在資料科學與人工智慧領域，集結人才的根本之道包括：招募人才、培訓技能、建立策略工作夥伴。能夠靈活運用這三種方法的資訊長，將可在人才激烈競爭的局面中取得優勢。
文／Clint Boulton 譯／曾祥信
資訊長(CIO)或IT領導人普遍認為，企業轉型/數位轉型的主要障礙是公司文化變遷，再來就是招募科技人才。要招募足夠的軟體工程師、敏捷軟體開發專家、DevOps領導人跟其他變革促進角色，向來不是件易事，但專家一致認為，真正的挑戰是雇用精通資料科學的專家，包括具備機器學習跟人工智慧技能的人才。
從醫療保健到金融服務，各種產業都將某種形式的人工智慧(AI)視為核心企業策略。安永會計師事務所(EY)在2019年做的線上調查顯示，500位企業領導人當中，84%認為人工智慧科技極其關鍵，能夠提升效率，減少支出，協助企業更深入瞭解顧客，並創造新的收益。
但是人工智慧能否成功，極大部份取決於企業的人才庫，正如這份調查中31%領導人指出，採用人工智慧科技的首要障礙，在於缺乏精通此技能的人才。
本文整理出專家分享他們挖掘人工智慧人才的經驗，並提供訣竅，讓資訊長知道如何吸引資料科學家、機器學習工程師與人工智慧專家等人才。
擴大網羅人才的範圍
Alan Jacobson 在福特汽車服務長達 25 年，擔任過工程師與其他職務，他在 2020 年 4 月加入 Alteryx 軟體公司，擔任該公司的首席資料分析長。他深刻體認資料科學人才的嚴重不足，他說，「找到有能力解決特定企業問題的適當人才，至今仍是最艱難的組織挑戰之一。」Alteryx 公司生產的軟體，能幫助素人資料科學家 (citizen data scientist) 輕鬆地將資訊視覺化，但即使對 Alteryx 這樣的公司來說，尋覓資料科學人才同樣是一大挑戰。
Jacobson 離開福特前的職位是全球資料分析總監，帶領的團隊擁有一千位資料科學家。他表示：「招募人才相當困難，因為需求遠超過供給」。他進一步解釋：「困難的原因之一是，資料科學家求職者－即使是具備一流問題解決技能的人－通常來自各式各樣的背景與學科」。
Jacobson 在福特汽車時，他底下最頂尖的資料科學家是麻省理工學院畢業的地震學家，自學 SQL、Python、R 和其他程式語言。其他資料科學家來自農業學、海洋學、政治學及看似與培育人工智慧技能無關的各種領域。Jacobson 說：「資料科學的特別之處是，這個領域的專家可能擁有世界上任何一種學歷。跟其他職業比起來，尋找資料科學的人才更加困難」。
Jacobson 提供鎖定資料科學人才的兩項訣竅：
1.擴大搜尋條件範圍
優秀的資料科學家同時兼備人際關係的技能與資料分析的頭腦。Jacobson 的地震學家在和平工作團服務與公立學校教書時，鍛鍊出優秀的軟技能 (soft skills)，Jacobson 透過熟識的推薦而雇用到她，Jacobson 說：「過去這些經歷促使她成為一名傑出的資料科學家。」
2.辨認能真正解決問題的高手
求職者是否有解決真實世界問題的經驗？應徵候選人是否曾經打造軟體產品或發表開源軟體函式庫，幫助別人解決問題？也許他們曾經在 Kaggle 或類似平台參加過程式設計競賽。這些全是用來辨別優秀候選人的關鍵指標。
竭盡全力尋找資料科學家
尋找有能力打造人工智慧功能的工程人才，更加限縮挑戰的範圍，這類人才通常必須具備程式設計技能、貝氏統計學 (Bayesian statistics) 知識，以及開發演算法的經驗。
由於這種特定技能的人才十分有限，招募時間往往漫長，根據 Gartner 在 2019 年初公布的人才招募統計，人工智慧職缺跟軟體開發人員職缺相比，前者平均需費時 100 天以上，後者平均則是 70 天以內。人力研究專家建議企業在招募時擴大地區範圍，除了人才充沛的舊金山灣區、紐約市、西雅圖外，應將觸角延伸到奧斯丁、費城與丹佛等地。Gartner 研究人員表示，在這些區域尋找人選有兩項好處，讓組織更早掌握人力市場，同時也能減輕薪資成本的壓力。
EY 顧問公司的創新長 Jeff Wong 透露，他們在尋覓人工智慧工程師與資料科學家時，除了瞄準矽谷的科技巨擘，也會鎖定世界各地的新創公司。在找不到合適人才的地方，他們則由全世界大學所有與問題解決相關的學科當中，尋找有潛力的學生。同時，他們也為既有員工提供重要的技能訓練，橫跨數種領域，包括拓撲學、密碼學、物理學及天體物理學。
雖然 EY 顧問公司全球 27 萬名員工中已有 1 萬 8 千位資料專家，Wong 仍然認為他們必須做更多事情去培育人工智慧人才，才能讓公司在接下來十年創造新的巔峰。
Wong 接受專訪時表示：「我們過去很幸運，但是我們招募人工智慧人才的能力趕不上公司的野心」。他補充道，過去幾年，EY 核心人工智慧團隊的規模，每四個月就增加為兩倍，他說：「我們的野心是成為全世界最好的公司」。
Wong 提出捕獵人工智慧人才的精闢建議：
● 一切皆與資料有關
Wong 表示，期盼一展長才的資料專家總希望能處理重大且複雜的問題，龐大的資料集對這類高手特別有吸引力。比方 EY 正在打造的人工智慧軟體，能自動掃描無數法規與稅務文件資料，無論是結構化及非結構化的資料都能處理。
● 釐清想要解決的問題
Wong 還提到，每位資訊長面臨的資料難題不盡相同，真正重要的是，IT領導人在指派任務給最合適的人工智慧人才之前，必須徹底釐清他們想要解決的問題是什麼。
總結：購買、建立與租借
PwC 合作夥伴 Mike Pino 認為，招募人才需要用到的方法有：購買、租借與建立，隨後透過專案的執行過程，創造出持續創新的慣性動能。至於應該選擇什麼方法，則取決於企業文化。
● 購買
意思就是直接雇用你找到的人工智慧人才，但要作好準備支付更高的酬勞，尤其是在特定地區。如果你是公司總部位在密爾瓦基市、威斯康辛州、或是俄亥俄州哥倫布市的資訊長，雇用人才的難度會比在舊金山、紐約或奧斯丁更高。
● 租借
向顧問公司或大學借用人才，去執行專案或打造產品，可以幫助你在「不需要擁有與維護」的領域中，填補短期的缺口。
● 建立
你也可以在企業內部培育人才，雖然費時、需要耐心，但是可以循序漸進地讓人才成長茁壯。PwC培訓了一小群員工，讓他們足以勝任機器人流程自動化(robotic process automation, RPA)工作，現在則針對人工智慧與機器學習技能進行類似的培訓計劃。
當你擁有合適的人才之後，就能找出最頂尖的人選，協助你建立人工智慧解決方案。隨後的重點就是執行專案、監控進度、徵求回饋並調整方向。面對不同的商業問題時，需要臨機應變調整方法。Pino說：「沒有任何資料科學方法是一體適用的」。
