לבנות צוות AI פנימי: אילו תפקידים באמת צריך, ובאיזה סדר

השאלה שחוזרת בכל ארגון שמתחיל ברצינות עם AI היא מתי להפסיק להסתמך על ספק חיצוני ולהתחיל לבנות צוות פנימי. התשובה הכנה היא: מאוחר יותר ממה שנדמה לכם, ובסדר שונה מזה שרובם בוחרים.

הטעות הנפוצה: מתחילים ב-Data Scientist

רוב הארגונים מגייסים ראשון איש דאטה סיינס. זה הגיוני על הנייר ולא בשטח: בעידן של מודלים מוכנים, רוב העבודה בפרויקט AI ארגוני היא הנדסת תוכנה, אינטגרציות, טיפול בנתונים ואבטחה - לא אימון מודלים. הגיוס הזה מביא אדם מוכשר שמגלה שאין לו סביבה לעבוד בה.

סדר הגיוס שאנחנו ממליצים עליו

ראשון - מהנדס תוכנה בכיר עם ניסיון ב-AI. אדם שיודע לבנות מערכת ייצור: תשתית, אינטגרציות, ניטור, עלויות. אם יש לכם רק תקן אחד, זה התקן.

שני - בעלים עסקי (לא תקן טכנולוגי). מישהו מהצד העסקי שמגדיר מה נחשב הצלחה ויש לו סמכות לשנות תהליך עבודה. בלעדיו תקבלו מערכת יפה שלא משנה שום מספר.

שלישי - מהנדס נתונים. ברגע שיש יותר ממקרה שימוש אחד, הצוואר הוא תמיד הנתונים: מקורות, איכות, הרשאות, רענון.

רביעי - Data Scientist או מומחה מודלים. נחוץ כשיש בעיה שבאמת דורשת מודל ייעודי, הערכת איכות שיטתית או עבודה על דאטה קניינית.

חמישי - מנהל מוצר לתחום. כשיש שלושה מקרי שימוש ומעלה, צריך מי שמתעדף ומנהל מפת דרכים.

מה להשאיר בחוץ

לא כל יכולת צריכה להיות פנימית. שלושה דברים שכמעט תמיד עדיף לקנות בשלב הראשון:

• תשתית ותפעול מודלים. אלא אם יש לכם דרישות רגולטוריות ייחודיות.
• עבודת ליבה חד-פעמית. בניית המערכת הראשונה: ספק שעשה את זה כבר יביא אתכם לייצור מהר יותר, ובתנאי שהקוד והידע נשארים אצלכם.
• מחקר מודלים. תחום שמשתנה מהר; ליווי חיצוני זול יותר מתקן קבוע.

תנאי אחד שקובע הכול

בחוזה עם כל ספק חיצוני, ודאו שלושה סעיפים: הקוד שייך לכם, הנתונים שייכים לכם, וכל פרויקט מסתיים בהעברת ידע מתועדת לצוות שלכם. ספק שמתנגד לאחד מהם בונה לעצמו תלות, לא בונה לכם יכולת.

מתי לעבור לצוות פנימי

הסימן הפשוט: כשמקרה השימוש השני והשלישי דורשים בדיוק את אותן יכולות כמו הראשון. מהרגע הזה ספק חיצוני משלם לכם על למידה חוזרת. לפני כן - בנייה פנימית היא בדרך כלל הדרך היקרה להגיע לאותה נקודה.