|
當下火熱的大模型技術是人工智能領域的重大變革，其巨大的應用潛力正在對各行各業(yè)帶來深遠的影響和沖擊。如今，很多企業(yè)已經(jīng)將生成式人工智能的深度應用作為未來戰(zhàn)略的關鍵組成部分，意圖通過 AI 技術重塑研發(fā)、流程、業(yè)務，助力企業(yè)發(fā)掘全新的市場與機遇。 然而，由于大模型技術誕生時間很短，其實踐應用更處于早期探索階段，因而要尋找對大模型有充分了解的技術和業(yè)務人才，搭建一支足以帶領企業(yè)實現(xiàn) AI 戰(zhàn)略的團隊對企業(yè)而言普遍是一大挑戰(zhàn)。尤其對于缺乏前沿技術人才儲備的傳統(tǒng)企業(yè)而言，如何快速組建符合自身需求的 AI 團隊，怎樣平衡內部培養(yǎng)和外部招聘，不熟悉 AI 技術的人力資源部門怎樣構建能力評估體系等問題都亟待解決。
企業(yè)應如何設置 AI 相關崗位，他們的職責是什么？李明宇：企業(yè)落地 AI 技術時普通是從 IT 部門開始導入，這一過程中如果依舊保持部門原來的崗位設置是沒什么問題的，但某些崗位的職責會有所不同。例如產(chǎn)品經(jīng)理、采購經(jīng)理過去更關注整套設備、系統(tǒng)的采購，現(xiàn)在則更多要關注新技術如何推進業(yè)務的智能化，等等。在此基礎上更進一步，企業(yè)可能會從各個業(yè)務部門中選拔員工組成一個跨部門的虛擬部門，其中會有崗位負責拉通各個實體部門，收集各部門對 AI 的需求并與技術團隊溝通對齊，類似 AI 架構師的角色。李家貴：在企業(yè)的戰(zhàn)略或管理層，一般由董事長或創(chuàng)始人、高管、CTO 來發(fā)起研究、培訓和內外部交流，這樣的角色可以稱為 CAO。大型機構如銀行甚至會成立一個 AI 專班，一般設在董事長、總經(jīng)理辦公室，進行一把手推動。第二個層面是執(zhí)行層。大型科技公司主要分為三類執(zhí)行崗位，第一類是 AI 產(chǎn)品經(jīng)理，他首先要負責做場景 POC，而不是像以前一樣先做研發(fā) POC。因為 AI 項目是有可能交付失敗的，AI 有自己的能力邊界，而且能力缺陷非常大，所以在做場景 POC 之前直接做研發(fā)落地可能會有巨大損失。產(chǎn)品驗證可行后研發(fā)人員就會進場，這里涉及兩種崗位：- 一種是和大模型相關的微調、預訓練等崗位，只有少量企業(yè)有能力設置；其他企業(yè)只需調用大模型的 API 即可，相關崗位需要深入理解大模型的局限性，然后負責基于大模型的應用開發(fā)。
- 另一種崗位是新的門類，就是大模型的數(shù)據(jù)類崗位。我們要提升數(shù)據(jù)的有效性、回答的準確性或減少模型幻覺有兩種方法，第一種是微調，這里最困難的部分就是辨別高價值的問答；第二種是通過 RAG，這里又涉及數(shù)據(jù)的清理。這兩種方式都需要數(shù)據(jù)崗位來負責。
陳秋麗：順豐應用 AI 的時間很久，大模型技術興起后我們主要考慮如何結合大模型來改善現(xiàn)有的 AI 能力。我們的團隊配置并沒有顯著變化，例如負責引入 AI 技術的主要是業(yè)務和技術兩類人員。AI 落地過程中還有一個重要角色是業(yè)務解決方案，負責搭建業(yè)務與算法的橋梁，并設計 AI 的解決方案，溝通產(chǎn)品經(jīng)理、測試、開發(fā)等角色。另一個重要角色是數(shù)據(jù)分析，需要通過分析大量數(shù)據(jù)來判斷解決方案是否可行，分析 POC 效果與問題原因，幫助方案迭代等。算法測試也是很重要的角色，大模型需要專門的測試人員，在上線前測試效果，不能等到上線后再收集客戶反饋，這是同傳統(tǒng)研發(fā)流程的一大區(qū)別。有時我們會專門設置這一崗位，有時會讓數(shù)據(jù)分析員工來兼職。
在 AI 團隊發(fā)展建設過程中遇到過哪些挑戰(zhàn)？李明宇：我們計算所的同學在 AI 研究方面都有比較深的積累，各自都有自己專精的領域。但與企業(yè)合作開始落地大模型時就發(fā)現(xiàn)，大模型實踐經(jīng)常涉及很多研究領域，例如用大模型做知識問答，和以前的知識圖譜有哪些區(qū)別和聯(lián)系？這類問題研發(fā)人員就不是很熟悉了。又如用大模型來生成軟件代碼后如何測試？是用基于大模型的測試工具還是傳統(tǒng)的工具？如果對測試不夠了解，這時也會遇到障礙。我們的應對方法是從團隊層面梳理出一個體系，找出推進大模型企業(yè)落地時在各個層面和環(huán)節(jié)需要具備哪些知識，大家找出自己的盲區(qū)，根據(jù)自己的情況再學習補充。李家貴：首先，在 AI 時代，如果產(chǎn)品經(jīng)理對 AI 大模型的基礎原理不了解，基本上無法勝任 AI 產(chǎn)品的工作。反過來，研發(fā)工程師要懂場景，懂產(chǎn)品設計，懂體驗，否則他的投入可能會付諸東流，所以他要學習場景 POC 的基礎理論。產(chǎn)品和研發(fā)還要充分互動，才能找到 AI 大模型能夠起效的高價值場景，否則就可能一事無成。其次，在大模型領域大家普遍缺乏經(jīng)驗，尤其是實戰(zhàn)經(jīng)驗。大模型的能力邊界又不明顯，只有親身嘗試才會發(fā)現(xiàn)具體有哪些問題，解決問題后企業(yè)的 AI 能力也會自然提升。總體看有兩大挑戰(zhàn)：第一是業(yè)務要懂 IT，產(chǎn)品要懂場景；第二是缺乏實戰(zhàn)經(jīng)驗。陳秋麗：團隊管理者首先要對團隊能力有清晰的預期和認知，其次招人時要明白完全符合要求的人選很難找到，所以在堅持招人標準時也要在面試過程中微調。并且團隊找到一部分員工后，其他人選要遵循互補的思路來挑選，讓團隊成員更好地配合。我們還要鼓勵員工在工作過程中橫向擴展來積累經(jīng)驗。最后一點，雖然新技術迭代速度很快，但在企業(yè)場景里更新技術是要非常謹慎的，整個過程需要漫長的測試驗證。所以管理者要平衡新技術的引用、成員的熱情和積極性與落地的穩(wěn)定性，這也是一個難點。不是所有新東西一出來就要立刻應用，但團隊也要保持對新技術的持續(xù)探索。我們的團隊就會有分工，一部分人會負責追蹤和研究前沿成果。高巖：企業(yè)落地 AI 能力過程中，遇到的第一個普遍痛點是大模型如何在業(yè)務場景落地，產(chǎn)生實際價值。這一過程中大家都想要了解同行的最佳實踐，找出自身需要提升的能力，了解自己需要獲得哪些幫助。第二個痛點是企業(yè)在大模型層面的技術能力不足，包括知識治理、數(shù)據(jù)治理、數(shù)據(jù)有效性等方面都會有難點。同時，企業(yè)員工的個人能力不足、業(yè)務流程調整、員工的抵觸情緒與學習新知識過程中需要承擔的壓力都是問題。這些問題體現(xiàn)在人才層面，就是業(yè)技復合型人才比較稀缺，例如金融行業(yè)的 AI 技術人員需要了解金融業(yè)務流程、風險特征等；制造行業(yè)的技術人員需要了解生產(chǎn)線運作、質檢和產(chǎn)線優(yōu)化等。傳統(tǒng)企業(yè)在對外招聘這類優(yōu)秀人才時還會遇到薪酬、地域層面的很多限制，而在內部培養(yǎng)過程中又要付出大量資源來培訓，在成本方面也有很大壓力。
企業(yè)如何培養(yǎng)既懂 AI 又懂應用場景的復合型人才？李明宇：AI 大模型是比較新的技術門類，同具體業(yè)務的融合也沒有普適的手段。例如我曾經(jīng)做過醫(yī)療領域的大模型落地，就遇到了模型驗證時很難找到合適人員來驗證模型水平的困境。找患者驗證基本不可行，找行業(yè)專家驗證，我們就需要很高水平的專家來把關，但這樣的專家資源是非常稀缺的。這個例子就說明 AI 落地過程中，技術研發(fā)對業(yè)務的理解需要很深的程度，反過來業(yè)務對技術的了解也要有很高的水平，這都意味著很大的挑戰(zhàn)。所以從業(yè)務層面來看，業(yè)務人員需要對大模型技術的內核有深入的了解，知道怎樣評估模型落地的效果。技術人員則需要深入到一線生產(chǎn)環(huán)節(jié)，比如說醫(yī)療領域大模型的研發(fā)人員就要融入醫(yī)生的工作環(huán)境，理解醫(yī)生看病的過程，并在這一過程中自己對比模型生成的結果與醫(yī)生的診斷，再去請教醫(yī)生細節(jié)問題。通過這類方法，可以比較好地彌補業(yè)務和技術之間的鴻溝。而且大模型出現(xiàn)幻覺的幾率是一定存在的，那么技術人員還要了解怎樣的錯誤是業(yè)務側不在乎的，哪些錯誤是業(yè)務側不能容忍的，而不是只從概率的視角來看待這些幻覺問題。李家貴：我提出了一個五級理論，將復合型人才分為五個層級。第一層叫 AI 知識，就是要了解大模型的技術原理。第二層叫 AI 見識，就是能夠使用簡單的生成式 AI 工具，有一定使用經(jīng)驗。第三層叫 AI 膽識，就是敢于使用 AI 工具來做成一些業(yè)務。第四層叫 AI 成識，就是用簡單的 AI 工具來解決問題，拿到成果，例如用 AI 寫代碼、生成紀要等。第五層叫 AI 常識，就是將 AI 能力融入現(xiàn)有的工作和系統(tǒng)中。陳秋麗：我們會在具體的項目與業(yè)務落地過程中培養(yǎng) AI 復合型人才。我們的落地場景分為兩類，一類是知識問答等場景，另一類是服務物流和供應鏈的場景。后者需要很多業(yè)務經(jīng)驗，所以在這類項目中我們會配備業(yè)務專家、AI 專家，設定一個共同的團隊目標，然后在落地過程中大家互相了解學習、溝通幫助，就會逐漸培養(yǎng)出所需的人才。我們公司內部除了傳統(tǒng)的培訓體系，還會有技術競賽的安排，其中根據(jù)實際業(yè)務抽象一些題目給大家實戰(zhàn)演練，讓大家自己組建項目組參賽。參賽過程中我們會有專家?guī)椭麄儤嫿ń鉀Q方案，通過競賽的過程提升大家的能力。高巖：我分享幾個案例。第一個是我們?yōu)橐粋€產(chǎn)業(yè)互聯(lián)網(wǎng)公司做的 AI 大模型培訓項目，重點是為十幾名業(yè)務骨干培養(yǎng)對大模型的基礎和發(fā)展趨勢的認知，并進一步深化學習技術，掌握模型部署方法，再到 LangChain 項目的實踐和智能體應用實戰(zhàn)。通過這些體系化的內容學習和項目實戰(zhàn)，以及后期的培養(yǎng)成效檢驗，客戶開始在業(yè)務中構建 AI 模型，縮短產(chǎn)品迭代周期，提升產(chǎn)品質量，收獲了很多價值。第二個案例是我們同某集團合作的 AI 大模型實戰(zhàn)項目，以賽訓結合的方式落地。這家大型國企有 23 個業(yè)務單元，我們前期會整體進行體系化的培訓，專注于 AI 辦公提效的應用和大模型的開發(fā)技術。培養(yǎng)結束后我們分為兩個賽道，一個賽道是辦公層面的 AI 技術應用，不需要參賽者有編程背景，另一個賽道是大模型開發(fā)和應用產(chǎn)出，主要針對編程人員。這個項目是培訓與競賽深度結合的，比賽課題與客戶的這些業(yè)務單元、業(yè)務場景高度關聯(lián)。例如賽題涉及了基于 AI 大模型的招聘流程自動化系統(tǒng)、AI 員工助手、AI 安檢、智能提單機器人等。該項目落地后產(chǎn)出了很多有價值的課題成果，例如智慧購物車、知識庫助手、多模態(tài)訂單管理系統(tǒng)等。這些成果后續(xù)都在客戶條線中得到了孵化，我們在孵化過程中也在持續(xù)提供針對性的培訓輔助。這個項目的亮點就在于項目成果能夠在賽后迅速轉化為實際生產(chǎn)力，高效地促進新技術和集團各個分子公司的業(yè)務場景深度融合。同時 項目過程中又關聯(lián)了業(yè)技復合型人才的培養(yǎng)，錘煉出一批精通業(yè)務邏輯，同時又掌握先進 AI 技術的復合型人才。客戶在項目推進過程中的內部宣傳也很到位，在企業(yè) AI 文化建設方面有顯著成果。第三個案例是東風嵐圖 AI 大模型實戰(zhàn)訓練營。這個訓練營主要面對客戶內部數(shù)字化研發(fā)人員，包括數(shù)字化戰(zhàn)略規(guī)劃部、數(shù)字營銷、SCM 與制造的精英學員。訓練營是分階段開展的，基礎階段旨在構建學員對 AI 的認知思維，拔高階段和強化階段分別提升 AI 的應用技術，并形成 AI 的場景化能力和產(chǎn)出。我們?yōu)閭鹘y(tǒng)的制造業(yè)企業(yè)所做的培訓都是這樣由淺入深，體系化地逐層升級知識能力。我們還會結合他們的本職工作和具體的業(yè)務場景，讓學員有實際的產(chǎn)出，并將他們好的想法、創(chuàng)意納入 AI 產(chǎn)品孵化的創(chuàng)意庫。再介紹一下我們 AI 人才培養(yǎng)的方法論。首先我們總結了一個 AI 人才糧倉模型。這個模型是極客時間與信通院泰爾終端實驗室、北京銀行、華潤等二十多家企業(yè)和單位共同研究推出的。它將 AI 人才分為四層。頂層是 AI 思維管理人才，也是 AI 實踐的領導者，他們需要具備戰(zhàn)略眼光和 AI 理念，能夠引領企業(yè)在 AI 上的發(fā)展方向，推動實際的變革。下一層是 AI 應用人才，也是 AI 應用的踐行者他們需要精通 AI 技術與場景化應用，實現(xiàn)業(yè)務價值升級。他們也是 AI 業(yè)技復合型人才，負責將技術與業(yè)務結合在一起發(fā)揮價值。第三層是 AI 技術的賦能者，會精通模型構建、提示工程等技術，具備豐富的大模型開發(fā)落地經(jīng)驗。第四層是 AI 的技術領航者，主要關注構建和維護 AI 技術平臺，同時掌握算法調優(yōu)等能力。這類崗位包括了數(shù)據(jù)科學家、算法和數(shù)據(jù)工程師、前后端、測試、運維等角色。我們基于這個糧倉模型梳理了一些技能體系和對應的學習路徑，以及針對不同類型人才的標準化訓練營，覆蓋線上線下的學習課程、賽訓結合項目與實踐課題等。以大模型應用開發(fā)的訓練營為例，第一階段教授 AI 核心基礎知識，第二階段是 NLP 核心技術，第三階段是大模型開發(fā)、微調的實戰(zhàn)經(jīng)驗和技能，以及智能問答和 Agent 系統(tǒng)的開發(fā)、智能體開發(fā)與系統(tǒng)優(yōu)化等。訓練營設置了專家打磨過的前沿課程體系，也包含了利用 AI 技術為日常工作提效的內容，和面向 AI 領導者的發(fā)展趨勢與戰(zhàn)略等內容教學。我們也有分行業(yè)的 AI 場景應用課題，以及實踐案例分享等等。
如何在 AI 項目落地過程中篩選、識別人才？有哪些手段可以激勵員工成長為 AI 復合型人才？李明宇：我們首先會觀察員工在日常工作中是否會使用 AI。具體什么人愿意使用 AI，并不一定和他的技能水平、知識背景緊密關聯(lián)，更多取決于他的性格特征。有些人更喜歡依賴確定性的工具或自己的思考，有些人就更喜歡同 AI 交流。另外由于這個領域都屬于創(chuàng)新業(yè)務，具體的工作內容、工作方法都是在業(yè)務開展中逐漸完善的，所以我們也會比較看重員工的自驅力、工作主動性這些，不能說領導安排什么就做什么。當然也要看基本素質和專業(yè)基礎。至于激勵手段，我們的方法比較簡單，就是 AI 相關崗位的薪資獎勵會設置得高一些。最后要評估績效時，具體的方法我們也在探索中。陳秋麗：我們沒有設置特別的激勵手段，主要還是根據(jù)團隊產(chǎn)出的成果來定績效。另外關于 AI 的崗位在招聘薪資層面會有一些差異。
現(xiàn)階段企業(yè)是否會為 AI 人才成立專門部門？還是根據(jù)技術情況安排專崗專人？陳秋麗：是否建立專門的團隊取決于公司的戰(zhàn)略投入情況。企業(yè)愿意投入多少成本、多少精力構建這樣的團隊，同他們對這個團隊帶來的價值的預期緊密相關，這是一個投入產(chǎn)出的問題。至于專崗專人一般是很難做到的，因為 AI 落地一般需要復合型技能，僅靠一個人很難實現(xiàn)目標，并且很多場景在團隊成員招聘時很難提前考慮到，所以構建一個能夠自我成長學習的團隊比較重要。
企業(yè)當前沒有 AI 團隊時該如何組建？如何保證 AI 崗位的人效？李明宇：大部分企業(yè)都多少會有涉及 AI 能力的部門，但要談到基于生成式 AI 或大模型帶來的全新能力進行業(yè)務賦能或創(chuàng)新，大部分企業(yè)都是在探索過程中。所以關于這樣的團隊組建、考評定級、績效考核，這些事務也都是在探索階段。一般來說企業(yè)還是根據(jù)具體的項目來組建團隊，先確定場景，又有一定的積累，再根據(jù)具體的目標來遴選團隊成員。而具體的團隊形式和效能考評這些，目前還很難下一個定論。李家貴：關于團隊能否產(chǎn)生價值，可以分三個層面來考慮。- 第一個層面是如何界定價值？這里要考慮你當前的業(yè)務有沒有發(fā)展前景？當前業(yè)務有沒有客群？有沒有收入？有沒有利潤？如果這個業(yè)務沒有利潤沒有收入，那么指望通過 AI 立刻改變局面是不現(xiàn)實的。所以一定是在主業(yè)比較強的前提下來談人效。
- 第二個層面，組建團隊時一定要尋找復合型人才，要既懂產(chǎn)品又懂研發(fā)，最好是全棧式技能，場景 POC、產(chǎn)品驗證、數(shù)據(jù)測試都能搞定。
- 第三個層面，我們評價人效時主要看能不能通過引入 AI 能力，幫助其他團隊減少人員或開支，產(chǎn)生更大收益，轉化商業(yè)價值。
用 AI 輔助編程大概可以提升 30% 的效率，這是否是 AI 提效的成果？李明宇：30% 的效率提升在領導眼中一定是提效成果，但這個數(shù)字和很多人的預期是不一樣的。很多人覺得提升 100% 的效率都不算夸張，那么為什么實踐中提升 30% 甚至十幾個百分點都很常見？原因有二，其一是不同員工對 AI 的態(tài)度不一樣，有的員工就不喜歡使用 AI，更喜歡手寫代碼，AI 對他們的幫助就很小，還有的員工手寫代碼能力弱，用 AI 輔助后效率提升就很明顯。那么不同人的提升不一樣，平均下來就可能是 30%。第二個原因，很多業(yè)務的部門設計上會涉及很多環(huán)節(jié)，例如軟件開發(fā)流程中代碼編寫只是其中一個環(huán)節(jié)，而 AI 加速的只是這么一兩個部分，即使這一兩個部分效率提升很大，對整體業(yè)務的影響也不會那么明顯。李家貴：行業(yè)內有兩個指標衡量研發(fā)提效的效率，一個是 AI 的提交率，一個是代碼的采納率。采納率在全行業(yè)來看可能只有 50% 到 60%，大企業(yè)也只能達到這個水平。提交率普遍是 20% 到 30%，比較卓越的企業(yè)能達到 30%，所以 30% 的效率提升已經(jīng)是很好的數(shù)字。陳秋麗：除了效率提升外，我們還要關注 AI 為員工節(jié)省下來的時間是否被充分利用起來，如果時間節(jié)約后員工只是閑了下來，對企業(yè)來說價值也不明顯。 點擊下方卡片，關注管理智慧 
|
