数据科学家
第四次工业革命于2011年在汉诺威工业博览会（1）上公开宣布。从那时起，围绕所谓的工业4.0出现了许多资源。诸如数字双胞胎，工业物联网或网络物理系统之类的元素作为未分离的元素进入了现场，为许多制造领域的范式转变提供了必要的要素。在所有这些组件中，最具有开创性的是与预测分析和人工智能相关的技术，它们仅在几年前就直接应用于实际用例而没有解决方案。预测性维护，人工视觉或模式识别机制可实时识别潜在故障，这些都是新兴行业中正在使用的许多用例的一些示例。
因此，数据科学正成为行业的宝贵工具，以便使用 60年代创建的算法将信息转化为知识（2）。数据科学家以这种了解企业活动的新方式发挥着重要作用。但是，当数据工程师必须面对行业中的问题时，就会出现新的挑战：他们必须处理未知的流程，程序，操作，科学以及特定的解决方案，在其中寻找他们想要的答案。因此，数据科学家就像是在不断发展的侦探一样。在每个项目中他们在不同犯罪场景下的技能 必须将一组新的多学科技能添加到数据科学家的专业知识中，以在针对每个问题的专业分析中提供所需的附加值。
每个行业都需要不同的机器学习和深度学习系统，以从可用信息中受益。零售业完全以客户为导向，而机会则位于买家的偏好和需求，及时交货和最小化库存的背后。自然语言处理和媒体分析是广泛接受的工具，可以为最终用户提供有吸引力的建议。考虑到金融科技的要求，数据科学家必须根据特定的医疗和健康风险指标，针对实时的商业交易音调进行欺诈检测，汇总和异常检测，或针对保险单，调整特定的算法。但是，工业4.0定义的制造活动更加复杂。例如，
生物技术和制药行业是广泛制造领域中的特例。药物和药品制造在现有复杂性的基础上增加了监管要求，以某种方式制止了技术进步和创新范式的转变。原因是人类安全必须始终是该部门的首要任务。在工厂中设计和实施流程时，在许多情况下，都必须接受严格的质量控制，前提是必须将可变性降至最低。在这种情况下，很难根据像随机森林这样的算法来验证提供结果的操作。尽管现实，我重要的是要指出，一些机器学习算法已被欧洲药典接受为处理分析数据集的有效化学计量技术（3）。
另一方面，政府和监管机构正在谨慎地观察和建立第一种方法，该方法必须控制通过AI算法获得的数据，过程和结果。因此，出现了新一代的数据科学家和技术专家，他们对监管咨询或立法顾问的指导有着明确的定位，从而为达成共识性数据管理开辟了道路。当将来自AI算法的结果用于直接影响人们健康的航空，汽车，医疗或制药活动时，必须对整个过程进行监视以确保人格完整。
随着从社会到制造业和商业领域的不断发展，智能产业概念的兴起。人类和设备产生的大量数据迫使出现了特定的技术突破，以管理和处理网络中可用的异构信息。图片，地理位置，社交媒体数据，交通状态，预测，库存趋势或文档以及与正在寻找的主题相关的建议都必须实时可用。这种随时可供实时使用的持续不断的知识流已成为一种无法放弃的商品。工业4.0提供的特殊特征要求必须向曾经消费知识的社会供应商品的专家，还应注意一种新产品，该新产品与数据科学酱一起包装，可以为分销产品带来增值。数据科学家4.0必须知道在数据生态系统之上应用的算法，这一事实要求同时具有多学科性和专业性。他们承担着巨大的使命，即如何满足应用于各地的数据科学服务不断增长的需求。
题库