真实与炒作，发展与失望并存的一年：大咖共同回首数据科学与分析的2018和展望2019

大数据文摘出品

编译：杨威、周家旭、张南星、Aileen

2018即将收尾，2019即将开启，我们将带大家纵览专家们对AI的分析和预测。我们向专家们提了个问题：你认为2018年数据科学与分析的主要进展是什么?2019年会怎样发展?

虽然我们讨论的是数据科学和数据分析，但在大多数答案中AI都是主要内容。这些专家所提到的内容包括人工智能的进步(真实情况和炒作参半);数据科学和数据分析的民主化，例如自助分析;以及“万事皆自动化”，例如数据科学，GDPR，AI风险，实时分析等等。

专家组名单如下：Meta Brown，Tom Davenport，Carla Gentry，Bob E Hayes，Cassie Kozyrkov，Doug Laney，Bill Schmarzo，Kate Strachnyi，Ronald van Loon，Favio Vazquez和Jen Underwood。以下是他们的简介，推特ID以及对这个问题的解答。

“2018年数据科学和数据分析的主要进展和2019年发展趋势”问答词云。

Meta Brown(@ metabrown312)，《Data Mining for Dummies》(数据挖掘入门指南)的作者，A4A Brown.Inc公司总裁，该公司致力于加强管理层和技术人员之间的沟通。

2018年的热门分析话题非人工智能(AI)莫属。印象中，人工智能比其他分析学应用技术引起了更多的讨论。但令人遗憾的是，大部分讨论并未产生多大价值。

计算机科学的先驱阿兰·图灵(Alan Turing)曾展望过，计算机智能将匹敌人类智能，即人们无法区分是在和计算机对话，还是在和人类对话。

想想我们与现在人工智能应用的交互过程。诸如Siri或Alexa的个人助理虽然挺有用，但和它们沟通的感觉，远远无法达到与真人沟通的效果。而在线自助聊天机器人则更令人失望，如果尝试问一个现实生活中的问题，你将意识到它背后并没有真正的“大脑”。

按照图灵的定义，人工智能尚不存在。纽约大学心理学和神经科学教授加里·马库斯(Gary Marcus)说，人们对人工智能的最大误解就是“我们离人工智能不远了”。

的确，我们现实生活中已经应用了计算机来进行逻辑运算。虽然它们并不像人一样思考，但它们足够快、且连续性足够强，这些都是极具价值的优势。这些应用赋能机器完成实际工作，例如标记潜在欺诈交易，操作汽车等。

尽管AI技术的局限显而易见，但大众，甚至是科技界都充斥着对人工智能不切实际的主张和期望。这些扭曲的观点在人群中引发了恐惧，同时也让一些人的期望落空，而我们所见之现实则更令人失望。

汤姆·达文波特(@tdav)，巴布森学院总统信息技术和管理部门的特聘教授，国际分析研究所联合创始人，MIT数字经济研究所的研究员和Deloitte Analytics公司的高级指导顾问。

我们在国际分析研究所对技术年度发展趋势进行了预测分析，下面是我提出的一些观点：

组织机构对模型部署率关注度不断上升-根据雷克斯数据科学(Rexer Data Science Survey)调查显示，只有10%-15%的公司部署率为“几乎总是”，另外50%的公司仅“经常”部署，剩下35% - 40%的公司成功部署分析模型的几率只有“偶尔或很少”。我曾遇到过一些组织机构表示他们的成功部署率低于10%。当然，未部署的分析模型没有任何经济价值。企业需要在2019年评估和提高部署率。

民间数据科学家和商业分析师会一直存在，且越来越多。可视化和基于搜索分析的兴起，以及数据科学前端的机器学习愈加自动化，意味着业余爱好者将产出大量的分析结果。对抗这种趋势将失败无疑，所以不如转向赋能，助力其发展。这也意味着从事量化工作的专业人员能够集中注意力于复杂困难的建模任务，或者转向理解业务，解决组织性变革问题。

Carla Gentry(@ dat_nerd)，咨询数据科学家和Analytical-Solution所有者。

2018年是数据分析和数据科学辉煌发展的一年，但我们也看到了人工智能、神经网络和机器学习的爆发，而并不是所有的主张都有相应的人才和经验支撑。我们也看到了人工智能在医疗领域和治安领域的应用增长，但同样的，其背后也许并没有充分考虑偏见所带来的风险，以及人才和经验的支撑，同时我认为可能有些人忘掉了一个大原则：在这些情境下，依托着可穿戴设备和物联网(Google Home，Alexa等)，数据就是一切，并且这样的趋势将持续不断。