每个行业都有越来越多的企业使用人工智能(人工智能)来改变业务流程，但其人工智能计划的成功不仅取决于数据和技术，还取决于是否有合适的人才加入。
一个有效的企业人工智能团队是一个多元化的群体，不仅仅是数据科学家和工程师。BradleyShimin咨询公司Omdia的人工智能平台，分析和数据管理首席分析师表示，成功的人工智能团队还应该包括许多了解业务并试图解决问题的人。
我们手头的技术和工具越来越需要支持和授权那些领域的专业人士、商业用户或分析专业人士，让我们直接在公司使用和负责人工智能。
人工智能初创公司Plainsight的联合创始人兼首席执行官CarlosAnchia同意这一点。他认为，人工智能的成功在很大程度上取决于建立一支具有各种高级技能和综合性的团队，但这是非常具有挑战性的。
是什么创造了一个高效的人工智能团队似乎很容易澄清，但当你审视成功人工智能团队中每个人的详细职责时，你很快就会得出结论，建立这样一个团队是非常困难的，他说。
为了帮助你建立一个理想的人工智能团队，让我们来看看这个团队应该具备的10个关键角色。
数据科学家
数据科学家可以说是任何人工智能团队的核心。他们负责处理和分析数据，构建机器学习(ML)模型，得出改进已投入生产的ML模型的结论。
Tiktok的数据科学家Markeltsefon表示，数据科学家是产品分析师和业务分析师的混合体，掌握了一定的机器学习知识。
他们的主要目标是了解哪些关键指标会对业务产生重大影响，收集数据分析可能存在的瓶颈，可视化不同的用户群和指标，并提出并制定各种解决方案来改进这些指标。他补充说，在为tiktok用户开发新功能时，如果没有数据科学，就不可能知道这个功能是否有利于用户或疏远用户。
你不知道测试功能需要多长时间，以及应该测试哪些方面。对于所有这些问题，你必须使用人工智能方法。
机器学习工程师。
机器学习工程师可以构建数据科学家的机器学习模型。
机器学习工程师的任务是将机器学习模型包装到容器中，并部署到生产环境中——通常以微服务的形式。
Rao说，这个角色需要专业的后端编程和服务器配置技能，以及持续集成和交付部署的容器知识。机器学习工程师还应参与模型验证、A/B测试和生产监控。
他说，在成熟的机器学习环境中，机器学习工程师也需要测试服务工具，只需要少量的测试就能找到生产环境中性能最好的模型。
数据工程师
数据工程师构建和维护的系统构成了企业组织的数据基础设施。德勤董事兼首席架构师Erikgfesser表示，数据工程师对人工智能计划至关重要，因为在使用数据做其他有价值的事情之前，后使用数据来做其他有价值的事情。
他说：数据工程师建立数据管道来收集和收集数据供下游使用。在Devops环境中，他们建立管道来运行这些数据管道的基础设施。
他说，数据工程师是机器学习和非机器学习项目的基础。例如，当数据管道在公共云中实施时，数据工程师需要编写脚本来启动必要的云服务，然后提供处理数据获取所需的计算。
IT服务公司SPR首席技术官MattMead表示，如果你是第一次组建团队，你需要知道数据科学是一个需要大量数据的迭代过程。假设你有足够的数据，大约80%的工作将与数据工程有关，大约20%是与数据科学有关的实际工作。
他说，正因为如此，人工智能团队中只有少数人从事数据科学。团队的其他成员需要确定他们正在解决的问题，帮助解释数据，帮助组织数据，输出并集成到另一个生产系统中，或以演示的方式呈现数据。
数据管理员
数据管理员负责监督公司数据的管理，确保数据可访问和高质量。这一重要作用确保了数据在整个组织中的一致使用，并确保公司遵守不断变化的数据法。
科技公司Insight数据和AI国家实践负责人Kenseier表示，数据管理员应确保数据科学家获得准确的数据，所有内容都可以重复，并在数据目录中清楚标记。
担任该职位的人员需要了解数据科学，并具备沟通技能。他们可以在各个团队之间合作，并与数据科学家和工程师合作，以确保利益相关者和业务用户能够访问数据。
数据管理员还应执行组织数据使用和安全的政策。数据管理员应该确保只有应该获得安全数据访问权限的人才能获得这个权限，Seier说
领域专家
该领域的专家对特定行业或学科有深入的了解，这是某一领域的权威。他们可以判断可用数据的质量，并与人工智能项目的预期业务用户沟通，以确保该项目具有实际价值。
软件开发公司Spdload首席执行官Maxbabych表示，该领域的专家至关重要，因为开发人工智能系统的技术专家很少在该系统的目标领域拥有专业知识。该领域的专家可以提供关键的洞察力，使人工智能系统发挥最佳性能。
当Spdload开发了一个计算机视觉系统来识别自动驾驶仪的移动物体来取代LIDAR技术时，他们在没有领域专家的情况下启动了该项目。虽然研究证明该系统是有效的，但Spdload不知道的是，汽车品牌更喜欢激光雷达而不是计算机视觉，因为它具有验证的可靠性，他们没有机会购买基于计算机视觉的产品。
我想分享的一个关键建议是，你应该考虑商业模式，然后吸引领域专家来判断这是否是一种可行的赚钱方式，然后讨论更多的技术问题。
教育技术平台iScholconectAI负责人Ashishtulsankar表示，领域专家可以成为客户和AI团队之间的重要联系人。
这个人可以与客户沟通，了解他们的需求，并为人工智能团队提供下一个方向。领域专家还可以监督企业是否以道德的方式实施人工智能。
AI设计师
人工智能设计师负责与开发人员合作，以确保他们了解人类用户的真实需求。这个角色将想象用户将如何与人工智能互动，并创建一个原型来显示新的人工智能功能。
人工智能设计师还应确保在人类用户和人工智能系统之间建立信任，以确保人工智能能够从用户反馈中学习和改进。
BCG波士顿咨询公司北美人工智能业务联合负责人Shervinkhodabandeh认为：组织在扩展人工智能方面遇到的一个困难是，用户不知道解决方案，不同意或无法与之互动。那些从人工智能中获得价值的组织的秘密实际上是，他们可以以正确的方式进行人机交互。
波士顿咨询公司遵循10-20-70的原则:10%的价值是算法，20%是技术和数据平台，70%的价值来自业务整合，或者在业务流程中绑定到企业战略。
人机交互绝对是关键，是70%挑战的重要组成部分，他补充说，人工智能设计师将帮助你实现目标。
产品经理
产品经理负责发现客户需求、产品开发和产品营销，并确保人工智能团队做出有利的战略决策。
AI开发公司Nexocode的产品经理Dorotaowczarek表示：在AI团队中，产品经理的职责是知道如何使用AI解决客户问题，然后将其转化为产品战略。
Owczarek最近参与了一个为制药行业开发人工智能产品的项目，它将支持使用自然语言人工审查研究论文和文档。
她说：该项目需要与数据科学家、机器学习工程师和数据工程师密切合作，开发为产品提供动力所需的模型和算法。
Owczarek作为产品经理，负责实施产品路线图，估算和控制预算，处理产品技术、用户体验和业务合作。
她说：在这种特殊情况下，由于该项目是由业务利益相关者发起的，拥有能够确保满足他们需求并关注项目总体目标的产品经理尤为重要。她说，人工智能产品经理应该同时具备技术技能和商业头脑。
产品经理应该能够与不同的团队和利益相关者密切合作。在大多数情况下，人工智能项目的成功取决于业务、数据科学、机器学习工程和设计团队之间的合作。
Owczarek表示，人工智能产品经理还需要了解人工智能的伦理因素，他们负责制定内部流程和指导方针，以确保公司的产品符合行业的最佳实践。
AI战略家
人工智能战略家需要了解企业层面的运营模式，并与执行团队和外部利益相关者协调，以确保公司拥有合适的基础设施和人才，实现人工智能计划的成功。
为了取得成功，人工智能战略家必须深入了解他们的业务领域和机器学习的基本知识;EYConsulting的全球人工智能总监Dandiasio表示，他们还必须知道如何使用人工智能来解决业务问题。
几年前，技术是一个困难的部分，但现在，技术正在重新构思我们连接不同业务的方式，以充分利用我们创造的人工智能能力或人工智能资产。他补充说，人工智能战略家可以帮助公司思考如何使用人工智能来改变他们的思维。
要改变(公司做出)决策的方式，需要有重大影响力和远见的人来推动这个过程。
人工智能战略家还可以帮助企业组织获得有效推广人工智能所需的数据。
如今，企业在其系统或数据仓库中拥有的数据实际上只代表了他们构建人工智能能力所需数据的一小部分。人工智能战略家的一部分职责是展望未来，看看如何在不违反隐私规则的情况下获取和使用更多的数据。
首席AI官
首席人工智能官是所有人工智能计划的主要决策者，负责向利益相关者和客户传达人工智能的潜在商业价值。
iScholConnect的Tulsankar说：决策者是那些了解业务、商机和风险的人。
他说，首席人工智能官应该知道人工智能能有什么用途，什么能带来最重要的经济效益，他们应该能够向利益相关者解释这些机会。
他们还应该讨论如何反复实现这些机会。如果有多个客户或多个产品需要应用人工智能，首席人工智能官员应该能够将与客户无关的实施部分分开。
高管发起人
执行发起人需要是C级高管，在保证AI项目成果方面发挥积极作用，负责为公司AI计划获取资金。
EYConsulting的Diasio表示，高管们在帮助促进人工智能项目成功方面发挥了重要作用。对公司来说，最大的机会往往来自于他们突破特定职能的领域。
例如，消费品制造商有一个团队负责研发、供应链团队、销售团队和营销团队，应用人工智能改变业务最大和最好的机会，与所有四个功能有关，所以实现这些变化，需要来自首席执行官或最高管理层的强大领导。
BCGShervinKhodabandeh表示，不幸的是，许多公司的高管对人工智能的潜力了解不多。
他们对人工智能的理解非常有限。他们经常把人工智能看作是一个黑匣子，直接扔给数据科学家，但他们并不真正理解使用人工智能需要什么新方法。
他说，如果企业不知道人工智能团队是如何运作的，角色是如何运作的，如何获得授权，使用人工智能将是企业文化的巨大变化。99%的传统人工智能公司会认为这很难。