2016年分析領(lǐng)域的5大預(yù)測(cè)

1、機(jī)器學(xué)習(xí)在企業(yè)生根發(fā)芽

機(jī)器學(xué)習(xí)（Machine learning）的歷史可以追溯到 1950 年，但直到最近，它都只是精英人才的領(lǐng)域并長(zhǎng)期被人忽視。我預(yù)言機(jī)器學(xué)習(xí)會(huì)就此穩(wěn)步發(fā)展，因?yàn)樵S多大型企業(yè)正在接納機(jī)器學(xué)習(xí)。如今除了研究者和數(shù)字時(shí)代原住民，企業(yè)也在探索如何把機(jī)器學(xué)習(xí)變?yōu)樯a(chǎn)力。在一些已經(jīng)規(guī)范化的行業(yè)，模型解釋性較差，曾導(dǎo)致模型難以應(yīng)用。如今這些行業(yè)的從業(yè)者使用機(jī)器學(xué)習(xí)，尋找更多創(chuàng)造性的方法，從模型中選擇變量，而這些變量之后能由常用工具進(jìn)一步構(gòu)建。機(jī)器學(xué)習(xí)從多個(gè)學(xué)科中獲取營(yíng)養(yǎng)，所以未來預(yù)計(jì)會(huì)產(chǎn)生更多跨學(xué)科的興趣。回想去年 INFORMS 年會(huì)的主題，Dimitris Bertsimas 講“現(xiàn)代優(yōu)化視野下的統(tǒng)計(jì)與機(jī)器學(xué)習(xí)”（ Statistics and Machine Learning via a Modern Optimization Lens ）。我的同事 Patrick Hall 也對(duì)于“為什么是機(jī)器學(xué)習(xí)？為什么是現(xiàn)在？”（Why Machine Learning? Why Now?）這一話題給出了他的看法。

2、物聯(lián)網(wǎng)大潮降溫，面對(duì)現(xiàn)實(shí)

根據(jù) Gartner 公司的新科技周期理論（Hype Cycle）來看， 物聯(lián)網(wǎng) （Internet of Things, IoT）正處在科技周期的頂峰。但在 2016 年我預(yù)計(jì)物聯(lián)網(wǎng)這個(gè)概念將有所降溫，開始面對(duì)現(xiàn)實(shí)。如何采集是一個(gè)很實(shí)際的障礙——信息太多了。我的一個(gè)同事正在把我們新大樓的HVAC 暖通系統(tǒng)，作為一個(gè)物聯(lián)網(wǎng)測(cè)試項(xiàng)目進(jìn)行分析。這棟樓里到處都是傳感器，但獲取數(shù)據(jù)卻并不容易。設(shè)施部門告訴他這是IT部門的職權(quán)，IT部門把他又踢到了制造商那里，因?yàn)?HVAC 收集數(shù)據(jù)之后發(fā)送給了制造商?！皵?shù)據(jù)所有權(quán)”是一個(gè)在逐漸浮現(xiàn)的議題：你生產(chǎn)了數(shù)據(jù)，卻無法獲取它。如何證實(shí)自己的價(jià)值是物聯(lián)網(wǎng)面對(duì)的更大挑戰(zhàn)。物聯(lián)網(wǎng)在企業(yè)級(jí)的整體生產(chǎn)應(yīng)用依然有限。物聯(lián)網(wǎng)給出的承諾無與倫比，所以在 2016 年讓我們期待早期使用者們能解決問題，給出答案。

3、 大數(shù)據(jù) 走出喧囂，讓模型變得豐富

大數(shù)據(jù)已經(jīng)走出了喧囂，產(chǎn)生了實(shí)際的價(jià)值。如今的建模者可以獲取的數(shù)據(jù)種類前所未有地豐富（例如，非結(jié)構(gòu)數(shù)據(jù)，地理空間數(shù)據(jù)，圖像，聲音），而這些數(shù)據(jù)使得模型可以變得更加豐富。大數(shù)據(jù)的另一新進(jìn)展來自各類競(jìng)賽，這些競(jìng)賽超越了之前游戲化的形式，通過眾包和數(shù)據(jù)分享產(chǎn)生了實(shí)際價(jià)值。拿前列腺癌 DREAM 挑戰(zhàn)為例，參賽隊(duì)伍使用四種臨床診斷的匿名數(shù)據(jù)挑戰(zhàn)開放的臨床研究問題。這些數(shù)據(jù)來源眾多，大部分是第一次公之于眾。參賽隊(duì)伍的數(shù)目史無前例，最終的獲勝者戰(zhàn)勝了之前此領(lǐng)域尖端研究者開發(fā)的模型。

4、通過分析提高信息安全

隨著物聯(lián)網(wǎng)發(fā)展，傳感器的廣泛使用肯定讓數(shù)碼空間的犯罪分子感到興奮。他們使用這些設(shè)備，用一種緩慢而低調(diào)的木馬手段進(jìn)行劫持。許多傳統(tǒng)的偵查手段對(duì)此無效，因?yàn)閭刹椴辉偈菍ふ乙粋€(gè)稀有事件的過程，而需要對(duì)情境中事件的累積進(jìn)行理解。跟物聯(lián)網(wǎng)一樣，信息安全面對(duì)的一個(gè)挑戰(zhàn)和數(shù)據(jù)有關(guān)。我預(yù)計(jì)先進(jìn)的分析作為追蹤數(shù)據(jù)的手段，能為偵查和預(yù)防做出新的貢獻(xiàn)。很可惜，本文無法談?wù)摯髷?shù)據(jù)的合作中正在發(fā)展出的方法，因?yàn)槲覀儾幌胱寜牡爸牢覀兪窃趺窗l(fā)現(xiàn)它們的。這方面的許多優(yōu)秀工作都是在高度安全的隔離環(huán)境中完成的。不過，2016 年 SAS 和其他各方仍會(huì)高度關(guān)注信息安全。

5、分析驅(qū)動(dòng)著 企業(yè) 與學(xué)界加強(qiáng)互動(dòng)

北卡羅來納州立大學(xué)的高級(jí)分析研究所（The Institute for Advanced Analytics, IAA）關(guān)注分析領(lǐng)域的碩士項(xiàng)目數(shù)量增長(zhǎng)。新的碩士項(xiàng)目與日俱增。企業(yè)的招聘需求促進(jìn)了增長(zhǎng)，但同時(shí)我也看到了它們對(duì)于研究的興趣。越來越多的企業(yè)在設(shè)立學(xué)術(shù)擴(kuò)展部門，并表現(xiàn)出對(duì)于研究合作的濃厚興趣。有時(shí)這種興趣超越合作伙伴關(guān)系，轉(zhuǎn)而直接雇傭?qū)W界名人。這些學(xué)界名人可能是休假期間來工作，或者在學(xué)界和企業(yè)往返。例如，機(jī)器學(xué)習(xí)頂尖研究者 Yann LeCun 曾在貝爾實(shí)驗(yàn)室工作，也曾是紐約大學(xué)的教授，曾是建立紐約大學(xué)數(shù)據(jù)科學(xué)中心的主管，現(xiàn)在在 Facebook 帶領(lǐng)人工智能研究團(tuán)隊(duì)。INFORMS（運(yùn)籌學(xué)與管理科學(xué)研究協(xié)會(huì)），通過為學(xué)界提供與分析有關(guān)的教學(xué)材料的方式，支持這種產(chǎn)學(xué)互動(dòng)。2016 年 INFORMS 會(huì)為業(yè)界提供一個(gè)可查詢的、分析領(lǐng)域（碩士）項(xiàng)目的數(shù)據(jù)庫(kù)以促進(jìn)雙方往來，并提供新的 Associate Certified Analytics Professional 證書來幫助選拔畢業(yè)生。