如今，大多数组织都在准备迎接一个人工智能无处不在的世界。这种发展需要业务和技术领导者以对新技术能力、利用新技术的技术技能的理解来装备他们的组织，并关注传统IT工作流的新方法。但缺乏人工智能技能是采用人工智能的最大障碍之一。尽管从大学毕业的专业数据科学家和人工智能从业者的数量达到了创纪录的水平，但企业在寻找和吸引优秀人才方面仍然面临着巨大的困难，这使得人工智能提升技能项目成为优先考虑的项目。
对于一个组织来说，对人工智能世界来说，提高技能意味着什么?
每一家企业最终都将成为一个人工智能企业。 每个企业都知道它需要提高员工的人工智能技能。 然而，各组织难以确定人工智能技能的提高意味着什么，以及必须采取哪些具体行动来发展这些技能。 对于一个组织来说，对人工智能世界来说，提高技能意味着什么?
人工智能并不是单一的。 它不是由一组技能定义的，也不是由组织中的单一角色定义的。
有些技能是相对简单和基础的，必须在整个组织中广泛发展。 另一些则更为复杂，集中在较小的高技能专业群体中。 了解具有多种技能的多个角色如何在一个以最终结果为重点的统一框架中对其工作进行调整和编排是至关重要的。
建立人工智能知识、上下文人工智能知识和人工智能解决方案构建能力
开发提高员工技能的程序的组织应该从所有人的基本要素开始，深入到特定角色的更复杂的专业化层次，重点关注技能进步。 我们看到这种技能的进步是由三个主要层次构成的:人工智能知识、上下文人工智能知识和人工智能解决方案构建能力。
人工智能扫盲
这些技能应在整个组织中得到广泛发展，重点是对数据的概念理解、与启用人工智能或由人工智能驱动的工具进行交互的能力以及在组织中为人工智能确定机会的能力。
这些目标应针对技术和非技术专业人员，他们应能够:
- 阅读、理解、创建和交流数据作为信息;进行批判性思考以在数据中找到相关的洞察力;从图表中理解洞察力，同时尽量减少被数据误导和得出有害的错误结论的风险。
- 识别人工智能技术和流程如何影响业务目标;识别哪些技术是合适的;识别需要哪些数据;以及理解人工智能如何支持业务。 这一技能要求具备专业知识，认识到如何利用侧重于预测、自然语言处理、视觉和语音识别等方面的技术，以及如何将数据视为战略资产。
- 理解和掌握用于编排不同角色的工作的方法; AI需要迭代和实验的文化，以及对业务和技术工作流的深入反思。
上下文人工智能知识
下一层次的技能需要拥抱人工智能技术能力并将其注入其他领域。 重点是利用人工智能技术开发领域战略，管理输入和使用预构建的人工智能模型的输出。 在这一阶段，一些技能应该在技术和非技术团队中开发，与开发、数据工程和数据科学家一起开发。
各组织需要能够:
- 开发识别商业机会、数据策略的过程，以及人工智能模型如何在特定领域的商业目标中驱动新的价值。
- 识别人工智能何时是实现特定业务目标的正确方法;根据影响和实现的难易程度对用例进行优先排序和选择;定义 KPI以基于业务优先级并与业务目标保持一致地驱动人工智能实现。
- 确定可以解决特定问题的人工智能能力的类型，并确定可用于训练人工智能模型的不同数据类型。 这一技能为探索潜在的新数据集(结构化和非结构化、外部和内部、前提或云上的数据集)以及定义数据管道和数据访问过程提供了很好的机会。
- 利用预构建的 AI模型(NLP，可视化识别)和框架(Tensorflow, Keras)等技术帮助加速解决方案构建。
- 了解如何在概率环境中做出决策，并适当地管理风险。
构建人工智能解决方案
下一阶段的技能侧重于构建 AI解决方案和开发管理端到端 AI生产流程所需的技能。 数据科学角色是人工智能生产周期的核心，其他业务和技术利益相关者在不同阶段扮演着重要角色。 数据科学家及其相关利益攸关方通常:
- 制定以道德操守和隐私原则为基础的框架/方法，在整个组织实施，以构建端到端人工智能解决方案。
- 建立机器学习模型(监督/非监督/深入/强化)，以及深度学习模型。
- 具有扎实的数学专业知识(概率、推断统计、线性代数)，确保机器学习模型的正确建立.
- 将人工智能模型部署到生产环境中，并以信任和透明的方式实现人工智能。
- 确保人工智能的建议是完全可追溯的，并审核的血统模型和相关的培训数据可以被执行。
人工智能可以为组织带来巨大的机会和利益，这需要技能开发计划，以确保一致性和有意的结果。 人工智能技能发展的指令性方法是成功的关键。
了解更多IBM 数据与AI解决方案请访问：http://cloud.51cto.com/act/ibm2020q4/ai
