导读：本篇文章首席CTO笔记来给大家介绍有关如何组建人工智能团队?的相关内容，希望对大家有所帮助，一起来看看吧。
如何建立以人工智能和大数据为支撑的技术运营团队
人工智能需要有大数据支撑
人工智能主要有三个分支：
1.基于规则的人工智能；
2.无规则，计算机读取大量数据，根据数据的统计、概率分析等方法，进行智能处理的人工智能；
3.基于神经元网络的一种深度学习。
基于规则的人工智能，在计算机内根据规定的语法结构录入规则，用这些规则进行智能处理，缺乏灵活性，不适合实用化。因此，人工智能实际上的主流分支是后两者。
而后两者都是通过“计算机读取大量数据，提升人工智能本身的能力/精准度”。如今，大量数据产生之后，有低成本的存储器将其存储，有高速的CPU对其进行处理，所以才有了人工智能后两个分支的理论得以实践。由此，人工智能就能做出接近人类的处理或者判断，提升精准度。同时，采用人工智能的服务作为高附加值服务，成为了获取更多用户的主要因素，而不断增加的用户，产生更多的数据，使得人工智能进一步优化。
大数据挖掘少不了人工智能技术
大数据分为“结构化数据”与“非结构化数据”。
“结构化数据”是指企业的客户信息、经营数据、销售数据、库存数据等，存储于普通的数据库之中，专指可作为数据库进行管理的数据。相反，“非结构化数据”是指不存储于数据库之中的，包括电子邮件、文本文件、图像、视频等数据。
目前，非结构化数据激增，企业数据的80％左右都是非结构化数据。随着社交媒体的兴起，非结构化数据更是迎来了爆发式增长。复杂、海量的数据通常被称为大数据。
但是，这些大数据的分析并不简单。文本挖掘需要“自然语言处理”技术，图像与视频解析需要“图像解析技术”。如今，“语音识别技术”也不可或缺。这些都是传统意义上人工智能领域所研究的技术。
创业公司如何组建技术团队
组建技术团队前的思考
着手组建技术团队之前，我们不妨先思考下面三个问题：1.该不该组建技术团队？2.该招什么样的工程师？3.该招多少工程师？
1.该不该组建技术团队？
这个问题看起来很傻，没有人怎么做事呢？但凡事都有两面性，技术团队给我们带来更多自主性的同时也带来了极大的人力开支。在北京一个本科刚毕业的工程师，月薪至少10000+，换算成公司开销至少是15000。想组建一个最基本配置的团队，每个月至少得有50000以上的预算。
另一方面，随着互联网的发展，基础组件都已经服务化，很多事情都可以通过这些服务或者是外包来实现，不一定非得有一个专属的技术团队。
是否组建技术团队要在综合考量公司发展、财务情况之后再做决定。很多时候我们因果倒置先组建了团队再来考虑公司实际的需求，这是很大的决策失误。
2.该招什么样的工程师？
对人工智能，大数据运算，公有云服务这类创业公司来说，技术是最大的壁垒，他们需要顶尖的学术型人才。而对于青橙科技这样的Saas类或者解决某类实际问题的创业公司来说，技术是辅助，我们需要实干的能解决问题的工程型人才。
BAT都有各自的研发序列：
在开始招聘之前，我们可以根据公司目前的需要对工程师做人才画像。
例如青橙科技对工程师的要求有：
(1)技术能力：百度T3-T5级别。
(2)性格特点：踏实沉稳，积极主动，必须有责任感。
(3)其他加分项：沟通流畅，热爱健身优先。
3.该招多少工程师？
在一个什么样的大环境下，想要以多快的速度完成多少个多大的产品决定了我们要组建一个多大规模的工程师团队。
这句话听起来比较拗口，以我们青橙科技作例子：
在天使轮之前，我们只有一条产品线。全公司只有我和CEO两个人，我负责技术，他负责产品和商务。
在A轮之前，我们只有两条产品线。整个服务端团队只有3人（其中1位还是实习生）。
现在，我们完成了A+轮融资，已经有了好几条产品线，整个技术团队接近20人。
我认为做好一件事靠的不是人多，一个小而精的团队更适合创业公司。
我曾经看到过三条建议，可以给大家作参考：
(1)联合创始人不要超过3人。
(2)在没拿到投资之前，如果有盈利业务，人数不要超过10个。如果没有盈利业务，人数不要超过5个。
(3)在拿到第一笔投资之前，如果钱没超过500万人民币，又无客户和大量销售人员，人数不要超过15个。
如何组建技术团队
怎么组建技术团队是本篇文章的重点内容。招聘遵循漏斗模型，我们需要关注流量来源和转化情况。我主要想从下面几个方面来具体说说：1.招聘渠道2.怎么吸引工程师3.提高团队效率，选择扩大化。
1.招聘渠道
简历怎么来呢？获取简历是一个技术活，我们的目标是付出尽量少的时间以及金钱来获取又多又好的简历。
对我来说，简历的有效性 简历的质量 简历的数量。
三年的招人经历，我使用过不少渠道。我重点推荐三个渠道：
(1)人脉内推：基于人脉的推荐永远是最好的渠道。朋友的背书是一个过滤器，能帮助我们以最省时省力的方式淘到优秀的人才。
(2)Boss直聘：我用Boss直聘已经2年多时间，单Python这个职位已经沟通了1600多位候选人。用同事的话说，整个Python社区1%的工程师都跟我聊过天。Boss直聘的转化率不算高，但是好在简历时效性很高，数量多，同时还有着持续性的增量资源，能源源不断的给我们补充人才。
(3)垂直社区：垂直社区是我最近才尝试的渠道。我付费使用了掘金的广告服务，虽然只有2天的时间外加数千元的投入，但我们收到了50多份意向简历，其中进入到面试环节的有5人。初次尝试的效果远超预期。因为掘金的试验成功，我也尝试在PMCaff上招揽产品工程师。
下图是我这3年来使用的渠道的总结。
2.怎么吸引工程师
对于很多创业公司来说，招聘是一种挫败的体验。原因挺简单：创业公司需要优秀的工程师，而优秀的工程师是最不愁工作的一群人。我们要跟各路公司争抢人才。
我在这方面感受非常真切，投入了大量的精力招人，最后入职的寥寥无几。
我开始反思。第一感觉是钱给得不够，身为半个hr自然也从一些渠道了解到其他公司的薪资待遇。但是薪资问题切忌对比，拼钱永远没有尽头，我们只能量力而为。
难道这是一个无解的问题？
当然不是，薪资只是其中的一个环节而已。想招到合适的人，还必须提升公司的综合竞争力。这是一个长期的挑战，我们可以尝试从各个方面去实践：
(1)提升公司品牌影响力。
(2)形成公司文化差异化竞争。比如：知乎的海盗文化与帆船训练，Tower 远程协同工作。而我们青橙的特色就是健身文化。
(3)技术氛围的培养以及团队牛人的吸引。技术圈其实很小，一些开源的产出就能辐射大部分圈内目标人群。
3.提高团队效率，选择扩大化
我们的目的是招到合适的工程师。如果我们自身的竞争力已经很难在短期内提高，没办法吸引到高端的优秀人才，我们能不能从其他角度入手，让组建团队这件事更加容易进行呢？
我观察了一下我们公司工程师们的工作分配情况：
回答客户反馈的问题，其中大多数不是程序bug（10%）
编写代码（60%）
调试代码（20%）
开会讨论项目的设计方案（8%）
上线（2%）
其中编写代码是工程师最耗费时间的工作，能否快狠准的完成需求看似是能力问题，但事实却并非如此。
编写代码时间具体花在哪了？
(1)思考该用什么样的方式实现功能？
(2)思考这个功能之前有人做过吗？能不能复用？在哪找到复用的代码？
(3)知道该怎么实现功能了，但是该怎么做代码分层？
(4)提供对外调用的文档。
(5)重复性的做数据格式转化，数据校验。
以上5点中只有第一点是能力的体现，其他大部分是编码规范的问题。开放性的编码造成大家花费大量时间思考怎么写代码，也让很多解决方案不能沉淀，制造了重复性的工作。
程序界有一句名言：规范大于配置。我制定了一套符合青橙现状的编码准则，目的是让大家都能明确的知道如何工作，把精力聚焦到实现逻辑上，排除编码不规范带来的困扰。这里强调“明确”二字，何谓明确？对于一个需求，当实现逻辑固定的时候，方法的拆分也是固定的，各层编码所在的位置和命名也是固定的。这样一来，代码量的增加、功能的增加都不会让工程过于失控。
有了规范的好处远不止于此。按照规范编码无形的给工程师设定了一个行为下限，我们不再需要一个珍贵且昂贵的架构师，而需要能兢兢业业将功能考虑周全的工程师，选择的范围扩大了不少。
除此之外，工程师工作时最忌讳精力分散，以及做很多重复的无意义工作。
所以我们重新调整了问题反馈机制，任何反馈都必须经过产品经理确认，只有真正的问题才会分配到开发。
我们减少了不必要会议，并且需要开发参与的会议都得带有明确的产品需求和实现方案。
我们将冗余的工作自动化：代码检测、接口参数检查、自动化反射文档、错误统计与日志、自动化上线等等。
一切的一切，就是为了让每个工程师能聚焦到手头的工作上，提高大家的工作效率。3个人拿4个人的工资干5个人的活。在整体预算固定的情况下，提高效率意味着我们拥有了更多的筹码，大大降低了招聘的难度。
如何留住工程师
留住工程师跟招聘工程师一样也是组建技术团队不可或缺的一环，同时也是最容易被忽视的一环。
工程师为什么选择离职呢？三年来，我面试了数百位工程师，排除公司倒闭裁员的情况，不外乎以下几个原因：
1.成长：工程师个人的成长遇到瓶颈。
2.存在感：感受不到自己的价值，觉得公司不重视自己。
3.待遇：和各种同学、朋友，甚至是新闻对比之后，觉得自己的待遇太低。
而我也遇到过一些出乎意料的离职：入职第二天告诉我离家太远不来了；入职一周后告诉我身体有大病必须回家养病；入职一段时间后告诉我有其他的offer了……
经历得多了，我便开始思考我们在这方面是不是应该更加重视，以及该怎么留住工程师。
首先情感维系是很重要的。试想，当你进入一个新环境是什么感受？应该是陌生而紧张的吧，而我们前期的关心可以让新人尽快找到归属感。新同学入职两周之内是建立情感联系的黄金时间，往往这段时间里他就能融入团队，找到自己的位置。对于创业公司来说，情感是保持团队关系稳定最重要的因素之一。
除此之外，帮助他们与公司一同成长也同样重要。创业公司人数不多，作为Leader我们有义务了解每个人的需求和特点，并且在自己的能力范围之内去帮助他们。比如鼓励他们做一次分享，鼓励他们做一次面试，鼓励他们参加一些行业会议，这些看似简单又普通的事情，对他们来讲可能有另外的感受。创业公司一般都在高速发展并且面临无数挑战，这时候可以适当的给他们一些压力，困难与挑战往往是工程师的兴奋剂。同时，解决问题后带来的满足与认同感更是会让人乐此不疲。
总结
闲扯了太多，浓缩成三句话：
1.组建团队之前先考虑实际需求与成本。
2.挑人的同时别忘了提升自己。
3.把工程师留下来比招聘更重要！
很多感悟和想法不是一句话就能概括的。在工程师团队组建这件事上，我也只是一个新手。
如何组建人工智能团队：11个关键角色
音乐家、化学家、物理学家能为企业的人工智能团队带来什么启发?将有很多。人们需要了解人工智能的一系列技能和角色，其中包括非技术性的技能和角色，它们将推动人工智能的成功应用。
人工智能计划的成功可能取决于艺术和哲学，也取决于数据科学和机器学习。这是因为企业有效部署人工智能需要建立一个全面的团队，其中包括来自各种背景和技能集的人员，以及非技术角色。
Ness数字工程公司首席技术官MosheKranc说，“任何人工智能计划都需要IT专家和行业领域专家的结合。IT专家了解机器学习工具包：哪些算法系列最有可能解决特定问题?如何调整特定的算法以提高结果的准确性?而行业领域专家带来特定领域的知识：哪些数据源可用?数据有多脏?机器学习算法的建议质量如何?如果没有行业领域专家的输入，IT专家可能无法回答这些问题。”
因此得出的结论是：人工智能的成功确实依赖于团队，而不是任何个人或角色。
SAS公司执行副总裁兼首席信息官Keith Collins说，“当建立一支有效的人工智能团队时，我们需要寻求行业专家或超级团队，而团队合作才会赢得胜利。多元化的学科是人工智能成功的关键。”
人工智能人才的四大核心类型
Collins认为人工智能团队需要四个核心类型的人员：
•了解业务流程对于建立真实场景和有价值的结果至关重要的人员。
•了解机器学习、统计、预测和优化等分析技术并且正确使用的人员。
•了解数据来自哪里，质量如何，如何维护安全和信任的人员。
•了解如何通过结果来实施分析的人工智能架构师。
Collins指出，与其他IT领导者和人工智能专家一样，这些核心学科或角色可以从各种背景中汲取灵感。他以音乐、化学、物理等学科为例。
他说：“这些学科鼓励人们从复杂的交互系统中理解科学的过程和思维。他们通常擅长建立良好实验所需的批判性思维技能和应用机器学习的成果。”
多元化人工智能团队的价值
多元化团队的价值范围广泛：例如，它可以帮助企业更好地应对人工智能偏见。解决业务问题(包括最大和最棘手的问题)也很重要，这可能是企业首先制定人工智能战略的原因之一。
Very公司高级数据科学家和物联网实践主管Jeff McGehee说，“人们普遍认为，多样化的意见对于解决所有复杂的问题至关重要。多样性与生活体验有关，专业背景是大多数人生活体验的重要组成部分，它可以为人工智能项目增加维度，并为寻找创新解决方案提供新的视角。”
McGehee还指出，建立人工智能或其他不同的团队需要企业的积极努力，并作为招聘和雇佣实践的一部分。企业会发现实现多样性可能不是一个可行的团队建设策略。
考虑到这一点，需要了解对于人工智能团队具有价值的一系列专家和角色，其中包括非技术角色。
1.领域专家
人们可以将这些角色和人员视为主题专家。无论使用哪个术语，都需要了解他们对企业的人工智能计划的重要性。
McGehee说，“开发人工智能系统需要深入了解系统运行的领域。开发人工智能系统的专家很少会成为系统实际领域的专家。行业领域专家可以提供关键见解，使人工智能系统发挥最佳性能。”
Ness公司Kranc指出，这些专家可以解决其所在领域针对企业和战略的问题。
他表示，行业领域专家类型取决于要解决的问题。无论所需的洞察力是在创收和运营效率还是在供应链管理方面，行业领域专家都需要回答这些问题：
•哪些见解最有价值?
•收集的有关行业领域的数据是否可以作为见解的基础?
•得出的见解是否具有意义?
以下将介绍一些特定的行业领域示例，但首先了解一下人工智能团队中的其他一些关键角色。
2.数据科学家
Jane.ai公司人工智能研发主管Dave Costenaro表示，这是人工智能团队在新建项目上工作的三个关键需求中的第一个。其示例项目包括聊天代理、计算机视觉系统或预测引擎。
Costenaro说，“数据科学家有着各种背景，如统计学、工程学、计算机科学、心理学、哲学、音乐等，通常都具有强烈的好奇心，这迫使他们深入系统中寻找和使用模式，例如他们可以为人工智能项目提供什么，确定它能做什么，并训练它做到这一点。”
3.数据工程师
Costenaro说，“程序员从数据科学家那里获得想法、模型、算法，并通过规范化代码、使其在服务器上运行以及成功地与适当的用户、设备、API等进行对话，并将它们变为现实。”
4.产品设计师
Costenaro表示，三项关键需求的最终结果也说明了人工智能团队的非技术专业知识的价值。
他说：“产品设计师也来自各种背景，例如艺术、设计、工程、管理、心理学、哲学。他们为所需和有用的东西制定了路线图。”
5. 人工智能伦理学家和 社会 学家
人工智能伦理学家和 社会 学家可能在某些部门(特别是医疗保健或政府部门)中发挥着至关重要的作用，但在广泛的使用案例中似乎可能会变得越来越重要。
McGehee说，“人工智能系统的一个重要组成部分是了解它如何影响人们，以及代表性不足的群体是否受到公平对待。如果一个系统具有前所未有的准确性，但没有产生预期的 社会 影响，它注定会失败。”
6.律师
McGehee表示，在这个新兴领域也看到了对法律专业知识的单独而相关的需求。McGehee说，“GDPR法规为制定围绕算法决策的法规树立了先例。随着世界各国对人工智能在工业中的应用越来越了解，预计将出台更多的法律。精通这一领域的律师可能是一种宝贵的财富。”
由于行业领域专家如此重要，正如Kranc和McGehee所阐述的那样，有必要研究一些行业领域的具体例子，其中包括技术和非技术领域。这些领域应该是人工智能团队建设的一部分，具体取决于企业的特定目标和用例。
Jane.ai公司的Costenaro指出，“由于人工智能通常只是增强现有商业用例的一个使能层，因此过去支持过这个用例的团队成员仍然是具有价值的，出于同样的原因也是必不可少的。”
Costenaro提供了五个可能具有价值的人工智能贡献者的角色示例，并解释了如何在人工智能环境中调整和增强现有角色。
7. 高管和策略师
Costenaro说，“企业高管领导层将需要考虑哪些业务模式可以通过人工智能实现自动化和改进，并权衡来自以下团队的新机会和风险，如数据隐私、人机交互等。”
8. IT主管
不要对非技术角色的价值感到困惑：如果没有IT，企业的人工智能战略就不会走得太远。 Costenaro指出，IT团队需要解决以下问题：“如果正在为模型培训积累和存储大量数据，那么将如何确保数据的隐私性和安全性?此外，将如何存储并从服务器到客户的设备快速可靠地提供服务?”
Costenaro补充道，这也将推动对DevOps专业人士和拥有云原生技术(如容器和编排)专业知识人员需求的不断增长。而IT部门有机会使用诸如聊天机器人之类的人工智能工具来简化内部服务。
9.人力资源领导者
Costenaro说，“与此类似，人力资源部也有很多机会通过使用像聊天机器人这样的人工智能工具来为客户提供服务，从而提高效率。”
此外，人力资源似乎很可能成为评估组织内人工智能影响的一个重要参与者，这与McGehee将伦理学家和律师等角色包括在内并没有不同。
10.营销和销售领导者
正如Kranc指出的那样，如果企业的人工智能计划与创收相关，那么应该考虑从销售和营销等领域添加领域专业知识。
Costenaro还指出，作为人工智能项目的一部分，销售和营销专业人员可能需要利用销售自动化工具和机器人流程自动化(RPA)等技术来增强他们现有的技能和流程。
11.运营专家
在整个IT部门内，运营和DevOps专业人员都有特定的领域专业知识来实施人工智能计划。Costenaro列举了以下问题作为需要在哪里运用专业知识的例子：
•哪些可以实现自动化和改进?
•如果使用机器学习模型，将如何创建新的数据收集流程以持续培训和改进这些模型?
•可以从开源存储库中获取现成的、预先训练好的模型和/或数据集，从而获得巨大的先机吗?第三方供应商提供的API服务是否会考虑一些任务和用例?
虽然人工智能可以解决一些重大问题，但也一定会产生新的挑战。这就是构成多元化团队的根本原因。
McGehee说。“具有不同背景和个性的人员关注不同的项目细节和限制因素，这很有用，因为它提高了所有重要细节的可能性，并提供了确定解决方案的整体方法。”
如何培养人工智能人才？
人工智能人才争夺战已经打响，如何打造优秀人才，教你3招
随着近年来我国人工智能发展迅速，人才之争的问题愈发凸显。人工智能发展之争，归根结底是人才之争。国内外企业巨头都在“抢”人工智能人才，通过各种途径、各种方法“喊”人才紧缺。如何利用几代人的时间培养出智能科技、智能产业和智慧社会人才。
(1) 了解神经网络
神经网络是一种以人脑为模型的机器学习。它通过一种允许计算机利用新数据的合成来学习的算法创造出一个人工神经网络。在这个阶段，你需要通过了解神经网络的每个细节来开始你的深度学习。你需要了解这些网络是如何利用智能做出决策的。神经网络是人工智能的核心，你需要彻底弄懂它！
(2) 熟悉大数据基本知识
获取大数据的知识不是一项强制性的任务，但我建议你为自己配备大数据的基础知识，因为所有的人工智能系统都只处理大数据。拥有大数据的基础知识将是一个很好的优势，因为它将帮助你设计出更优化和更现实的算法。
(3) 掌握优越技术
如何优化它。深度学习算法消耗了系统的大量资源，需要对系统的各个部分进行优化。优化算法帮助我们最小化(或最大化)一个目标函数(错误函数的另一个名称)E(X)，它是一个依赖于模型内部中可学习参数的数学函数，模型的内部参数对于有效地训练模型并产生准确的结果起着非常重要的作用。这就是为什么我们要使用各种优化策略和算法来更新和计算这些模型参数的最优值，从而优化模型的学习过程和模型的输出。
(4) 学习编程语言
学习一种或最多两种编程语言，并深入理解它。你可以从R语言、Python语言，甚至Java语言中选择！永远记住，编程语言只是为了简化你的生活，而不是用来定义你的生活。我们可以从Python语言开始，因为它比较抽象，并且提供了许多可以使用的库。
在目前弱人工智能的状况下，已经有很多的挑战出现了。那么如果像专家预测的那样，在未来2040年或者2060年进阶到强人工智能时代，社会可能会发生翻天覆地的变化。
小学人工智能普及课程建设与实施
机器学习正在重塑人类的胜任力(competence)，人工智能已经成为现代 社会 一种非常重要的变革力量。国外针对K-12所做的人工智能教育指南中曾指出，在不久的将来，几乎每个人都需要对支持机器学习和人工智能的技术有一个基本的了解。
对于所有学生来说，掌握在人工智能驱动的世界中行走所需的基本知识是必不可少的。
2017年，国务院印发的《新一代人工智能发展规划》中明确指出“人工智能成为国际竞争的新焦点”，我国应“实施全民智能教育项目，在中小学阶段设置人工智能相关课程，逐步推广编程教育”“建设人工智能学科”。
2018年，教育部印发《教育信息化2.0行动计划》，明确要求要完善课程方案和课程标准，使中小学人工智能和编程课程内容能充分适应信息时代、智能时代发展需要 。
那么，人工智能大班额教学面临什么样的问题？现有教材在哪些方面需要改进？人工智能课程该如何普及和落地实施？
一、破解人工智能大班额教学难题-寻求变革之路
目前，许多学校都在人工智能装备方面投入了大量资源，但在全面铺开人工智能课程方面，仍然面临着许多实际问题。
1.师资力量不足
目前，教授人工智能课程的教师主要为信息技术或综合实践教师，但这两类教师都各自承担着本学科的教学任务，要再担起人工智能课程教学，不仅时间和精力上存在困难，更有诸多新的专业知识需要进一步学习。因此，学校需要建立起专门的人工智能教师团队，才能推动人工智能普及课程的顺利开展。
2.课堂组织混乱
由于人工智能课程的动手实践环节相对复杂，动手实践时间较长，一位教师要组织大班教学，带领五十余名学生同时动手实践，具有很大的挑战。一旦组织和管理不利，就会直接影响课程的教学效率。
因此，学校要建立起人工智能普及课程的课堂组织机制，才能更好地推动课程的深入开展。
3.课程设计零散
现有人工智能教材存在的主要问题：一是以技能目标为主线进行设计，弱化了 情感 与道德品质的培养；二是以多个单一小任务为学习主题，缺乏项目整体设计；三是以信息技术学科为主，缺乏对学生多学科融合应用能力的培养；四是课程以案例呈现为主，缺乏应用迁移与创新的培养。
因此，学校要确定好每个年级的人工智能研究项目，才能推动人工智能普及课程的系列化开展。
4.学生差异较大
人工智能普及课程的开展面临的最大问题就是学生间的差异。由于学生家庭背景和学习基础不同，对人工智能的理解与学习存在很大的差异。如何让存在认知差异的学生在每节课中都能有所收获、携手进步是教师面临的一项巨大考验。因此，教师要 探索 人工智能普及课程教学模式，才能促进其良好开展。
5.作品分享形式化
在学生制作作品的过程中，教师一般都忙于解决学生的各种问题，没精力用照片或视频记录每组学生制作的过程。制作完成后，受时间和设备的限制，课堂上也无法让每组学生都上台分享，一般最多只有一至两组学生可以展示，其他学生只能在不舍中拆掉作品。
此外，有时候还会因为学生准备不充分而导致分享的质量和效率不佳，过程性评价落实不到位。因此，教师要优化课堂评价模式， 探索 全员分享的途径，才能推动人工智能普及课程长久开展。
面对以上问题，笔者迎难而上， 探索 推动人工智能普及课程深入开展的有效策略，在教材基础上，结合校情学情，重构优化课程，开发出适合大班额教学的项目式学习人工智能普及课程。笔者带领学生放慢研究的脚步，加快实践的节奏，开展了基于学科核心素养培养的人工智能课程建设与实施。
二、小学人工智能普及课程设计
1.找准课程目标 提升学科核心素养
笔者所在学校开设了AI课程•爱生活课程，其目标定位为：通过主题探究活动，培养学生做智能 社会 的合格公民。课程旨在提高学生的创新能力、综合设计能力和实践动手能力，强调学生在直接经验和亲身经历的基础上，通过直接体验人工智能技术的应用获得丰富的学习体验，培养学生能够在生活中发现问题、在实践中解决问题、在活动中获得知识的能力。
2.重整课程内容 建立项目主题
笔者基于华东师范大学出版的“AI上未来智造者”丛书进行了人工智能课程项目的整合改进，设置了每个学期开展的项目，融入了主题探究与生活应用，解决了原有教材重技能、轻研究的问题，兼顾了学科融合与人文素养，并进行了“长程”设计，丰富了课程内容。
以第一册《AI上神奇动物》为例，在主题方面，将教材中原有的18个主题，压缩为3个，将12种动物的搭建和探究浓缩成3种，分别是鳄鱼的大嘴巴、大象的长鼻子、小鸟的翅膀；在技能方面，设计教学从设备的熟悉到舵机的深入探究再到传感器的应用，逐步推进；在计算思维方面，从单一程序到条件程序再到解决问题的综合编程，循序渐进。
此外，主题活动还结合了动物仿生学知识的学习、科学原理的探究、家乡动物的考察等实践体验活动，丰富了项目式学习的内容，整合了语、数、英、音、体、美等学科知识的应用，实现了项目式学习的有效落实。
三、小学人工智能普及课程的实施
1.组建“同心圆”智能团队-增强师资力量
教师团队是人工智能普及课程顺利实施的重要条件，笔者以“同心圆”的方式建立了我校人工智能教师队伍。
以信息技术和综合实践两学科的教师为圆心；以数学、科学两学科的骨干教师以及人工智能相关企业的助教团队为第二环，通力协作；以语文、音乐、美术、道德与法治、心理 健康 等学科的年轻教师为第三环，定期开展交流，研究如何应用学科知识解决人工智能学习中遇到的问题，这是课程师资力量的重要补充，能有效推动项目式学习的顺利开展。
2.巧设连堂课 保障探究时间
课时安排是人工智能普及课程顺利实施的有力保障。
开学初，我校教务处优先考虑人工智能普及课程的课时，安排为每周两节连堂课，为学生深入探究提供了充足的时间，保障学生的项目实践能深入开展，而不是“走过场”。连堂课安排在上午的第三、四节，方便学生完成学习后，有充分的时间整理设备，并让没有完成的学生可以利用放学时间改进，促进学习效率的提升。
3.开展项目式学习 促进深入探究
项目式学习是人工智能普及课程顺利实施的催化剂。笔者采用了以学生为中心、项目式、能发挥学生主动性、创造性和合作精神的学习方法。笔者设计的人工智能普及课程通过项目式活动开展，以项目的确定、发现问题、提出问题、制订解决方案、实践验证、再提出问题、改进方案、再实践验证、解决问题等为环节，全过程培养学生的工程思维，促进实践探究的深入开展。
以动物仿生学探究大项目为例，开展了“神奇的大象”和“与鸟交朋友”两个项目推进学习。学生从大象和鸟的仿生学知识起步，从大象和身边的鸟类入手，将大象的鼻子和鸟的翅膀作为重点，在结构和功能改进上进行探究，通过搭建和编程实现创意物化。
4. 探索 同课同构教学法 推动互助合作
同课同构是人工智能普及课程实施的有效模式，即两名(或两名以上)教师共同备一节课，并在同一个班级同台上课，发挥各自特长。
我校的人工智能课堂上最常见的就是信息技术和综合实践两个学科教师的同课同构。这一方式很特别，在连堂课中，教师会根据自身特长分工组织课堂教学；当发现学生在实践中出现问题需要及时反馈时，就直接上台组织大家讨论。
信息、综合、数学、科学四个学科的教师以及企业的助教团队每周会围绕一个主题开展研讨活动，根据项目式学习的推进，确定相应主题环节的任课教师。任课教师则针对同一个教学内容共同备课，并根据各自特长确定同课同构的具体组合。
5.建立“5EX”教学模型 扎实课堂实施
华南师范大学教授李克东提出的“基于项目的跨学科学习活动设计模型 — 5EX模型”，为人工智能学习方式变革提供了方向和指引。
笔者将其所涉及的知识通过创设真实应用场景引入课堂教学，通过小项目的方式引导学生进行体验与探究。如在“神奇的大象”项目中，项目组教师带领学生经历了5个环节、10个任务，具体为：
6.设计“行动者”学生手册 提供学习支架
“行动者”学习手册为人工智能学习提供了学习支架，笔者根据项目进行设计手册，学生根据手册任务开展活动和学习，记录过程。学习手册的设计弥补了原有人工智能教材主题零散、目标单一等问题，为项目式学习提供了学习支架。笔者在学生手册中建立的学习支架主要包括10个项目：主题分解、课外探究、搭建实践、编程探究、问题解决、学科探究、应用创新、拍摄分享、展示评价、收获拓展。
7.借助“人人通”网络空间 落实形成性评价
国家教育资源公共服务平台为人工智能课程资源分享与学生评价提供了有力支撑。平台可为学生推送学习资源，方便学生在家预习，在课堂上开展个性化学习。可利用“人人通”空间中的学生评价模块进行活动积分评价记录，让学生拍摄分享制作过程照片和作品视频。此举可以使得每一份作品在拆卸前都能得到充分展示和记录，学生和家长随时随地可以查看全班学生的分享视频，互相学习和点评。
网络空间中记录着学生人工智能学习的过程照片和视频，以及每个小组活动的积分情况，缓解了由于时间不足而使人工智能普及课程中的形成性评价无法落实的现象。
学生智能素养的提升，人工智能普及课程的建设和发展，成为新时代中小学校和教师面临的挑战，人工智能普及课程建设应更具有普遍性和前瞻性。教育主管部门和学校应对人工智能普及课程的落地与实施提供保障与支持，新时代教师应努力带领学生在人工智能浪潮中奋勇向前。
来源丨《中国现代教育装备》
作者丨郑雅芬，福建省厦门市思明区教师进修学校
结语：以上就是首席CTO笔记为大家介绍的关于如何组建人工智能团队?的全部内容了，希望对大家有所帮助，如果你还想了解更多这方面的信息，记得收藏关注本站。