学习文化”：考虑如何鼓励由领导者倡导的文化，即接受挑战并认识到失败是持续学习和创新的重要组成部分。

  • 设计“数字化领导力”战略：制定一项计划，以帮助业务线负责人和高级执行管理层团队建立自己的 AI 素养并通过采用 AI 领导团队。 请记住，任何 AI 策略都应符合负责任的 AI 原则。

  • 为诸如数据科学家之类的新角色制定招聘计划：虽然提高员工的技能是长期目标，但短期内你可能需要专门为 AI 计划招聘一些新角色。 可能需要的新角色包括数据科学家、软件工程师和 DevOps 经理。

  • 为受 AI 影响的角色制定技能计划：建立一种 AI 就绪文化需要领导层做出持续承诺，以在技术和业务方面对员工进行培养并提高技能。

    • 在技术方面，员工需要具备构建和运维 AI 应用的核心技能。 与其他公司合作可能有助于快速打造你的团队，但 AI 解决方案并非永远静止不变。 它们需要由对业务有深入了解的人员进行不断调整，才能利用新数据、新方法和新机会。
    • 在业务方面，当基于 AI 的系统更改人员的日程工作流程时，务必对要采用新流程的人员进行培训。 培训包括教导他们如何使用合理的人为判断，来解释和处理 AI 预测和建议。 你应该考虑周全地管理相应更改。

IT 负责人

照片显示一个身份为 IT 领袖的人。

尽管首席数字官负责制定和实施整体数字化战略，但 IT 主管负责日常技术运维。

  • 在业务和 IT 之间启动敏捷工作计划：在业务团队和 IT 团队之间实施敏捷流程可以帮助确保这些团队始终围绕一个共同目标保持一致。 实施需要文化上的转变，以促进协作并减少地盘之争。 Microsoft Teams 和 Skype 等工具是有效的协作工具。
  • 制定一个“暗数据”修正计划：暗数据是组织无法分析的非结构化、未标记和孤立的数据。 它们没有得到分类、保护或管理。 在各行各业中，如果公司能够将暗数据转变为明数据，他们必定受益匪浅。 为此，他们需要制定一个计划来删除数据孤岛、从非结构化内容中提取结构化信息以及清除不必要的数据。
  • 建立敏捷的跨职能交付团队和项目：跨职能交付团队对于成功运营 AI 项目至关重要。 熟悉并掌控业务目标和流程的人员应该是规划和维护 AI 解决方案的核心部分。 孤立工作的数据科学家可能会创建缺乏能够让模型有效的上下文、目的或价值的模型。
  • 在整个公司内扩展 MLOps：大规模管理整个机器学习生命周期非常复杂。 组织需要一种将 DevOps 的灵活性带入机器学习生命周期的方法。 我们将这一方法称为“MLOps”：即数据科学家、AI 工程师、应用开发人员和其他 IT 团队之间协作的常规做法，用于管理端到端的机器学习生命周期。 详细了解模块“为企业利用 AI 工具和资源”的相应单元中的 MLOps。

业务工作者的职能不仅仅是向数据科学家提供见解。 AI 必须帮助他们更好、更快地完成工作。 在下一单元中，我们将了解如何在不需要数据科学专业知识或中介的情况下使用无代码工具实现此目标。