数据部门如何All In AI

这个话题是我最近一直在思考的，不一定成熟，这篇文章权做笔记

前言

大数据部门的常见能力如下：

1. 报表统计
2. 算力/存储输出
3. 推荐/搜索/精准营销等传统产品形态

通常，大数据部门会花费很大的力气构建数据平台，而这个数据平台除了能让研发，算法，分析师等角色爽一些，从宏观角度很大的节省部门人力成本，提高效率以外，似乎对公司/其他业务部门并无一个直接的输出。这也是很多大数据部门领导非常焦虑的地方。

那么出路在哪里呢？

All In AI

事实上，真正能帮助业务提高效能，提供创新产品的必然是AI，AI是一种模式的输出。其价值点，第一个是可以给业务每个环节赋能，比如反垃圾可以减少审核同学的工作量，智能邀请可以减轻运营同学的工作压力；第二个是创新产品，高一点的有比较常见有无人驾驶，智能语音产品，医疗诊断等，低一点的，则可能是某个具体的功能模块对外输出，比如知识图谱。

从上面我们可以看到，数据部门的最大价值，最终会通过AI来进行落地，并且还会给部门/公司提供了极为丰富的想象空间。

如何 All In AI？

对于这件事情，我们要仔细研究一个核心的东西： 资源。

资源我们又分为：

1. 平台资源，如果你还在刀耕火种阶段做开发，做算法，那么咱也别谈什么All in AI了。
2. 人力资源，一场大型战争，核心还是在于看能动员的人力资源，但面对海量需求，你是否有足够的人力去应付？
3. 组织资源，合理的组织是能够极大的释放生产力的。

经过这么多年的发展，平台已经很成熟了。我们知道，AI平台是基于数据平台的之上的，其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台，其次你还需要有一个AI平台，让单一算法落地变得容易。

人力资源的问题是个大问题，算法团队再大，也就是大数据部门一个子部门/组。如何在保持现有成本的情况下，扩大人力呢？ AI平台对单一算法（后面我会解释什么是单一算法）问题是非常友好的，可能一个普通的工程师（甚至运营，分析师）都可以完成的。这样，部门所有的人都具备了成为AI人力的潜能。我们通过一定的培训和锻炼，可以使得研发，分析等都具备成为AI人才的潜力。需要的时候，我们提纯下即可。

回过头来看看，什么是单一算法。所谓单一算法就是具体的某个算法问题，比如对于帖子的情感分类，就是一个标准的文本分类问题。通常一个足够细化的问题，我们可以很容易将其转化为一个分类，回归，排序，规则类算法问题。现阶段，按我的了解，AI平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效，重构数据部门团队就很有必要了。

算法部门需要切分成三个子团队，一个是偏研究性质的，一个是偏业务性质的，还有一个则是AI平台和工具团队。业务性质的团队常常需要用到研究性质团队的副产品以及基于AI平台和工具团队的产品之上进行工作，同时向他们反馈自己的诉求和问题。

业务算法团队，通常也需要分成两个层级，*** 一个是解决方案设计者，该角色是将一个实际的业务问题分拆成N个算法和工程问题***（关于这个角色，还可以参考我早期的一个专题机器学习团队思考
）。一个是算法实施者，该角色只是针对单一算法问题的，可以在AI平台上很快的解决对应问题的。

研究性质的团队，可以分成三个部分，一个是读Paper,试图将学术论文转化为工业实践的，一个是算法基础构建，维护比如知识图谱这种非常底层的系统，一个是创新产品，他的目标是利用现有的算法，是否能抽象出新产品。

通过如上方法，有了很好的平台能力，很好的人员基础，加上合理的组织，All In AI或许变得可能。

总结

本文我们说了为什么要All In AI，要实现All In AI 不仅仅需要有一个好的平台（数据、算法平台）,也需要有良好的动员人力资源的能力，采用一个合理的算法组织架构充分利用人力资源。尤其是业务算法团队里的 “解决方案设计者”，该角色能够将一个实际的业务问题分拆成N个算法和工程问题，是AI落地非常非常重要的一个角色。