2024 年人工智能和数据科学的五个主要趋势

数据科学工厂

引言

2023年，人工智能和数据科学登上了新闻头条。生成性人工智能的兴起无疑是这一显著提升曝光度的驱动力。那么，在2024年，该领域将如何继续占据头条，并且这些趋势又将如何影响企业的发展呢？

在过去几个月，我们对数据和技术领域的高层管理人员进行了三次调查。两次调查对象是麻省理工学院首席数据官和信息质量研讨会的参与者，分别由亚马逊网络服务（AWS）和Thoughtworks赞助。第三次调查由Wavestone公司执行，该公司前身为NewVantage Partners，我们之前也曾报道过他们的年度调查。这些调查共涵盖了500多名高层管理人员，尽管参与者可能存在一定程度的重叠。

虽然调查不能预知未来，但它们确实反映了那些与公司数据科学和人工智能战略及项目密切相关的人士的思考和行动。根据这些数据高管的观点，以下是五个值得你特别关注的发展趋势：

1. 生成性AI的光辉与价值交付

• 现状：生成性AI吸引了大量商业和消费者关注，但其对组织的经济价值尚未大规模实现。
• 调查结果：尽管对技术的热情高涨，但大多数公司仍处于试验阶段，只有少数公司实现了生产应用。
• 未来：生产部署将需要更多的投资和组织变革，包括业务流程的重新设计和员工技能的更新。

2. 数据科学从手工艺向工业化转变

• 现状：公司需要加速数据科学模型的生产，投资于平台、流程、方法论、特征存储、机器学习运维（MLOps）系统等工具。
• MLOps：监控机器学习模型的状态，确保预测准确性，必要时进行重新训练。
• 生产力提升：通过自动化和现有数据集、特征或模型的重用来提高数据科学生产力。

3. 数据产品的两种模式将占主导

• 数据产品定义：将数据、分析和AI封装在软件产品中，由数据产品经理从概念到部署进行管理。
• 两种观点：
  • 包括分析和AI能力在内的数据产品。
  • 将分析和AI视为与数据产品不同的独立实体。

4. 数据科学家角色的转变

• 现状：数据科学家的需求减少，因为相关角色的扩散和公民数据科学的兴起。
• 公民数据科学：具备量化能力的商业人士自行创建模型或算法，使用AutoML和高级数据分析工具。
• 专业数据科学家：尽管角色需求减少，但在开发新算法或解释复杂模型方面仍然不可或缺。

5. 数据、分析和AI领导者宣布独立

• 现状：组织减少技术和数据“首席”职位的扩散，数据和分析职能越来越多地被更广泛的技术、数据和数字化转型职能所吸收。
• 超级技术领导者：通常向CEO报告，负责管理数据和分析职能，需要具备高度的商业导向。

微信扫一扫分享文章