回顧與展望丨數(shù)據(jù)科學 機器學習：2017年的主要發(fā)展和2018年的關鍵趨勢

KDnuggets邀請了數(shù)據(jù)科學相關領域杰出的代表人物對2017年的主要發(fā)展和2018年的趨勢進行了總結和預測。主要內(nèi)容涉及到 AI 、深度學習、機器學習、安全、AlphaGo Zero等等。

Kirk D. Borne

BoozAllen的首席數(shù)據(jù)科學家，天體物理學博士。數(shù)據(jù)科學和大數(shù)據(jù)領域的影響者。

回顧 2017

在2017年，技術成熟度曲線(Technology Hype Cycle)的中心位置由原來的大數(shù)據(jù)漸漸被 AI 取代。媒體和從業(yè)者對 AI 的關注在正面新聞，比如越來越強大的機器學習算法和 AI 在汽車、醫(yī)療影像、金融服務等行業(yè)的應用；以及負面新聞，關于機器將搶走人類工作的威脅。

我們還見證了數(shù)據(jù)方面創(chuàng)新的發(fā)展，包括更多地使用API，即服務提供、數(shù)據(jù)科學平臺、深度學習，以及云機器學習服務。大數(shù)據(jù)、機器學習和 AI 的專業(yè)應用，包括機器智能、規(guī)范性分析、行為分析和物聯(lián)網(wǎng)。

展望 2018

在2018年，我們還需要關注 AI 的其他方面。比如 AI 的價值，衡量它的投資回報率，讓其可以實際操作。

主要的發(fā)展領域與2017年沒有太大差別，主要包括過程自動化、機器智能、客戶服務。我們還將見證物聯(lián)網(wǎng)的日益成熟，包括更強大的安全特性、模塊化平臺、傳感器數(shù)據(jù)流的AP等。在2018年，更多的從業(yè)人員將面對挑戰(zhàn)，向持懷疑態(tài)度的公眾傳達 AI 的好處。

Tom Davenport

巴布森學院信息技術與管理專業(yè)的杰出教授，國際分析研究所聯(lián)合創(chuàng)始人，麻省理工學院數(shù)字經(jīng)濟學的研究員，德勤分析的高級顧問。

回顧 2017

企業(yè) AI 成為主流，許多大型的知名公司正在進行 AI 或機器學習。一些公司擁有超過50個用到各種技術的項目。大型供應商開始轉(zhuǎn)為開源、自己動手的項目類型。當然，這意味著公司必須提高其數(shù)據(jù)科學技能。

機器學習應用到數(shù)據(jù)集成，數(shù)據(jù)分析和數(shù)據(jù)管理中之前存在的挑戰(zhàn)現(xiàn)在能通過機器學習解決。通過勞動密集型方法對數(shù)據(jù)進行集成和管理正在被替換，至少是通過不同數(shù)據(jù)庫中相似數(shù)據(jù)元素的“概率匹配”來實現(xiàn)的。這能夠減少整合數(shù)據(jù)的時間。

開放源代碼的企業(yè)接受開源，傳統(tǒng)的銀行、保險和醫(yī)療等行業(yè)，正在積極地接受開源分析、 AI 和數(shù)據(jù)管理軟件。

展望 2018

我們已經(jīng)進入了“后算法”時代。之前分析師和數(shù)據(jù)科學家需要一定的知識來確定使用哪種算法。但是，分析和機器學習過程的自動化能夠思考100種以上的不同算法。重要的是模型的效果和整體表現(xiàn)。

獨立的 AI 創(chuàng)業(yè)公司的吸引力開始減弱。在風險投資基金的推動下，過去幾年中成立了數(shù)百家 AI 創(chuàng)業(yè)公司。當中大多數(shù)解決的是較小的問題。然而，即使能夠有效地運作，能夠與現(xiàn)有流程和系統(tǒng)集成是其主要挑戰(zhàn)。因此，成熟的企業(yè)更傾向于開發(fā)自己的 AI “微服務”，這些服務相對更容易集成，或者從那些將 AI 嵌入到交易系統(tǒng)的供應商購買。

Jill Dyche

SAS Best Practice的副總裁，暢銷商業(yè)書籍的作者。

回顧 2017

如今幾乎每個人都會應用到 AI 和機器學習。2017年，許多供應商都在開發(fā)自己的 AI 產(chǎn)品。

展望 2018

在2018年，商業(yè)對話和案例中，AI/ML方面會顯著增長。這是因為企業(yè)有許多業(yè)務問題需要解決，管理者不關心神經(jīng)網(wǎng)絡是否要處理稀疏的數(shù)據(jù)；對自然語言處理中的詞匯推理挑戰(zhàn)。相反，他們想要加速供應鏈，知道客戶下一步想做什么，然后簡單地告訴電腦他們想要什么。這是一種規(guī)范性分析，那些能夠以簡便的方式解決該問題的供應商能夠笑到最后。

Carla Gentry

Analytical Solution的數(shù)據(jù)科學家

回顧 2017

2017年，每個人都開始討論機器學習、AI 和預測分析。但實際上許多這些公司，供應商只是熱衷于這些熱詞，而并沒有他們宣稱的相關背景。在這些領域的經(jīng)驗需要時間和才干，而不僅僅是盲目的呼吁行動。總之，經(jīng)驗才是最重要的!

展望 2018

2018年，我們需要關注數(shù)據(jù)科學和預測分析的領導者。不是因為這很熱門，而是因為這能給你的企業(yè)帶來巨大的變化。

對招聘進行預測可以節(jié)省數(shù)百萬人的成本；AI 和機器學習可以在幾秒鐘內(nèi)完成你需要幾天去做的事情。技術可以把我們提升到新的高度，但作為數(shù)據(jù)科學家，需要通過法律和社會的基本道德。

Bob E. Hayes 

研究人員，作家，Business Over Broadway的出版商，組織心理學博士。

回顧 2017

數(shù)據(jù)科學和機器學習越來越多地應用于各種行業(yè)和領域。在2017年，我們目睹了 AI 的巨大進步。雖然之前深度學習模型需要大量的數(shù)據(jù)教算法，但是神經(jīng)網(wǎng)絡和強化學習表明，創(chuàng)建高性能的算法時并不需要數(shù)據(jù)集。DeepMind采用了這些技術，開發(fā)了Alpha Go Zero，這更優(yōu)于之前版本的算法。

展望 2018

隨著 AI 在刑事司法、金融、教育等領域的持續(xù)發(fā)展，我們將需要建立算法標準，用來評估其不準確性和偏差。包括建立 AI 的使用規(guī)則(例如，避免決策中的暗箱操作)，并理解深度學習算法如何做出決定。

數(shù)據(jù)中心的安全漏洞將繼續(xù)攀升，即使互聯(lián)網(wǎng)時代出現(xiàn)的公司(例如imgur, Uber)。因此，我們將看到安全措施方面的改革的，將增加區(qū)塊鏈的可見性作為一種可行的方式，用來改善公司如何獲得其選區(qū)的數(shù)據(jù)。

Gregory Piatetsky-Shapiro

KDnuggets總裁，數(shù)據(jù)科學家，KDD和SIGKDD會議(知識發(fā)現(xiàn)和數(shù)據(jù)挖掘專業(yè)組織)的聯(lián)合創(chuàng)始人。

回顧 2017

·AlphaGo Zero可能是2017年 AI 最重要的研究進展。

· 數(shù)據(jù)科學方面自動化的增長，提供了更多提供自動化工具的機器學習平臺。

· AI 的輿論熱度和期望的增長甚至比 AI 和深度學習的發(fā)展還快。

展望 2018

· GDPR(歐洲通用數(shù)據(jù)保護條例)將在2018年5月25日生效，這將對數(shù)據(jù)科學產(chǎn)生重大影響，其中包括解釋的權利(你的深度學習方法是否可以解釋為什么某人被拒絕貸款等)，以及防止偏見和歧視。

· 谷歌 DeepMind 團隊將跟進AlphaGo Zero的驚人結果，并實現(xiàn)另一個強大的性能。在幾年前，許多人認為這是計算機無法做到的。

(注: DeepMind 取得的另一個突破進展發(fā)生在2017年12月，AlphaZero在4個小時內(nèi)就能熟練掌握國際象棋，同樣的自我博弈學習程序可以在國際象棋、圍棋和日本將棋方面達到超人般的表現(xiàn)。)

·我們將會看到更多的自動駕駛汽車的發(fā)展，包括首次出現(xiàn)的問題正在被解決(比如拉斯維加斯的無人駕駛飛機，一開始不知道如何讓道，但之后能夠讓道)。

· AI 的泡沫將繼續(xù)存在，但我們將看到重組和整合的跡象。

Paul Gearan，Heather Allen，Karl Rexer

Rexer Analytics的負責人，Rexer Analytics是一家數(shù)據(jù)挖掘和高級分析咨詢公司。

回顧 2017

對于沒有研究或分析背景的人群，使用商業(yè)智能軟件仍然面臨許多障礙。當然出現(xiàn)了Tableau、IBM Watson、Microsoft Power BI等軟件。然而，根據(jù)Rexer Analytics在2017年收集的數(shù)據(jù)，只有近一半的受訪者表示，除了數(shù)據(jù)科學團隊，他們公司其他員工也有使用相關自助工具。工具使用時，常見的問題有難以理解分析過程以及對分析結果的誤解。

展望 2018

對于2018年，實現(xiàn)推廣數(shù)據(jù)科學工具的目標是擴大分析的使用范圍，從而得出有效的結果，這是至關重要的。通常情況下，向非數(shù)據(jù)分析方面的員工和管理人員提供工具，讓他們對自己的假設進行探索和可視化是很重要的。但同樣重要的是，團隊要與數(shù)據(jù)科學專業(yè)人員一起開發(fā)模型并解讀得出的見解，這些專業(yè)人員經(jīng)過培訓，能夠掌握特定分析技術的應用。