就如何使用最新数据技术解决业务问题以获得战略优势而言，数据科学领域处于过渡模式。在不久的将来，数据科学家将以非常不同的方式开展业务。随着大数据、算法经济学、物联网和云继续成为全球企业的主流，企业将继续采用最新的竞争战略以保持领先地位。这种转变最显着的两个特点是数据处理自动化程度的提高和即时分析解决方案的交付。

福布斯文章麦肯锡 2016 年的分析研究定义了机器学习的未来分析了机器学习 (ML) 在改善预测分析当前状态方面的潜力。福布斯报告称，麦肯锡的研究已经确定了 12 个行业部门的 120 个机器学习用例，并就机器学习在商业分析中的潜在影响对 600 多名行业专家进行了调查。商业分析可能是未来数据科学和未来数据科学家将发挥关键作用的第一大应用领域。

2018 年数据科学趋势涉及大数据、人工智能、区块链、无服务器计算、边缘计算和数字孪生，它广泛总结了 Gartner 的“智能数字网格”——物理世界和数字世界的融合。有一点很明显：人工智能和相关技术在全球企业中的应用将会广泛。

未来人工智能驱动的数据科学的特点：

分析平台的领域专业化：下一代分析将严重依赖领域专业化，从而为目标行业提供解决方案。数据科学正在发生变化，数据科学家也需要改变——这就是为什么和如何来自 Data Science Central 的高级分析平台描述了可以访问第三方 GIS 和消费者数据的高级分析平台。商业分析当前的市场趋势表明，平台战略将很快从“一站式、通用”平台转变为面向电子商务、金融、人力资源、制造等行业的特定领域解决方案。
分析流程自动化：到 2020 年，超过 40% 的数据科学任务将实现自动化。在大多数情况下，数据准备或数据建模等重要的分析流程将实现自动化。SPSS 和 Xpanse Analytics 等自动化工具已得到广泛使用。机器学习驱动的人工智能解决方案的学习算法将随着时间的推移提供更快、更好的结果。麦肯锡的文章分析、人工智能和自动化领域的现在和未来提供了对数字化未来的清晰愿景，其中业务流程的高级数字化将成为生存企业和灭亡企业之间的区别。
分析堆栈的中间层将吸收数据科学：数据科学智能将隐藏在分析平台的中间层，这在许多风投资助的初创分析解决方案中很明显。
将需要多技能的数据科学家：除了在其领域具有高技能外，未来的数据科学家还将在行业领域知识渊博，以便在工作中取得成功。如果没有足够的领域知识，未来的数据科学家将无法快速将业务问题转化为数据科学。
预测分析将需要针对不同行业的不同技能：预测分析在各个行业领域变得如此专业化和差异化，因此未来的预测分析工具和功能将针对特定行业的应用进行调整。
公民科学家将执行复杂的分析：分析平台将变得如此完善，以至于公民数据科学家将能够在没有专家帮助的情况下执行高级分析任务。
深度学习将被简化和操作： 深度学习(DL) 需要进一步简化才能完全采用业务分析平台。深度学习技术通过高度准确的面部识别为法医学中的重要应用带来了开创性的前景，而该技术在分析平台中的广泛采用将改变商业分析解决方案提供商市场的游戏规则。
2018 年关于数据科学、机器学习和人工智能的 6 大预测提供有关未来人工智能驱动的数据科学的预测。这篇文章表明，数据科学家将越来越多地转向领域专业化，而多面手的数据科学家将很快消失。另一方面，公民数据科学家将拥有先进的工具，可以自行执行高级分析任务。

机器学习自动化：分析供应商名单上的顶级竞争者

Forrester 报告大规模机器学习自动化是数据科学的未来确认虽然机器学习有望在预测分析方面取得革命性突破，但与该技术相关的学习曲线通常很陡峭。为了使嵌入式机器学习工具变得用户友好，自动化是唯一的方法。在企业中，未来的业务分析任务将由 CEO、经理和其他普通业务用户处理，他们需要快速的解决方案。机器学习技术的自动化将帮助专家和新手建立预测模型，以发现可操作的情报或预测客户需求。

在赫芬顿邮报的文章中五年后数据科学将走向何方？， Kaggle 的联合创始人兼首席执行官Anthony Goldbloom表示，在不久的将来，中心化的数据科学部门将消失，每个业务部门都将拥有专门的数据科学团队。

自动化不会取代，但会帮助数据科学家

大多数分析解决方案供应商的未来目标是为业务用户提供快速、自动化的工具，以便他们可以轻松完成业务分析。云计算新闻的一篇文章，为什么自动化还不会取代数据科学家，解释了为什么特定的 Analytics 任务可以自动化，而其他任务则不能。由于易用性将在区分主要分析平台与其他解决方案方面发挥关键作用，因此供应商现在专注于关键分析任务自动化的易用性。数据准备、数据集成和数据建模似乎是主要解决方案提供商自动化的首要任务。

GDPR 将迫使企业转向人工智能驱动的数据科学

欧盟通用数据保护条例 (GDPR) 立法已经生效，全球企业都在寻找人工智能解决方案以继续遵守 GDPR 法律。博文8位人工智能和大数据未来专家包含收集大量客户数据的企业将如何使用 AI 来提供轻松的选择加入和退出通信、生成有关客户数据收集的报告以及轻松删除数据的说明。

未来训练有素的数据科学家也将处于战略地位，可以建立更准确的培训模型，以降低风险、防止欺诈、提高效率和个性化客户体验。

未来的重塑数据科学家

数据波文章数据科学的未来指出随着数据准备等耗时费力的过程变得自动化，数据科学家现在可以自由地重新发明和更全面地探索业务问题。传统上，数据科学家将 80% 的时间和精力投入到收集和准备多源数据以进行有意义的分析，这让他们几乎没有机会从事高级分析任务。

现在，有了机器学习工具来处理所有死记硬背的过程，数据科学家将可以自由地专注于真正的问题——数据分析阶段。未来，甚至可以使用自动化建模工具来构建即时模型，以增强公民数据科学家的能力。


数据科学的持续发展

两位远见者之间的对话
两位领先的数据科学家之间进行的采访突出了数据科学历史上的里程碑。这篇文章讨论了数据科学、学科和探索领域的历史视角，因为它通过两个著名人物的个人经历展开。

自动化和数据科学的未来
技术演进表明，虽然新技术取代了人工任务，但它们也创造了新的角色。蒸汽机、电力和数字平台最初取代了人类角色，但后来创造了新的工作类型。同样，人工智能和机器学习正在为数据科学家和业务用户创建新角色，同时替换一些旧角色。更新和更好的技术会破坏、破坏稳定，然后产生一个新的世界，其中包含新兴的工作角色。

机器学习和数据科学的未来
Sebastian Raschka 是密歇根州立大学的应用机器学习和深度学习研究员，也是Python 机器学习的作者，他就数据科学和机器学习领域正在发生的变化发表了自己的看法。

数据科学的未来以及人工智能如何改变世界
这段英特尔视频表明，要使数据科学更上一层楼，它必须超越数字运算。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 职场问诊 | 大厂裁员，如何正确的面对这个危机？ 大三信管专业的我，用一个月通关CDA Level Ⅰ、Level Ⅱ 和CDA持证人分享 数据科学和企业的数据能力建设 商业智能分析工具的应用 TI类数据产品设计 管理分析需求与绩效指标 PyTorch最全的损失函数汇总 数据分析最常用的excel函数公式大全 零基础转行数据分析，看这篇文章就够了