摘要：作为科技发展最快的领域之一，随着越来越少的领导者将商业决策建立在猜测工作的基础上，数据科学已经上升到了公司的议事日程。

   在不久的将来，数据科学需要什么？
　　
　　作为科技发展最快的领域之一，随着越来越少的领导者将商业决策建立在猜测工作的基础上，数据科学已经上升到了公司的议事日程。随着人工智能（AI）和edge等附加功能对数据科学家工作的补充，该领域的员工越来越容易接触，但这在很大程度上仍然需要数据技能的培训。在这篇文章中，我们将探讨一些关键的新兴趋势，在数据科学领域的专家相信。
　　
　　增加AI和ML的参与
　　
　　首先，人们相信人工智能和机器学习（ML）的参与将进一步增加，并使更多的行业成为真正以数据为中心的行业。
　　
　　Duco数据科学主管Dougie Melville Clarke表示：“随着企业开始看到人工智能和机器学习平台的好处，他们将进一步投资于这些技术。”。
　　
　　“事实上，杜科国家和解报告调查了包括首席运营官在内的300名全球和解机构负责人，金融控制负责人和金融转型负责人发现，42%的受访者将在2021年调查更多机器学习在智能数据自动化中的应用。”
　　
　　保险数据科学
　　
　　MelvilleClarke接着指出，保险业通常被视为一个由于高度监管而难以创新的行业，在数据科学方面，它是未来成功的一个例子。
　　
　　他解释说：“例如，保险业已经采用了承保和报价生成等流程的自动化。但是，人工智能和机器学习的更有价值的用途是通过限制性定制等用途来增加您的服务和市场份额。
　　
　　“个性化是银行和保险公司实现差异化的关键途径之一，但如果没有机器学习，这将是一个漫长而昂贵的过程。
　　
　　“机器学习可以帮助这些行业以更具成本效益的方式定制产品，以满足个人消费者的需求，改善客户体验，增加定制化。”
　　
　　超自动化的进化
　　
　　随着AI和ML模型使用的增加，组织已经将AI与机器人过程自动化（RPA）结合起来，通过自动化决策来降低运营成本。这种被称为“超自动化”的趋势预计将有助于企业在未来几年在后科维德时代的环境中继续快速创新。
　　
　　Ascent公司Mango Solutions的联合创始人兼首席数据科学家RichPugh解释说：“从很多方面来说，这并不是一个新概念——过去十年企业在数据科学领域的投资的主要目标是基于AI和ML的决策过程自动化。”。
　　
　　“这里的新特点是，超自动化以‘RPA优先’的方法为基础，这种方法可以加速流程自动化，并推动跨分析和IT职能部门的协作。
　　
　　“企业领导者需要关注如何利用企业自动化和持续智能来提升客户体验。这是否意味着将智能思维融入推动更明智决策的过程，例如围绕定价决策部署自动化，以提供更高效和个性化的服务，或者利用更丰富的实时客户洞察和自动化，快速执行高度相关的产品和新服务。
　　
　　“开始超自动化之旅，首先要取得一些现实的、可衡量的未来成果。具体来说，这应该包括瞄准高价值的流程，注重自动化和变革，并启动一个收集数据的结构，以实现未来的成功。”
　　
　　SaaS和自助服务
　　
　　Qlik的高级主管dansommer认为，软件即服务（SaaS）和用户的自助服务方式，以及高级分析技术的转变，是数据科学领域一个显著的新兴趋势。
　　
　　Sommer说：“对于业内人士来说，SaaS显然将成为每个人的新的最好的朋友，将数据库和应用程序从本地环境迁移到云环境。
　　
　　云计算已经帮助许多企业、组织和学校在虚拟环境中保持活力，我们现在将看到对SaaS的进一步关注，因为混合运营看起来将继续存在。
　　
　　此外，在有效使用数据和分析方面，我们将看到自助服务向自给自足发展。让用户能够更早、更直观地访问数据、见解和业务逻辑，将有助于在不久的将来实现从可视化自助服务到数据自给自足的转变。此外，WEF在英国的顶级新兴职位——数据科学家、人工智能和机器学习专家、大数据和物联网——都需要这种性质的技能。
　　
　　因此，我们设想，获得各种与工作相关的证书，包括获得入门级数字工作的途径，将是今后几年大规模再就业和加速经济复苏的关键。”
　　
　　工业数据科学家
　　
　　关于在数据科学领域将出现的新角色，Aspen Technology的高级主管AdiPendyala预测“工业数据科学家”的出现：“这些科学家将是一种新的技术驱动型、数据授权型领域专家，能够访问比以往任何时候都更多的工业数据，以及可访问的AI/ML和分析工具，这些工具需要将这些信息转化为整个企业的可操作智能。
　　
　　“工业数据科学家将代表我们对公民数据科学家和工业领域专家的传统理解之间的一种新的交叉点：拥有后者领域专业知识但正日益转向前者所占据的数据领域的工作者。”
　　
　　新工具
　　
　　许多组织正受到与需求成比例的数据科学家短缺的影响，但Snowflake英国与国际区域副总裁Julien Alteirac认为，由ML提供动力的新工具可能有助于在不久的将来缓解这一技能差距。
　　
　　Alteirac说：“在分析数据方面，大多数组织雇佣了大量的数据分析师和数量有限的数据科学家，这在很大程度上是由于数据科学家的供应有限和成本高昂。
　　
　　由于分析师缺乏构建ML模型所需的数据科学专业知识，数据科学家已成为扩大ML使用范围的潜在瓶颈。然而，新的和改进的ML工具更加方便用户，正在帮助组织认识到数据科学的力量。
　　
　　数据分析师有权访问功能强大的模型，而无需手动构建它们。具体来说，自动化机器学习（AutoML）和通过api提供的人工智能服务消除了手动准备数据，然后构建和训练模型的需要。AutoML工具和AI服务降低了进入ML的门槛，因此现在几乎所有人都可以访问和使用数据科学，而不需要学术背景。”
　　
　　编辑：Harris