评论
随着我们继续为 KDnuggets 读者带来年终总结和 2019 年的预测，我们向许多有影响力的行业公司征询了他们的看法，提出了这个问题：
2018 年 AI、机器学习、分析与数据科学的主要进展是什么？你预期 2019 年会有什么关键趋势？
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT 工作
对于行业对今年发生的事件及未来发展趋势的看法，我们收集了来自 Domino Data Lab、dotData、Figure Eight、GoodData、KNIME、MapR、MathWorks、OpenText、ParallelM、Salesforce、Splice Machine、Splunk 和 Zoomdata 的见解。
这些专家指出的关键主题包括变化中的分析格局、数据科学如何继续影响业务，以及将被用来实现这一点的新兴技术。
一定要查看我们上周分享的收集意见，当时我们向一组专家提出了相关问题，“2018 年数据科学和分析的主要进展是什么？你预期 2019 年会有什么关键趋势？”
Josh Poduska 是 Domino Data Lab 的首席数据科学家。
AI：从炒作到 2019 年的业务影响。人工智能的蜜月期正式结束。2019 年将是人工智能成为组织现实的一年，而非实验、调试和疑虑。
忘记谷歌的 AI 呼叫中心代理。数据科学的最大影响将体现在你未曾想到的地方……在业务中那些较少“性感”的部分，比如更快的客户技术支持电话服务、优化库存、更智能的产品摆放、减少购买中的浪费时间等。
消费者对 AI 的理解将会发生剧烈变化。我们将不再将 AI 与未来的机器人和自动驾驶汽车联系在一起，而是与提升生产力的工具和帮助日常琐事的预测联系在一起。
藤卷亮平博士是 dotData 的首席执行官兼创始人，该公司专注于为企业提供端到端的数据科学自动化和操作化。
对从 AI 和 ML 项目中获得更大投资回报的压力将推动更多商业领袖寻求创新解决方案。 尽管许多行业正在对数据科学进行大量投资，但数据科学技能和资源的稀缺限制了组织内 AI 和 ML 项目的进展。此外，由于过程的迭代性质和数据准备及特征工程的手动工作，一支数据科学团队每年只能执行几个项目。到 2019 年，数据科学自动化平台将占据大量思维份额。数据科学自动化将涵盖比机器学习自动化更广泛的领域，包括数据准备、特征工程、机器学习和数据科学管道的生产。这些平台将加速数据科学，执行更多商业举措，同时保持当前的投资和资源。
数据科学任务将变成 5 分钟的操作，并在几天内带来业务价值。 过去需要几个月时间的数据科学项目已经不再存在。到 2019 年，我们将看到企业在实施和优化他们的 AI 和机器学习项目方面发生转变。新的数据科学自动化平台提供了一个单一的、无缝的平台，使公司能够加速、普及和操作整个数据科学过程——从原始数据到特征工程再到机器学习——消除数据科学中最耗时、最劳动力和技能密集的任务。因此，曾经需要几个月完成的工作，现在只需几天，这大大加快了 AI 和机器学习项目的价值实现时间。
戴尔·布朗是 Figure Eight 的业务发展副总裁。
-
AI 平台供应商将创建更多工具，以便非数据科学家/开发者能够更快地构建 AI - “随着公司对 AI 需求的增加，我们也看到训练有素的数据科学家持续短缺。为了提高 AI 的采用，AI 平台需要赋能传统开发者，提供工具以使他们能够更快地创建机器学习模型，并确保他们拥有一个集成平台，允许开发者注释和标记数据，以提高模型的准确性。”
-
企业级 AI 集成与整合将会发生 - “AI 的广泛采用将迫使企业级公司要么加速开发 AI 相关工具，要么收购并将其整合到他们的平台中——速度要快于他们的竞争对手。”
凯文·史密斯是 GoodData 的产品营销副总裁。
数据科学家的需求将发生急剧变化。数据科学家，曾被认为是 21 世纪最性感的职业，将与我们今天所知的非常不同。随着分析被推向最终用户，自助服务成为常态，数据准备工具变得更加强大，数据科学家将更多地转变为顾问，而不是数据来源和准备专家。他们将负责帮助企业理解数据、解释结果以及可能采取的行动方案。这对数据科学家而言是一个更高价值的角色，最终也是更好地利用他们的技能。
迈克尔·伯瑟尔德是KNIME的首席执行官。
我看到的两个持续的趋势是自动化和可解释性。前者将在 2019 年继续受到关注，但随后会面临一个问题，即只有相对明确的数据科学问题才适合完全自动化。更强大的环境是数据科学家可以将自动化与互动结合，真正允许他们将数据科学部署给他人，而不必将所有工作外包给自称的专家。对于所有需要理解（或控制）基础决策的数据类型，深度学习的可解释性将变成一个更大的问题。我们永远不会接受 AI 在安全关键决策中的“人为失败”。
杰克·诺里斯是MapR的数据和应用高级副总裁。
2019 年是容器和人工智能在主流中相遇的一年 - NVIDIA 在今年年底宣布了开源 Rapids。这预示着在操作化 AI、数据科学家之间更好的共享以及在各地分布处理的关注点如何推动容器化。另一个推动这一预测的上升技术是 Kubeflow，它将补充容器和分布式分析。
塞斯·德兰是MathWorks的数据分析产品营销经理。
机器学习将被整合到产品和服务中 - 公司将越来越多地使用机器学习算法来使产品和服务“从数据中学习”并提高性能。机器学习已经出现在一些领域：图像处理和计算机视觉用于面部识别，能源生产的价格和负荷预测，工业设备故障预测等等。预计在来年，随着更多公司受到启发，将机器学习算法集成到他们的产品和服务中，机器学习将变得越来越普遍，这些公司将使用可扩展的软件工具，包括 MATLAB。
公司将利用领域专家来弥补数据科学技能差距——许多公司难以找到数据科学专才，企业正在为现有的工程师和科学家提供可扩展的工具，如 MATLAB，以使他们能够进行数据科学。由于这些工程师和科学家具有现有的流程和业务知识，他们将能够很好地应用数据科学技术，评估结果，并确定将模型与业务系统集成的最佳方法。
Zachary Jarvinen 是OpenText的技术战略、人工智能和分析部门负责人。
2019 年，长期承诺的企业人工智能转型将开始真正展开。大多数企业已经达到了数字成熟的阶段，确保能够大规模访问高质量数据。凭借成熟的数据集，人工智能供应商可以提供更低成本、更易于使用的人工智能工具，适用于特定的业务场景。大规模的企业人工智能效应将会非常显著。Gartner 预计，到 2022 年，人工智能的商业价值将达到近 3.9 万亿美元。消费者也将在几乎每个行业中受益。他们将看到更多创新的产品和服务、更智能的家居、工厂和城市、改善的健康状况以及更高的生活质量。
人工智能将增强——而不是取代——劳动力。人工智能应用将具有变革性，提高效率和性能，产生巨大的成本节省，并催生更多创新的产品和服务。然而，未来的工作将涉及人类和人工智能。最具创新性的公司已经开始规划如何最好地实现这种共生的未来。在短期内——这意味着数据科学领域的技术工人缺口将持续存在，需求将保持非常高。教育机会将扩展以帮助解决这一需求。在长期内——随着我们发展解锁人工智能的技能和技术，社会将从人工智能增强的工人、家居、车辆、电网、工厂、城市等方面受益巨大。
Sivan Metzger 是ParallelM的首席执行官，该公司在机器学习运营（MLOps）领域迅速成长。
其他业务领域将被引入，共享机器学习的责任。随着公司面临从竞争对手中脱颖而出的压力增加以及商业领袖的挫折感加剧，其他职能将被拉入以帮助实现机器学习计划。这些职能包括运营和业务分析师，他们可以在数据科学家完成机器学习模型的构建后，接过这些责任。
Ketan Karkhanis 是Salesforce的高级副总裁兼分析总经理。
AI 增强分析将成为主流 - 2019 年将是 AI 主导的分析（被称为自动化发现）成为主流的一年。人脑并不具备在亚秒速度下评估数百万种数据组合的能力，但机器学习正是为解决这个问题而构建的完美解决方案。企业领导者和数据分析师越来越明白，AI 不会取代工作，而是增强工作能力，我预计在未来一年中，大多数数据分析师将能够在无需编写代码的情况下掌握数据科学的力量。
Monte Zweben 是 Splice Machine 的首席执行官，这是一款用于实时应用的智能数据平台。
-
Hadoop 的新客户增长将减缓，Hadoop 集群的增长将放慢。
-
基于云的 SQL 数据平台将实现大规模增长
-
机器学习将进入运营阶段，从后台实验中走出，融入实时、关键任务的企业应用程序。
-
Oracle 的客户转向扩展 SQL 平台将达到一个点，届时公司将在季度披露中透露风险因素。
Andi Mann 是 Splunk 的首席技术倡导者。
-
2019 年将是机器学习在工作场所全面实现的一年——“AI 即服务（AIaaS）”的增加将涌入市场，为企业提供更多解决方案。
-
到 2019 年，工程招聘将继续上升，因为更多的组织需要工程师来帮助管理孤立的工具集成。
-
“工具为工具”的崛起，专注于更好地支持 IT 操作。
最终的预测来自 Zoomdata 的高管。
数据可视化的增长（由于数据结构化程度的提升） - 到 2019 年，企业将最终接受数据可视化，并看到其潜力。我们别无选择——数据增长是指数级的，并且由于物联网（见图表）变得越来越结构化。就像今天的消费者可以查看自己家的能耗并与邻居的能耗进行比较一样，我们将开始看到这种情况（终于！）渗透到供应链中。例如，自动化分析将发现一些有趣的内容，创建该项内容的可视化表示——然后向人类展示，以便采取行动。数据将从整个数据集中提取，使企业管理者能够以前所未有的方式看清全局。
相关信息：
-
行业预测：2017 年主要 AI、大数据、数据科学发展及 2018 年趋势
-
机器学习与 AI 在 2018 年的主要发展及 2019 年关键趋势
-
AI、数据科学、分析在 2018 年的主要发展及 2019 年的关键趋势