回顾与展望丨数据科学 机器学习：2017年的主要发展和2018年的关键趋势

KDnuggets邀请了数据科学相关领域杰出的代表人物对2017年的主要发展和2018年的趋势进行了总结和预测。主要内容涉及到 AI 、深度学习、机器学习、安全、AlphaGo Zero等等。

Kirk D. Borne

BoozAllen的首席数据科学家，天体物理学博士。数据科学和大数据领域的影响者。

回顾 2017

在2017年，技术成熟度曲线(Technology Hype Cycle)的中心位置由原来的大数据渐渐被 AI 取代。媒体和从业者对 AI 的关注在正面新闻，比如越来越强大的机器学习算法和 AI 在汽车、医疗影像、金融服务等行业的应用；以及负面新闻，关于机器将抢走人类工作的威胁。

我们还见证了数据方面创新的发展，包括更多地使用API，即服务提供、数据科学平台、深度学习，以及云机器学习服务。大数据、机器学习和 AI 的专业应用，包括机器智能、规范性分析、行为分析和物联网。

展望 2018

在2018年，我们还需要关注 AI 的其他方面。比如 AI 的价值，衡量它的投资回报率，让其可以实际操作。

主要的发展领域与2017年没有太大差别，主要包括过程自动化、机器智能、客户服务。我们还将见证物联网的日益成熟，包括更强大的安全特性、模块化平台、传感器数据流的AP等。在2018年，更多的从业人员将面对挑战，向持怀疑态度的公众传达 AI 的好处。

Tom Davenport

巴布森学院信息技术与管理专业的杰出教授，国际分析研究所联合创始人，麻省理工学院数字经济学的研究员，德勤分析的高级顾问。

回顾 2017

企业 AI 成为主流，许多大型的知名公司正在进行 AI 或机器学习。一些公司拥有超过50个用到各种技术的项目。大型供应商开始转为开源、自己动手的项目类型。当然，这意味着公司必须提高其数据科学技能。

机器学习应用到数据集成，数据分析和数据管理中之前存在的挑战现在能通过机器学习解决。通过劳动密集型方法对数据进行集成和管理正在被替换，至少是通过不同数据库中相似数据元素的“概率匹配”来实现的。这能够减少整合数据的时间。

开放源代码的企业接受开源，传统的银行、保险和医疗等行业，正在积极地接受开源分析、 AI 和数据管理软件。

展望 2018

我们已经进入了“后算法”时代。之前分析师和数据科学家需要一定的知识来确定使用哪种算法。但是，分析和机器学习过程的自动化能够思考100种以上的不同算法。重要的是模型的效果和整体表现。

独立的 AI 创业公司的吸引力开始减弱。在风险投资基金的推动下，过去几年中成立了数百家 AI 创业公司。当中大多数解决的是较小的问题。然而，即使能够有效地运作，能够与现有流程和系统集成是其主要挑战。因此，成熟的企业更倾向于开发自己的 AI “微服务”，这些服务相对更容易集成，或者从那些将 AI 嵌入到交易系统的供应商购买。

Jill Dyche

SAS Best Practice的副总裁，畅销商业书籍的作者。

回顾 2017

如今几乎每个人都会应用到 AI 和机器学习。2017年，许多供应商都在开发自己的 AI 产品。

展望 2018

在2018年，商业对话和案例中，AI/ML方面会显著增长。这是因为企业有许多业务问题需要解决，管理者不关心神经网络是否要处理稀疏的数据；对自然语言处理中的词汇推理挑战。相反，他们想要加速供应链，知道客户下一步想做什么，然后简单地告诉电脑他们想要什么。这是一种规范性分析，那些能够以简便的方式解决该问题的供应商能够笑到最后。

Carla Gentry

Analytical Solution的数据科学家

回顾 2017

2017年，每个人都开始讨论机器学习、AI 和预测分析。但实际上许多这些公司，供应商只是热衷于这些热词，而并没有他们宣称的相关背景。在这些领域的经验需要时间和才干，而不仅仅是盲目的呼吁行动。总之，经验才是最重要的!

展望 2018

2018年，我们需要关注数据科学和预测分析的领导者。不是因为这很热门，而是因为这能给你的企业带来巨大的变化。

对招聘进行预测可以节省数百万人的成本；AI 和机器学习可以在几秒钟内完成你需要几天去做的事情。技术可以把我们提升到新的高度，但作为数据科学家，需要通过法律和社会的基本道德。

Bob E. Hayes 

研究人员，作家，Business Over Broadway的出版商，组织心理学博士。

回顾 2017

数据科学和机器学习越来越多地应用于各种行业和领域。在2017年，我们目睹了 AI 的巨大进步。虽然之前深度学习模型需要大量的数据教算法，但是神经网络和强化学习表明，创建高性能的算法时并不需要数据集。DeepMind采用了这些技术，开发了Alpha Go Zero，这更优于之前版本的算法。

展望 2018

随着 AI 在刑事司法、金融、教育等领域的持续发展，我们将需要建立算法标准，用来评估其不准确性和偏差。包括建立 AI 的使用规则(例如，避免决策中的暗箱操作)，并理解深度学习算法如何做出决定。

数据中心的安全漏洞将继续攀升，即使互联网时代出现的公司(例如imgur, Uber)。因此，我们将看到安全措施方面的改革的，将增加区块链的可见性作为一种可行的方式，用来改善公司如何获得其选区的数据。

Gregory Piatetsky-Shapiro

KDnuggets总裁，数据科学家，KDD和SIGKDD会议(知识发现和数据挖掘专业组织)的联合创始人。

回顾 2017

·AlphaGo Zero可能是2017年 AI 最重要的研究进展。

· 数据科学方面自动化的增长，提供了更多提供自动化工具的机器学习平台。

· AI 的舆论热度和期望的增长甚至比 AI 和深度学习的发展还快。

展望 2018

· GDPR(欧洲通用数据保护条例)将在2018年5月25日生效，这将对数据科学产生重大影响，其中包括解释的权利(你的深度学习方法是否可以解释为什么某人被拒绝贷款等)，以及防止偏见和歧视。

· 谷歌 DeepMind 团队将跟进AlphaGo Zero的惊人结果，并实现另一个强大的性能。在几年前，许多人认为这是计算机无法做到的。

(注: DeepMind 取得的另一个突破进展发生在2017年12月，AlphaZero在4个小时内就能熟练掌握国际象棋，同样的自我博弈学习程序可以在国际象棋、围棋和日本将棋方面达到超人般的表现。)

·我们将会看到更多的自动驾驶汽车的发展，包括首次出现的问题正在被解决(比如拉斯维加斯的无人驾驶飞机，一开始不知道如何让道，但之后能够让道)。

· AI 的泡沫将继续存在，但我们将看到重组和整合的迹象。

Paul Gearan，Heather Allen，Karl Rexer

Rexer Analytics的负责人，Rexer Analytics是一家数据挖掘和高级分析咨询公司。

回顾 2017

对于没有研究或分析背景的人群，使用商业智能软件仍然面临许多障碍。当然出现了Tableau、IBM Watson、Microsoft Power BI等软件。然而，根据Rexer Analytics在2017年收集的数据，只有近一半的受访者表示，除了数据科学团队，他们公司其他员工也有使用相关自助工具。工具使用时，常见的问题有难以理解分析过程以及对分析结果的误解。

展望 2018

对于2018年，实现推广数据科学工具的目标是扩大分析的使用范围，从而得出有效的结果，这是至关重要的。通常情况下，向非数据分析方面的员工和管理人员提供工具，让他们对自己的假设进行探索和可视化是很重要的。但同样重要的是，团队要与数据科学专业人员一起开发模型并解读得出的见解，这些专业人员经过培训，能够掌握特定分析技术的应用。