未来的潜力远远超出我们目前的理解。数据力量已经改变了一个又一个行业,从医疗保健到保险,现在区块链承诺为金融服务、风险分析甚至安全应用程序带来一系列好处。数据科学家将如何在这种先进技术的环境中做出贡献?
过去十年数据科学家的演变
在过去的 10 年中,数据科学家对产品设计和制造过程做出了如此巨大的贡献,以至于目前许多产品开发团队的大部分团队成员都具有数据科学背景。怎么看Quora 数据科学主管 Eric Mayefsky回答了这个问题:未来十年数据科学将如何发展?
人们普遍认为,数据科学以其多样化的技能构成,将继续渗透到其他业务活动,如生产线和产品开发。今天聘用的数据科学家可能面临的一个问题是,他们被聘用的角色往往与他们最终在工作中所做的不完全一致。希望随着未来的数据技术改善人才获取过程,数据科学家被聘用的职位描述与他们在工作中的日常任务相匹配。
强大的二人组:机器学习和数据科学家
机器学习技术从人工输入数据中学习。因此,人类专家构成了机器“学习过程”的关键组成部分。当机器陷入深度分析时,人类数据科学家就会将机器从理解瓶颈中拯救出来。根据未来的数据科学家:他们会做什么?,数据解释和可视化将永远是数据科学家的领域。
将 ML 技术与熟练的数据科学家,这篇 Digital.gov 帖子的作者建议,当机器是学生时,通常会发生三种类型的学习:监督学习,机器由过去的数据引导以做出未来的决定;无监督学习,机器根据其模式识别能力自行“推理”;以及有监督和无监督学习的结合。显然,机器必须由人工输入引导。
在不久的将来,数据科学家的离职遥遥无期。相反,人类数据专家可以通过预先选择在给定情况下最适合学习的数据集类型来增强智能机器的能力。这肯定会节省处理时间。
机器学习未来的 5 个预测曾指出,未来基于云的业务分析平台将允许 ML 算法不断地从联网资源中学习,这可能会在很大程度上减少深度分析过程中的人力。
数据科学家角色即将发生的另一个重大变化是全面拥抱开源平台。未来的低预算企业可以聘请数据科学家为其数据驱动的业务提供开源解决方案。当代数据科学家:大规模工作机器学习预览了这种即将到来的企业趋势。未来业务中的数据科学家在当今竞争激烈的业务环境中,ML 和深度学习 (DL) 等先进技术正迅速成为部署用于业务运营的 AI 应用程序的组成部分。
机器学习的现实使技术领导者受益有助于解释为什么嵌入式 ML 算法和实时分析是当前业务分析中的流行语。在一个技术似乎与现代、数据驱动的企业最相关的时代,ML 投资承诺了有形价值。
基本数据任务,如多源数据收集、数据清理或数据准备可以由高级 ML 算法处理,但仍需要人脑对可用数据进行深入分析。在现代分析和 BI 系统中,越来越多的数据过程和任务正在变得自动化,但就深度分析而言,机器严重受损。
机器智能完全依赖于输入的数据,它们的学习练习将取决于输入的数据的质量、新近度和相关性。另一方面,人类数据科学家在查看相同数据时将能够应用独立的分析和判断,并得出更好的结论。这个中篇描述了产品设计过程中运行的机器。
因此,即使是具有先进算法的最智能机器也会寻求人类数据科学家的帮助,以应对“不寻常”的数据分析情况。需要数据科学家的另一种方法是确定根本原因并缩小特定分析所需的数据集范围。高德纳解释了数据科学如何扩大 ML 丰富的业务分析的范围。
数据科学家还进行探索性数据分析,其中没有设定明确的目标,但在探索过程中可能会发现有价值的发现。
数据科学家会成为未来医疗团队的核心成员吗?
大数据与机器学习一起提供了下一代医疗保健,准确及时地研究患者数据可以显着改善治疗结果。整合不同类型的医疗数据(从病史到 DNA 档案,以及来自可穿戴设备的数据)的能力提高了患者护理水平。
这个福布斯博客文章让我们一窥医疗保健的未来。由于需要分析来自不同来源的如此多复杂数据,未来的医疗团队肯定需要合格的数据科学家在他们的团队中为危重患者提供及时有效的治疗程序。在这种情况下,数据科学家将与卓越的 ML 应用程序和工具协同工作,以实时收集、分析和解释数据,以改进治疗决策。
机器学习自动化不会取代数据科学家
尽管人工智能研究的步伐在某个时间点威胁到数据科学家的存在,但到目前为止,技术领导者和专家相信,即使是支持 ML 的系统的完全自动化也有局限性,只有数据科学家才能解决。先进的机器和工具可以很好地处理死记硬背的任务,从而节省人力和时间。
可以肯定的猜测是,未来跨行业工作的自动化系统将拥有由高能力数据科学家组成的后备团队,以处理机器无法处理的深度分析和许多高级数据处理任务。
最后,肯定需要人脑来解释机器提供的结果,然后将它们转换为手头问题的定制解决方案。自动化机器学习不会取代数据科学家让人放心。
数据科学在不久的将来会发生什么?
一个科技百科文章指出 2019 年是 AI 和 ML 将成为数据技术主流的一年。然而,今年,行业领导者和运营商可能会看到数据工程师取代数据科学家的崛起,因为他们将人类与机器连接起来。数据工程师需要在数据科学家投入之前准备好机器和数据。
根据数据分析和营销机构 Futurety 的业务战略副总裁 Sam Underwood 的说法,引自上述文章:
“我们的许多客户和合作伙伴已在 2018 年开始为更深入的数据科学计划努力,我们认为到 2019 年底将数据科学整合到组织范围的决策和政策中的势头正在迅速增长。”
据这位行业领导者称,2019 年还将为营销人员和社交媒体专家分析更多移动和社交数据以了解消费者的意见和感受铺平道路。If You Can't Beat 'Em Join 'Em: 增强智能的未来解释了为什么人类和机器合作更聪明。
结束语
8位人工智能和大数据未来专家对未来数据科学家将如何增强机器智能的问题有一个答案:人工智能技术并不是要取代人类数据技术专家,但它们肯定可以提供数百万数据科学家的联合劳动力,这些数据科学家的负担过重普通企业的库存。人工智能将简化数据收集、数据集成、数据清理和数据准备等繁琐的数据流程,使人类专家可以将工作时间花在高级分析上。
相关帖子DA内容精选 |