Tekoälyosaajan rekrytointi alkaa käyttötapauksesta

“Tarvitsemme tekoälyosaajan” on liian epätarkka rekrytointitarve. Kielimalliin perustuvan tuotetoiminnon rakentaminen, ennustemallin kehittäminen ja hajanaisen datan saaminen käyttökelpoiseksi voivat kaikki päätyä saman AI-otsikon alle. Käytännössä ne vaativat hyvin erilaista osaamista. Siksi tekoälyrekrytointi kannattaa aloittaa yhdestä kysymyksestä: Mitä käyttäjän tai liiketoiminnan pitäisi pystyä tekemään paremmin tämän henkilön työn ansiosta?

Aloita ongelmasta, älä teknologiasta

Kuvaa käyttötapaus ensin ilman mallien tai työkalujen nimiä. Esimerkiksi:

Asiakaspalvelijan pitää löytää oikea vastaus sisäisestä ohjeistuksesta muutamassa sekunnissa ja nähdä, mihin lähteeseen vastaus perustuu.

Tämän jälkeen voidaan kysyä:

• Mistä tieto tulee?
• Onko data riittävän laadukasta?
• Kuka saa nähdä mitäkin tietoa?
• Miten vastauksen laatua arvioidaan?
• Mitä tapahtuu, jos luotettavaa vastausta ei löydy?
• Tarvitaanko ongelmaan ylipäätään generatiivista tekoälyä?

Joskus paras ensimmäinen ratkaisu on parempi haku, siistimpi tietorakenne tai yksinkertainen automaatio. Hyvä tekoälyosaaja pystyy myös sanomaan sen.

Selvitä, mikä osaaminen tiimistä puuttuu

AI-tuote ei yleensä ole vain “malli”. Siihen voi kuulua esimerkiksi:

• datan kerääminen ja käsittely
• haku ja tietolähteiden yhdistäminen
• backend- ja API-kehitys
• käyttöliittymä
• arviointi ja testaus
• kustannusten ja suorituskyvyn seuranta
• käyttöoikeudet ja tietoturva
• tuotannon monitorointi

Jos nykyinen tiimi osaa rakentaa sovelluksia mutta data on hajallaan ja epäluotettavaa, puuttuva osaaminen voi olla data engineeringissä. Jos demo toimii mutta kukaan ei tiedä, kuinka usein se antaa väärän vastauksen, suurempi tarve voi olla arvioinnissa ja tuotantokelpoisuuden rakentamisessa. Älä siis yritä kirjoittaa yhtä “AI Engineer” -roolia, joka ratkaisee kaiken.

Haastattele epäonnistumisten kautta

Toimiva demo on helppo näyttää. Mielenkiintoisempi keskustelu alkaa siitä, missä ratkaisu ei toiminut. Pyydä ehdokasta kuvaamaan aiempi toteutus ja kysy:

• Milloin ratkaisu epäonnistui?
• Miten laatua mitattiin?
• Miten epävarmat vastaukset käsiteltiin?
• Mitä käyttäjien palautteesta opittiin?
• Miten kustannuksia ja viivettä seurattiin?
• Millä perusteella mallia, promptia, dataa tai arkkitehtuuria muutettiin?

Tavoitteena ei ole tentata terminologiaa. Tavoitteena on nähdä, ymmärtääkö henkilö koko järjestelmän käyttäjästä tuotantoon.

Sovi ensimmäinen toimitus ennen rekrytointipäätöstä

Hyvä rooli muuttuu paljon konkreettisemmaksi, kun sille määritellään ensimmäinen hyödyllinen tulos. Se voi olla esimerkiksi:

• rajattu prototyyppi yhdelle käyttäjäryhmälle
• arviointikehikko nykyiselle AI-toiminnolle
• datan laatuongelmien kartoitus
• ensimmäinen tuotantoversio yhdestä tarkasti rajatusta käyttötapauksesta

Sopikaa myös, kuka arvioi tuloksia ja millä perusteella työ siirtyy seuraavaan vaiheeseen. Pelkkä “ominaisuus on julkaistu” ei aina riitä. Jos laatua, käyttöä tai kustannuksia ei pystytä seuraamaan, tiimi ei vielä tiedä, onko ratkaisu onnistunut.

Esimerkki: sisäinen tietohaku

Kuvitellaan yritys, joka haluaa rakentaa tukitiimille avustajan sisäisen ohjeistuksen päälle. Ensimmäinen ajatus voi olla palkata LLM-osaaja. Mutta tarkempi tarkastelu paljastaa, että ohjeet sijaitsevat viidessä eri paikassa, osa sisällöstä on vanhentunutta ja eri käyttäjillä on erilaiset käyttöoikeudet. Silloin ensimmäinen ongelma ei välttämättä ole mallin valinta. Tarve voi painottua datan yhdistämiseen, hakuratkaisuun, oikeuksien hallintaan ja laadun arviointiin. Tämä muuttaa myös haastattelua. Sen sijaan, että kysytään “Mitä LLM-kehyksiä olet käyttänyt?”, voidaan antaa kuvitteellinen tilanne ja kysyä: Mitä selvittäisit ensimmäisenä, mitä rakentaisit ensin ja mistä tietäisit, että ratkaisu toimii? Vastaus kertoo paljon enemmän siitä, miten henkilö ajattelee. Tekoälyosaajan rekrytointi muuttuu helpommaksi, kun käyttötapaus, puuttuva osaaminen ja ensimmäinen toimitus ovat selvillä. Silloin etsitään oikeaa ammattilaista oikeaan ongelmaan, ei yhtä epämääräistä AI-profiilia. AI-rooli selkeytyy nopeasti, kun keskustelu alkaa käyttötapauksesta eikä teknologiasta. → Onko AI-rooli työn alla, mutta profiili tuntuu vielä liian laajalta? Kerro Integrifylle, mitä haluatte saada aikaan. Autamme rajaamaan roolin ja tunnistamaan, millaista osaamista tiimi oikeasti tarvitsee.