如何強化內部員工的AI 能力?

技術的發展始於理論及經驗為基礎,當技術成熟的時候,便會發展出各種完整的教學SOP,比起艱深的理論,還有針對不同環境因素下的專案相比,更容易讓有意加入此產業的人們,得以無痛上手,AI 產業的技術發展也有相似的情況。

然而如果僅僅透過「複製/貼上」AI 專案範例,許多人有機會可以在一個月就上手,但面對到千變萬化的 AI 企業應用需求,終究得面對殘酷的理論磨練與現場操練,在沒有足夠專業與經驗的團隊支持下,誤認為能夠進行幾個範例操作便可實際執行部署應用,可能的結果,將會是一個可觀的投資浪費,更別說如果更大偏差的工作方向,到最後只有空談沒有實際執行,造成企業發展落後競爭對手,最嚴重可能導致嚴重影響公司營運。

對於尚年輕仍在學的學生,剛踏入領域前,可能相對是有較為足夠的時間可以補充 AI 理論知識,然而已經踏入職場的從業人士的時間並不充裕,分工合作就會顯得更加重要,主流的作法有兩種,一種是R&D的技術討論,另一種是R與D的分別運作。

早前團隊草創階段,通常都是前者為主,成員以具有專業與非專業出身1:1的比例,或是由1-2位資深學術兼技術人士代領3-6人的團隊進行運作,以主題式的教學,以學術的公開課為主,也可以是頂尖學術論文,根據部門專案方向,決定各自需負責的章節題材,經一番研讀與自我理解之後,已報告形式,每周2-3小時,主講人針對各自的理解,與其理論應用在我們實際操作的物理層面時,所代表的技術含意。 是非常注重長期累積,且需要整個團隊都有動力才有辦法順利運行的方法,可以培養出一整團的精兵,理想狀態下可以獨自在負責的專案完成核心任務。

在成熟的團隊,通常公司規模在單一業務類型就會有一定規模的人員編制,會特別將R (學術研究Research) 和 D(程式設計Design) 人力分開,在這個階段,R就不單單是做學術探討,甚至需要達到學術突破,讓公司技術領先於其他企業;而D全力將R所完成的方案轉為產品為第一重任,以客戶使用方便和排除操作問題為主的開發方向,此時R與D的比例大概是1:10,其中D通常還會根據工程實力與經驗,分配管理、設計、輔助、測試等工作,此時AI的經費資源就不會平攤於每個員工,而是只會針對學術研究進行集中的開銷。
各自的困難點,就是在於是否能有效且長期的運作,與工作細部分配的選擇。在第一種方法,因為需要長期的技術研究與討論,往往會壓縮到不少上下班時間,對於已經在上線運作的團隊,這樣的作法是相對不利的,容易導致將資源平攤,卻只帶來一半的效益,若團隊內員工約有3成缺乏熱情,整個團隊的效率就會減少超過一半,公司是否可以負擔的起人士成本外,與鞏固團隊士氣的管理能力,將會左右整個團隊的成敗,只要能長期運作,所有人都能快速接手彼此的工作,在分配人力上的彈性就會相當大。
而在R與D分開運作的方案,因為D通常工作與一般工程師無異,最多是在R下放技術後,透過配合使用框架環境,完成專案落地的任務便完成使命,所以學術花費的成本會集中在不需煩心在程式設計的學術人員上,可以更加專心的完成前所未見的任務。 但也正是因為如此,如果沒有良好的績效機算機制,可能無法理性的平衡R與D兩者工作的差異性質,有時為了人力的調度,硬是將兩邊的人馬混砸了對面負責的工作項目,因為資源與時間投注的落差,在調控人力就會顯得格外嚴苛。 一些大型公司將R獨立成個別之實驗室,直接與頂尖學術學校合作,或是以一至數位學術界大手為主,來帶領團隊,通常是針對特定專案組成的臨時傭兵集團,薪資會明顯高於一般工程師數倍,但隨時都有可能因為宣告業務結束而失業,怎麼用兵怎麼部屬,都會需要非常前衛精明的強力管理層。
通常學生最容易缺乏的是上線經驗,其實不一定要一開始就強制他們從上線做起,在面對碩士人才,很多大型企業選擇無痛銜接碩士研究工作,讓專業的人力可以持續地將光與熱燃燒到最後一刻。 至於大學畢業生,或是從其他科系轉職過來的人力,通常不會有針對領域上的琢磨,此時磨練業界的專案合作與落地開發,一樣可以訓練出強力的AI尖兵,程式能力自然需要可以解決問題的程度,而數學邏輯能力與溝通能力也建議作為參考的重點。