本文
约
5300字
，建议阅读
10分钟
。
对于人工智能与数据科学领域，多位专家为你解答18年所取得的成就，目前值得关注的进展，并预测2019 年的主要趋势。
对于人工智能与数据科学领域，2018 年的预测有哪些实现了？有哪些值得关注的进展？2019 年的主要趋势又是什么？本文将为你一一解答。
以下的回答来自 Meta Brown、Tom Davenport、Carla Gentry、Bob E Hayes、Cassie Kozyrkov、Doug Laney、Kate Strachnyi、Ronald van Loon、Favio Vazquez 和 Jen Underwood。这些专家所涉及的关键主题包括人工智能的进步（不管是真实的还是炒作的）、数据科学和分析的民主化（包括自助服务）、自动化（包括数据科学）、GDPR、人工智能风险、实时分析，等等。
Meta Brown，A4A Brown 公司总裁及“Data Data for Dummies”的作者。
2018 年的热门主题是人工智能。
近来，人工智能方面的演讲可能比其他任何一个分析应用都要多。可惜的是，
大部分演讲都没有多大意义。
计算机先驱 Alan Turing 设想的计算机具有可与人类智能相媲美的能力。人工智能技术将让我们无法区分由计算机生成的对话和人类生成的对话。
想想与现今的人工智能应用程序所发生的交互。个人助理，例如 Siri 或 Alexa，可能有点用，但仍然无法与人类之间的互动相媲美。在线辅助应用机器人非常令人失望。你只要问它一个现实一点问题，很快就会知道它有多“无脑”。
根据图灵的定义，人工智能尚不存在。纽约大学心理学和神经科学教授 Gary Marcus 说，
对人工智能的最大误解是“人们认为我们已经很接近人工智能了”
。
在现实世界中，我们确实有基于计算机驱动逻辑的实用应用程序。它们不会像人类一样思考，但可以快速而一致地做出决定，这些都是有价值的。这些应用程序促使机器能够完成实际的工作，例如标记潜在的欺诈性交易和驾驶汽车。
尽管这些技术有明显的局限性，但
公众和科技界都充斥着对人工智能不切实际的主张和期望。
这种主张带来了不安，也开始令人感到失望，非常失望。
Tom Davenport，巴布森信息技术与管理学院的教授，国际分析研究所的联合创始人，麻省理工学院数字经济倡议的研究员，以及德勤分析的高级顾问。
我们对国际分析研究所的年度趋势进行了预测，以下是一些要点：
-
企业越来越关注模型部署率——雷克斯数据科学调查报告显示，只有 10-15％的公司“几乎总是”部署分析模型，另外 50％的公司会“经常”部署，35％到 40％的公司只偶尔或很少成功部署分析模型。一些企业表示他们的成功部署率低于 10％。当然，未部署的分析模型是没有经济价值的。
企业需要在 2019 年提高部署率。
-
公民数据科学家和商业分析师将继续存在。图形和基于搜索的分析的兴起和数据科学领域日益自动化的机器学习意味着我们将看到业余爱好者参与大量的分析工作。这种趋势是不可抗拒的，所以要为他们提供支持，并做好保护工作。这也意味着量化从业人员要么转向高度复杂的建模工作，要么去了解业务问题并解决企业变更问题。
Carla Gentry，咨询数据科学家和 Analytical-Solution 的所有者。
2018 年是分析和数据科学的辉煌年，但我们也看到了人工智能、神经网络和机器学习的爆炸式增长。我们看到人工智能在医疗领域和警务方面的应用有所增加，无论是否存在偏见的危险。我认为有些人已经忘了在这些情况下数据和生活其实是融合在了一起，我们也将进一步期待可穿戴设备和物联网（Google Home、 Alexa 等）的发展。
2019 年，之前的流行语会继续存在，而且会出现更多，公司也将开始意识到神经网络需要成千上万或数百万的学习样本，更糟糕的是，每当你想要神经网络识别新类型的项目时，必须从开头开始训练（至少非常耗费时间）——人才是另一个问题，除了 Geoffrey Hinton、Yejin Choi 或 Yann LeCun，
真正的神经网络专家很少，所以不要指望招到大牛。
数据科学是关于如何收集数据的见解，在某些情况下，我们无法成为 AL、机器学习或神经网络专家，因此必须更加仔细地探索差异，新手将不得不重新学习，以便适应未来的科技竞争。我担心的是，缺乏对机器学习方式的真正理解以及如何在不受伤害的情况下使用人工智能将继续暴露出一些公司或算法的弱点。
让我们继续推进这些技术，但要明白，如果你搞砸了后果可能很严重！
Bob E. Hayes，Business over Broadway 的研究员、作家兼顾问、出版人，并拥有工业组织心理学博士学位。
数据科学和分析领域持续关注机器学习的所有方面，包括强化学习、聊天机器人及其对社会的影响。
2019 年，我预计
人们会越来越关注人工智能的道德规范，包括隐私和安全问题。
人们试图理解算法如何做出特定的决策，我们不仅需要知道机器学习有助于我们做出决策，而且要知道它是如何做出决策的。此外，美国公司将重点关注他们如何使用消费者的个人数据。加利福尼亚州通过了“加利福尼亚州消费者隐私法”（将于 2020 年 1 月生效），我希望其他州也会紧随其后。
我担心人工智能 / 机器学习在制造和传播假新闻方面的使用会有所增长。Deep Fakes 已经表明，人们可以轻松制作假视频，让视频中的人说他们没有说过的话或让他们做出不符合他们行为习惯的动作。
虽然可以通过训练营、MOOC 和大学等方式来学习数据科学，但我希望看到越来越多的人尝试通过分析的方式来教育非数据专业人员（例如管理人员和一线员工）。
Cassie Kozyrkov，Google Cloud 的首席决策工程师。喜欢统计学、人工智能、数据、双关语、艺术、科幻、戏剧、决策科学。
2018 年的主要进展之一是数据科学的民主化。云技术为资源密集型大数据和人工智能应用程序提供动力，人们不需要再使用 Kubeflow 等工具构建数据中心，从而为没有基础设施专业知识的人提供了可扩展的数据科学。这种让每个人都能获得数据科学工具的趋势将在 2019 年继续加速发展。
Doug Laney，Gartner 副总裁，杰出的分析师和首席数据官研究员，也是“Infonomics”的作者。
Gartner 的 2019 年数据和分析战略预测刚刚发布，从中可以看到企业战略明确提到了信息是关键的企业资产，而分析是不可或缺的能力。不只是 IT 战略中提到了这些，企业战略和计划中也提到了。
我们
期望数据扫盲计划会变得越来越普遍，
促进业务人员和数据分析专业人员之间的沟通，尤其是在分析需求变得越来越复杂时。随着流行病学原则和实践的采用，我们期望首席数据官更频繁地与他们的首席财务官合作，正确评估企业的信息资产。这样可以为我们的很多客户带来重要的信息管理和商业利益。但分析和数字伦理仍然是一个问题，我们相信企业将会为他们的数据科学团队引入专业行为准则。
我们预计在未来 3 到 5 年内，大多数新业务系统将采用基于实时上下文数据的连续智能，量子计算概念验证项目将大大超越现有的分析技术，增强和自动化的见解将取代绝大多数预建报告，位置分析的应用将增长 10 倍，机器学习将更容易招到数据科学家。
Gregory Piatetsky，KDnuggets 总裁，数据科学家，KDD 会议和 SIGKDD 联合创始人。
2018 年的主要进展：
-
GDPR 于 2018 年 5 月生效，不仅在欧洲，对于美国和其他地区来说也是一个重要的里程碑，很多公司都在更新其隐私政策。但是，在新的隐私政策的掩护下，消费者隐私是否会有实际改善还是一切照旧仍有待观察。
-
数据科学的民主化仍在继续，更多的工具提供了更广泛的数据科学见解。
-
人工智能风险：自动驾驶汽车的第一个死亡事故加剧了人们对人工智能不可避免的风险的关注。但自动驾驶汽车（和自动化人工智能）不应该被认为是一种零差错标准，我们需要将其与当前的风险相比。例如，人类驾驶也是非常危险的，2017 年仅在美国就有 37,000 人死于车祸。
2019 年的主要趋势：
-
数据科学自动化将继续加速发展，但数据科学家的工作至少在未来几年内不会完全自动化。
-
人工智能的进步和炒作：虽然人工智能的进步是真实的，但人工智能炒作的增长会比以往更甚。
-
中国已成为人工智能的主要参与者，很多中国公司正在进行自己的创新而不仅仅是跟随美国。
-
强化学习将在人工智能进步中发挥越来越重要的作用。例如，Montezuma Revenge Atari 游戏中的 RL 表现出了惊人的进展，打破了之前由计算机或人类创下的所有记录。
Bill Schmarzo，Hitachi Vantara 的首席技术官。
2018 年大数据、数据科学或分析的主要进展：
2019 年的主要趋势：
Kate Strachnyi，数据可视化专家，“The Disruptors: Data Science Leaders and Journey to Data Scientist”的作者，人类数据科学视频播客的主播。
2018 年数据科学和分析的主要进展：
-
通用数据保护条例（GDPR）：这项欧盟法规于 2018 年 5 月生效，提供了一套旨在让欧盟公民更好地控制其个人数据的规则，并鼓励其他地方也设置类似的标准。例如，加利福尼亚州通过了自己的数字隐私法，这让消费者能够了解组织正在收集哪些信息、收集数据的原因以及他们与谁共享这些数据。
-
自助式商业智能（BI）工具：BI 工具在数据分析师和业务分析师中变得越来越普遍。但是，目前尚不清楚这些工具的用户是否能够理解这些工具背后真正的含义。用户在这些工具中拖放字段，并创建图表，但不知道是否真正了解背后正在发生的事情。
2019 年的主要趋势：
