トップレベルの人工知能チームを構築するにはどうすればよいでしょうか?

市場には優れた AI ソフトウェア ツールが数多く存在しますが、プロジェクトを実装する際には強力なチームを構築する必要があります。テクノロジーは複雑であり、常に進化しています。組織内の変更管理にも多くの課題が存在します。

[[330375]]

では、AI プロジェクトにはどのような役割が含まれるべきでしょうか? まず、エグゼクティブ スポンサーが必要です。 AI プロジェクトはボトムアップで生まれるものではありません。このようなプロジェクトを適切に実装するには、多大なリソースと明確なリーダーシップが必要です。

「プロジェクトのエグゼクティブスポンサーや意思決定者は重要な役割を担っており、企業が何を達成したいのか、その理由は何かを明確に表現するのに役立ちます」と、コンコード・テクノロジーズの人工​​知能および機械学習担当テクニカルプロダクトマネージャー、シムラン・バガ氏は語る。

今日では、エグゼクティブ スポンサーには日常業務を管理する時間が十分にない可能性があります。そのため、KPI（主要業績評価指標）とタイムラインを監視する役割を担うプロジェクト リーダーも必要です。また、組織のボトルネックや社内の政治問題の解決にも貢献します。

その場合、1 人以上の SME (問題専門家) が必要になります。これらの人材は、AI テクノロジーが適用されるビジネス分野における経験豊富な内部関係者です。これらの人々は、モデルの改良とパラメータの選択に極めて重要な役割を果たします。

次に、テクノロジーにはさまざまな役割があります。含む：

• データ エンジニアまたはデータ注釈エキスパート: この役割は見落とされがちですが、それは大きな間違いです。 AI プロジェクトのデータは混乱していることが多いです。これにはデータの整理とラベル付けが必要であり、これは面倒で時間がかかり、労力がかかる可能性があります。
• データ サイエンティストまたは AI エンジニア: 機械学習、ディープラーニング、NLP (自然言語処理) などのデータとアルゴリズムの両方に時間を費やします。 「この取り組みにより、モデルの構築とテストの反復サイクルを高速化できます」と、PagerDuty のエンジニアリング担当上級副社長 Tim Armandpour 氏は述べています。
• 機械学習エンジニアまたは ML/Ops: 「この役割は、モデルをデプロイした後、運用と保守に多くの時間を費やすことになります」と、SPR のエンタープライズ アーキテクチャ担当エグゼクティブ バイスプレジデント、Pat Ryan 氏は述べています。… 新しいデータが入ってくるとモデルは変化するため、この役割では、モデルの動作方法とモデルへのデータ インターフェイスを理解している必要があります。」
• UX/視覚化エンジニア: AI プロジェクトが失敗する主な理由の 1 つは、アプリケーションが複雑すぎることです。エンドユーザーは通常、技術者ではないことを覚えておくことが重要です。そのため、UX/VisualizationエンジニアはAIプロジェクトの成果をより使いやすくする役割を担います。
• 人工知能テストまたは QC (品質管理): 人工知能は問題が発生しやすい傾向があります。しかし、AI テスターはさまざまな条件下でのモデルの検証に役立ちます。
• エンタープライズまたはソリューション アーキテクト: この役割は、AI プロジェクトの実装と統合に役立ちます。

たくさんの役割があるように思えますね。ただし、AI プロジェクトを開始する場合、これらすべてが必要なわけではないことに注意してください。 「AI プロジェクト チームは 1 人だけの小規模なもので、データ サイエンティストがさまざまな役割を担うこともあります」と、NetApp の分析および変革担当ディレクター、ロス アッカーマン氏は述べています。

強いて言えば、データ サイエンティストや機械学習エンジニアの役割に最初に焦点を合わせる必要があるかもしれません。これらは、AI モデルの最終的な成功に不可欠です。

「ゼロからチームを構築する場合は、チームの要でありリーダーとなる上級機械学習エンジニアを雇うために多額の費用をかけ、その後、その役割に最も適した社内の人材を選ぶようにしてください」と、ゼッタ・ベンチャーズ・パートナーズのマネージングディレクター、ジョセリン・ゴールドフェイン氏は言う。

技術的な人材の獲得に関しては、より広い視野で考える必要があります。自分のつながりを調べて LinkedIn を活用しましょう。コンピューターサイエンス以外の高度な学位を取得した卒業生について知りましょう。 PROS のデータ サイエンティスト マネージャー兼 AI ストラテジストのジャスティン シルバー氏は、次のように述べています。「従来のデータ サイエンティストのバックグラウンドである統計、数学、コンピューター サイエンスは、エンジニア、物理学者、経済学者、心理学者などによって強化されることがよくあります。... さまざまな技術的バックグラウンドを持つ候補者を AI チームに採用することで、チームは幅広い問題解決の視点を得ることができます。この技術の多様性により、コラボレーションがより面白くなり、アイデアがまだ非常に不安定な初期の研究段階であっても、チーム メンバーがアイデアを効果的に伝えるよう促すことができます。解決すべき問題に直面したとき、経済学者は物理学者とはまったく異なる視点を持っている可能性があり、コラボレーションは非常に素晴らしいものになる可能性があります。」

また、社内に目を向けて、スキルの再習得やスキルアップの機会がどこにあるか確認する必要もあります。 「人材プールは拡大しているものの、需要に追いついていません」と、Zscaler社の人工知能および機械学習担当副社長であるハウィー・シュー氏は語る。「AI人材の需要を満たすには、社内で適切な考え方と意欲を持つ人材を探し、そのニーズを満たすようにトレーニングする必要があります。」

ただし、チームの構築には多くの時間がかかることを忘れないでください。つまり、柔軟性と創造性を維持する必要があるということです。 Appen の CTO である Wilson Pang 氏は、次のように述べています。「私は、しっかりとした技術的背景を持つ候補者、または豊富な専門知識を持つ候補者の 2 つのタイプの候補者を強く推奨します。…この 2 つのタイプの候補者が AI 分野で成功したいという強い願望を持ち、専門家から指導や助言を受けることができれば、急速に成長し、パフォーマンス スターになることができます。」