作者 丁香园资深数据架构 祝威廉
大数据部门的常见能力如下：
- 报表统计
- 算力 / 存储输出
- 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，从宏观角度很大地地节省部门人力成本、、提高效率以外，似乎对公司 / 其他业务部门并无直接输出。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 来落地，并且还会给部门 / 公司提供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。 1. 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，面对海量需求，你是否有足够的人力去应付？ 1. 组织资源，合理的组织是能够极大地地释放生产力的。
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；；一个是算法实施者，该角色只针对单一算法问题，可以在 AI 平台上很快地地解决对应问题。
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；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，目标是利用现有的算法抽象出新产品。
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。
目录
热点 | Hot
Spark 团队开源新作：全流程机器学习平台 MLflow
Google 发布 Flutter Release Preview 1
理论派 | Theory
独家揭秘：腾讯千亿级参数分布式机器学习系统无量背后的技术门道
推荐文章 | Article
阿里巴巴为什么不用 ZooKeeper 做服务发现？
观点 | Opinion
Airbnb 弃用之后，我们还应该用 React Native 吗？
特别专栏 | Column
如何“计算”CEPH 读写性能
中心化 or 去中心化？聊聊交易所的辩证发展
评论