Что влияет на состав команды для внедрения инструментов искусственного интеллекта и что нужно знать о поиске цифрового лидера и работе с внешними экспертами

Команды под инновационные проекты строятся иначе, чем команды под типовые проекты. Типовые проекты в компаниях носят модернизационный характер, улучшения зачастую локальны и распространяются, как правило, только на один бизнес-процесс. Например, в компании используют базовую версию CRM-системы, а потом в процессе модернизации переходят на новую версию, но кардинально бизнес компании от этого не меняется. Или у компании есть сайт, а потом в процессе модернизации добавляют новый раздел. Для таких проектов достаточно дать задание HR-команде нанять необходимых специалистов с понятными типовыми ролями, найти проектного менеджера, выделить понятный бюджет и сделать.

Трансформационные проекты (далее — ИИ-проекты) отличаются качественно новым подходом, процессами и имеют прямую связь с бизнес-моделью компании и способом создания продукта или услуги. Они затрагивают компанию не локально, а целиком. Поэтому в таких проектах сложно сходу определить, какие специалисты нужны, как управлять рисками, какой должен быть бюджет.

Под такие проекты трудно сразу построить сбалансированную команду, которая сможет внедрить инновации эффективно. Ниже разберем ряд особенностей построения команд под ИИ-проекты.

Схема управления цифровой трансформацией 26-02.jpg
Схема управления цифровой трансформацией

На рынке всегда мало реальных специалистов с экспертизой

Есть умельцы, которые прошли один-два курса на Coursera, в университете или в корпоративном центре обучения и называют себя экспертами. На самом деле они просто частично знают терминологию лучше тех, кто ее вообще не знает.

Настоящие специалисты под инновационные проекты формируются задолго до того, как рынок почувствует в них необходимость. Как правило, они встречаются в академических кругах и на профессиональных митапах. Это специалисты, которые принимали прямое участие в создании этой новой инновационной технологии. Например, основоположниками современного глубокого обучения (Deep Learning) являются три профессора Йошуа Бенджио, Ян Лекун и Джеффри Хинтон. Сейчас каждый из них возглавляет исследовательскую лабораторию в стартапе или AI-first компании (Facebook, Google).

Чтобы найти таких людей с подходящим профилем внутри компании, хорошему руководителю ИИ-проекта нужно много общаться. При этом он должен системно и уверенно оценивать реальные компетенции членов команды. Проблема в том, что сложно самостоятельно обобщить все, что нужно знать, и охватить все аспекты, связанные с технологиями, данными, культурой, людьми и бизнес-моделями вокруг ИИ. И первым делом руководителю необходимо найти такого менеджера проекта, который будет интересоваться и гореть идеями внедрения полезных технологий. В перспективе он сможет формулировать проблемы, для решения которых и внедряется ИИ; управлять небольшим собственным проектом; выбирать технологии при небольшом специализированном обучении.

Важно запомнить, что на начальном этапе проекта команда так или иначе будет переживать стадию, подобную созданию стартапа: все делают всё или только то, что могут. Поэтому с неидеальными, но гибкими сотрудниками руководителю проще выйти победителем в процессе внедрения ИИ.

Реальные нишевые эксперты редко находятся в корпорациях

Команда под крупные ИИ-проекты, как правило, состоит не только из внутренних специалистов, но и внешних экспертов-исполнителей. Речь идет о предпринимателях и руководителях ИИ-стартапов, международных AI-first компаний, а также о профессорах ведущих университетов. Таких экспертов привлекают под проекты именно из-за их экспертизы и имеющегося опыта.

Привлечение и наем нишевых специалистов — процесс длительный. Потому что помимо непосредственного поиска хороших членов команды много времени руководителя уходит на тщательное описание процессов собеседования и адаптации. Если у руководителя нет времени на такой трудоемкий процесс еще на подготовительной стадии, то у него его не будет и на своевременное управление командой и ее поддержку.

Поэтому не ленитесь скрупулезно подбирать сотрудников как с широкими, так и с глубокими навыками, а не только в прямой предметной области. Чтобы привлечь игроков из академической среды, нужно понимать, кто в текущем составе команды сможет использовать «непрофильный» опыт для вдохновения. Например, ученая степень в инсектологии может помочь в создании эффективных механизмов компьютерного зрения для предотвращения краж в магазинах.

Устойчивая команда характеризуется способностью задавать качественные вопросы, потому что обладает широким кругом точек зрения, с которых задаются эти вопросы. Кроме того, члены такой команды перекрывают «слепые зоны» прошлым опытом или набором навыков каждого отдельно взятого сотрудника.

Из-за неопределенных ролей в команде HR не понимает, кого нанимать

Термин data scientist появился в 2009 года, и за последние десять лет мировое сообщество более или менее определилось, кто этот специалист и что он должен делать. Но все же есть нюансы, которые вызывают ряд вопросов, например:

— кто должен отправлять готовые модели в промышленную эксплуатацию после тестов?

— кто должен собирать данные?

— кто должен придумывать и тестировать алгоритмы?

С учетом того, что алгоритмы меняются каждые два-три года, даже практикующий эксперт в индустрии не за всем успевает следить. Что говорить о людях других профессий? Поэтому за HR в инновационном направлении должен отвечать отдельный специалист — каждый для своей ниши, если есть возможность.

Эволюция организации, внедряющей искусственный интеллект 26-03.jpg
Эволюция организации, внедряющей искусственный интеллект

Какой путь нужно пройти, чтобы сформировать команду

Чтобы понять, какая команда нужна, нужно понять путь, который проходит компания при внедрении ИИ. Ниже представлены восемь основных шагов:

1. Найти лидера проекта внутри компании.

2. Выйти на сотрудничество с внешними экспертами по ИИ, если проект действительно масштабный.

3. Совместно с лидером компании и внешними экспертами (компанией-партнером) рассмотреть проекты на стадии поиска возможностей и сформировать портфель проектов, которые могут быть реализованы в компании, и бюджет.

4. Выделить под каждый проект ответственного проджект-менеджера с техническими навыками. Такой менеджер хорошо понимает технологии, обладает продуктовой интуицией, имеет представление о работе с данными и возможными рисками. Не менее важно, чтобы такой специалист имел навыки проведения экспериментов: формулировать гипотезы на основе данных, трактовать результаты тестов, отслеживать долгосрочные эффекты и регрессии модели.

5. Начать работу по одному из проектов, сформированных на шаге 3. Параллельно стартуют работы по следующим проектам, включенным в портфель ИИ-проектов компании.

6. Начать нанимать и обучать внутренние ресурсы под новые бизнес-задачи. Главное при этом не тормозить процесс производства проектов, а нанимать тех, кто сможет их усилить.

7. Совместно с внешними специалистами сделать проект по модели гибридной организации. В данном случае разработка и реализации ИИ-проектов осуществляется уже непосредственно внутри компании, а внешний партнер выполняет роль советника.

8. Запустить центр компетенций по ИИ. Этот шаг включает в себя поддержку проектов и разработку новых бизнес-моделей, фокусирование организации вокруг ИИ. При этом возможности платформы расширяются за счет автоматизации инфраструктуры, данных, конвейеров тестирования. Стандартизируется обмен и повторное использование данных. Запускается массовое обучение внутри компании, поддерживаются базы знаний и стандартов.

Поиск лидера проекта в компании

Поиском занимается непосредственно руководитель. В этом плане хороший пример демонстрирует Герман Греф — он действительно является примером успешного цифрового лидера в России, а также на международном уровне. Лидером может быть и человек на высокой позиции в компании, который понимает, что новый виток технологий — это возможность сделать карьерный прыжок, реализовать более сложные и важные проекты для организации и общества в целом.

Если компания не готова сразу нанимать автономного цифрового лидера (потенциального лидера мнений), внутри организации также может быть выстроена подходящая команда.

— генеральный директор: управляет командой топ-менеджеров, выполняет операционные задачи по работе бизнеса;

— технический директор: осуществляет непосредственное внедрение технологий и оценку рисков при реализации проектов;

— финансовый директор: формирует портфель цифровых проектов, управляет рисками, считает ROI и доходность;

— маркетинговый директор: понимает потребности клиентов, тренды на рынке;

— цифровой директор: отвечает за реализацию трансформации компании, формирует цифровую стратегию, сеть цифровых партнеров, собирает данные, разрабатывает платформу и процессы.

Какие специалисты входят в команду ИИ-проекта

Состав команды по внедрению ИИ зависит от стадии проекта. Ниже мы показываем самые базовые роли.

AI Technical Architect / технический архитектор по ИИ:

— проектирует архитектуру решения;

— планирует циклы выпуска продуктов;

— определяет стандарты разработки;

— выбирает стек технологий;

Играет в роли опытного члена команды инженеров, чтобы снизить риски.

AI Project Manager / проектный менеджер с навыками работы над ИИ-проектами:

— отвечает за видение продукта;

— передает это видение команде разработчиков и заинтересованным сторонам бизнеса;

— понимает бизнес-потребности, тренды, бизнес-модель компании, профиль каждой из сторон проекта;

Data Engineer / инженер данных — гибрид аналитика данных и data scientist:

— проектирует, создает или устанавливает готовые, тестирует и обслуживает нагруженные системы управления данными и API;

— предоставляет аналитикам чистые и корректные данные, которые используются для принятия решений;

— работает в тесном сотрудничестве с data scientists.

Data Scientist / специалист по работе с большими данными:

— разрабатывает прогнозные модели и алгоритмы для создания продуктов, основанных на данных;

— «хороший статистик с навыками разработки» или «хороший разработчик со статистическими навыками».

DevOps Engineer / гибрид системного администратора и разработчика:

— отвечает за разработку и обслуживание инфраструктуры платформы

CI/CD (непрерывность разработки и интеграции), а также Infrastructure as Code (управление сетями, виртуальными машинами и прочими компонентами по принципам версионности).

Владелец продукта несет ответственность за продукт и его характеристики от начала и до конца.

Важно отметить, что для разных ИИ-проектов нужны разные специалисты, и существует множество их комбинаций. Этот список представляет собой общий обзор ролей в проектах по внедрению ИИ. Если компания маленькая или работа ведется только над первым проектом, то минимальный состав команды по ИИ — AI Project Manager, Data Engineer и Data Scientist.

Новости партнеров

«Эксперт»
№43 (1181) 19 октября 2020
400 крупнейших компаний России
Содержание:
Маски-шоу с нами надолго

Вторая волна коронавируса поднялась уже выше первой. Но если в мире смертность ниже, чем во время вспышки в начале года, то Россия ставит антирекорды по числу умерших. Во многих регионах дефицит коек и врачей. Пока нет проверенной для массового использования вакцины, основным арсеналом останутся маски и социальная дистанция. Нелишней будет прививка от сезонного гриппа и легочных инфекций

Главная новость
Реклама