给业务高手配一个技术工具？还是给技术专家配一个业务顾问？这是目前人工智能、数据科学领域一直在争论的一个难题。
一方面，工程师背景较强的团队往往会认为，技术能力，例如对机器学习算法的了解，是AI人才的关键技能，数据科学所需要的专业技能则能通过在与客户的沟通中快速学习到；而另一方面，传统上并非以工程师背景为人所知的团队，例如城市规划团队，则认为业务知识需要多年的积累，而编程知识、算法知识则可以被快速获得。
工程背景强悍的第四范式，选择了给业务高手配一个AI平台工具。胡时伟认为，给业务高手配一个技术工具不仅仅是第四范式的产品开发模式，也是未来实现“人人都成为数据科学家”的关键。
在先知的定位中，数据团队及业务专家都是使用者。今年上半年，第四范式举行了一场基于先知的建模比赛，参赛选手是离机器学习比较远的行政、商务员工，两周的培训之后有超过70%的参赛组合AUC成绩（衡量模型效果的指标）超过0.8，达到成熟的数据科学家水平。
在胡时伟带领的先知技术团队的规划中，这个门槛还将继续降低。“我们的愿景是‘AI for everyone’，就是说让大家都能够用到这个新的（数据科学、人工智能领域的）技术。”
“算法和架构的能力可以被产品化，而在业务能力上，AI不会消灭行业。”胡时伟笃定地回答这个问题。他从“AI的五个先决条件”为我们解释了他们所作选择背后的原因。
他认为，企业实现AI化，需要满足五大核心要素：
第一个是边界清晰的问题定义。这个说的就是业务方向。这个特别重要，问题目标都错了，你跑一百米、一千米，也达不到你的目标。
第二个是高质量、有意义的过程数据。这个其实也是跟业务有关系的，这回答的是最重要的一个问题：我该收集什么数据？那这个问题的答案肯定是从业务来，不是从算法来的。
第三个是持续不断的反馈。胡时伟指出，光有过程数据是远不够的。以下围棋为例，光知道棋谱，不知道最后谁赢谁输，是学不会围棋的。
除此之外，还需要有算法能力和高性能的计算能力。在机器学习的实际业务场景中，动辄数十亿级别的数据样本，给计算框架带来严峻考验，在这样的数据规模上即便是简单的逻辑回归模型，也会变成一个非常困难的问题，因此企业在计算能力上的投入将是巨大的。
胡时伟指出，算法能力和高性能的计算能力这两个技术问题，是会随着高性能的机器学习平台的普及和硬件的提升而逐步解决的。而前面的三个问题，是业务问题、社会问题，是需要人去解决的。
公司从数据化到AI化的转变为时过早吗？
