以下的回答來自 Meta Brown、Tom Davenport、Carla Gentry、Bob E Hayes、Cassie Kozyrkov、Doug Laney、Kate Strachnyi、Ronald van Loon、Favio Vazquez 和 Jen Underwood。這些專家所涉及的關鍵主題包括人工智能的進步（不管是真實的還是炒作的）、數據科學和分析的民主化（包括自助服務）、自動化（包括數據科學）、GDPR、人工智能風險、實時分析，等等。

Meta Brown，A4A Brown 公司總裁及“Data Data for Dummies”的作者。

2018 年的熱門主題是人工智能。

近來，人工智能方面的演講可能比其他任何一個分析應用都要多。可惜的是，大部分演講都沒有多大意義。

計算機先驅 Alan Turing 設想的計算機具有可與人類智能相媲美的能力。人工智能技術將讓我們無法區分由計算機生成的對話和人類生成的對話。

想想與現今的人工智能應用程序所發生的交互。個人助理，例如 Siri 或 Alexa，可能有點用，但仍然無法與人類之間的互動相媲美。在線輔助應用機器人非常令人失望。你只要問它一個現實一點問題，很快就會知道它有多“無腦”。

根據圖靈的定義，人工智能尚不存在。紐約大學心理學和神經科學教授 Gary Marcus 說，對人工智能的最大誤解是“人們認為我們已經很接近人工智能了”。

在現實世界中，我們確實有基于計算機驅動邏輯的實用應用程序。它們不會像人類一樣思考，但可以快速而一致地做出決定，這些都是有價值的。這些應用程序促使機器能夠完成實際的工作，例如標記潛在的欺詐性交易和駕駛汽車。

盡管這些技術有明顯的局限性，但公眾和科技界都充斥著對人工智能不切實際的主張和期望。這種主張帶來了不安，也開始令人感到失望，非常失望。

Tom Davenport，巴布森信息技術與管理學院的教授，國際分析研究所的聯合創始人，麻省理工學院數字經濟倡議的研究員，以及德勤分析的高級顧問。

我們對國際分析研究所的年度趨勢進行了預測，以下是一些要點：

1.企業越來越關注模型部署率——雷克斯數據科學調查報告顯示，只有 10-15％的公司“幾乎總是”部署分析模型，另外 50％的公司會“經常”部署，35％到 40％的公司只偶爾或很少成功部署分析模型。一些企業表示他們的成功部署率低于 10％。當然，未部署的分析模型是沒有經濟價值的。企業需要在 2019 年提高部署率。

2.公民數據科學家和商業分析師將繼續存在。圖形和基于搜索的分析的興起和數據科學領域日益自動化的機器學習意味著我們將看到業余愛好者參與大量的分析工作。這種趨勢是不可抗拒的，所以要為他們提供支持，并做好保護工作。這也意味著量化從業人員要么轉向高度復雜的建模工作，要么去了解業務問題并解決企業變更問題。

Carla Gentry，咨詢數據科學家和 Analytical-Solution 的所有者。

2018 年是分析和數據科學的輝煌年，但我們也看到了人工智能、神經網絡和機器學習的爆炸式增長。我們看到人工智能在醫療領域和警務方面的應用有所增加，無論是否存在偏見的危險。我認為有些人已經忘了在這些情況下數據和生活其實是融合在了一起，我們也將進一步期待可穿戴設備和物聯網（Google Home、 Alexa 等）的發展。

2019 年，之前的流行語會繼續存在，而且會出現更多，公司也將開始意識到神經網絡需要成千上萬或數百萬的學習樣本，更糟糕的是，每當你想要神經網絡識別新類型的項目時，必須從開頭開始訓練（至少非常耗費時間）——人才是另一個問題，除了 Geoffrey Hinton、Yejin Choi 或 Yann LeCun，真正的神經網絡專家很少，所以不要指望招到大牛。

數據科學是關于如何收集數據的見解，在某些情況下，我們無法成為 AL、機器學習或神經網絡專家，因此必須更加仔細地探索差異，新手將不得不重新學習，以便適應未來的科技競爭。我擔心的是，缺乏對機器學習方式的真正理解以及如何在不受傷害的情況下使用人工智能將繼續暴露出一些公司或算法的弱點。

讓我們繼續推進這些技術，但要明白，如果你搞砸了后果可能很嚴重！

Bob E. Hayes，Business over Broadway 的研究員、作家兼顧問、出版人，并擁有工業組織心理學博士學位。

數據科學和分析領域持續關注機器學習的所有方面，包括強化學習、聊天機器人及其對社會的影響。

2019 年，我預計人們會越來越關注人工智能的道德規范，包括隱私和安全問題。人們試圖理解算法如何做出特定的決策，我們不僅需要知道機器學習有助于我們做出決策，而且要知道它是如何做出決策的。此外，美國公司將重點關注他們如何使用消費者的個人數據。加利福尼亞州通過了“加利福尼亞州消費者隱私法”（將于 2020 年 1 月生效），我希望其他州也會緊隨其后。

我擔心人工智能 / 機器學習在制造和傳播假新聞方面的使用會有所增長。Deep Fakes 已經表明，人們可以輕松制作假視頻，讓視頻中的人說他們沒有說過的話或讓他們做出不符合他們行為習慣的動作。

雖然可以通過訓練營、MOOC 和大學等方式來學習數據科學，但我希望看到越來越多的人嘗試通過分析的方式來教育非數據專業人員（例如管理人員和一線員工）。

Cassie Kozyrkov，Google Cloud 的首席決策工程師。喜歡統計學、人工智能、數據、雙關語、藝術、科幻、戲劇、決策科學。

2018 年的主要進展之一是數據科學的民主化。云技術為資源密集型大數據和人工智能應用程序提供動力，人們不需要再使用 Kubeflow 等工具構建數據中心，從而為沒有基礎設施專業知識的人提供了可擴展的數據科學。這種讓每個人都能獲得數據科學工具的趨勢將在 2019 年繼續加速發展。

Doug Laney，Gartner 副總裁，杰出的分析師和首席數據官研究員，也是“Infonomics”的作者。

Gartner 的 2019 年數據和分析戰略預測剛剛發布，從中可以看到企業戰略明確提到了信息是關鍵的企業資產，而分析是不可或缺的能力。不只是 IT 戰略中提到了這些，企業戰略和計劃中也提到了。

我們期望數據掃盲計劃會變得越來越普遍，促進業務人員和數據分析專業人員之間的溝通，尤其是在分析需求變得越來越復雜時。隨著流行病學原則和實踐的采用，我們期望首席數據官更頻繁地與他們的首席財務官合作，正確評估企業的信息資產。這樣可以為我們的很多客戶帶來重要的信息管理和商業利益。但分析和數字倫理仍然是一個問題，我們相信企業將會為他們的數據科學團隊引入專業行為準則。

我們預計在未來 3 到 5 年內，大多數新業務系統將采用基于實時上下文數據的連續智能，量子計算概念驗證項目將大大超越現有的分析技術，增強和自動化的見解將取代絕大多數預建報告，位置分析的應用將增長 10 倍，機器學習將更容易招到數據科學家。

Gregory Piatetsky，KDnuggets 總裁，數據科學家，KDD 會議和 SIGKDD 聯合創始人。

2018 年的主要進展：

1.GDPR 于 2018 年 5 月生效，不僅在歐洲，對于美國和其他地區來說也是一個重要的里程碑，很多公司都在更新其隱私政策。但是，在新的隱私政策的掩護下，消費者隱私是否會有實際改善還是一切照舊仍有待觀察。

2.數據科學的民主化仍在繼續，更多的工具提供了更廣泛的數據科學見解。

3.人工智能風險：自動駕駛汽車的第一個死亡事故加劇了人們對人工智能不可避免的風險的關注。但自動駕駛汽車（和自動化人工智能）不應該被認為是一種零差錯標準，我們需要將其與當前的風險相比。例如，人類駕駛也是非常危險的，2017 年僅在美國就有 37,000 人死于車禍。

2019 年的主要趨勢：

1.數據科學自動化將繼續加速發展，但數據科學家的工作至少在未來幾年內不會完全自動化。

2.人工智能的進步和炒作：雖然人工智能的進步是真實的，但人工智能炒作的增長會比以往更甚。

3.中國已成為人工智能的主要參與者，很多中國公司正在進行自己的創新而不僅僅是跟隨美國。

4.強化學習將在人工智能進步中發揮越來越重要的作用。例如，Montezuma Revenge Atari 游戲中的 RL 表現出了驚人的進展，打破了之前由計算機或人類創下的所有記錄。

Bill Schmarzo，Hitachi Vantara 的首席技術官。

2018 年大數據、數據科學或分析的主要進展：

1.業務利益相關者越來越意識到機器學習和深度學習對業務變化的潛在影響。

2.數據湖仍然是一個被錯配的資產。太多的企業將數據湖視為替代昂貴的數據倉庫和 ETL 的一種方式，但并沒有完全理解數據湖作為協作創造平臺的價值，業務利益相關者和數據科學團隊可以圍繞這些平臺創造商業價值。

2019 年的主要趨勢：

1.對于領先的企業而言，大數據和數據科學計劃將轉向業務驅動，而不是 IT 驅動。商業領袖將可以識別、驗證、審查、評估和優先考慮業務領域，大數據、物聯網和數據科學（機器學習、深度學習、人工智能）可以在這些領域推動業務產出。

2.領先的企業不僅僅是使用數據科學來優化關鍵業務和運營流程，他們還將意識到隱藏在數據中的客戶、產品和運營見解是新貨幣化機會的驅動因素。

Kate Strachnyi，數據可視化專家，“The Disruptors: Data Science Leaders and Journey to Data Scientist”的作者，人類數據科學視頻播客的主播。

2018 年數據科學和分析的主要進展：

1.通用數據保護條例（GDPR）：這項歐盟法規于 2018 年 5 月生效，提供了一套旨在讓歐盟公民更好地控制其個人數據的規則，并鼓勵其他地方也設置類似的標準。例如，加利福尼亞州通過了自己的數字隱私法，這讓消費者能夠了解組織正在收集哪些信息、收集數據的原因以及他們與誰共享這些數據。

2.自助式商業智能（BI）工具：BI 工具在數據分析師和業務分析師中變得越來越普遍。但是，目前尚不清楚這些工具的用戶是否能夠理解這些工具背后真正的含義。用戶在這些工具中拖放字段，并創建圖表，但不知道是否真正了解背后正在發生的事情。

2019 年的主要趨勢：

1.數據道德與隱私：將更加注重在數據科學過程的每一個步驟考慮數據的道德與隱私問題。那些使用數據的人需要了解他們擁有強大的權力，需要考慮他們的工作將產生的影響。隨著世界變得越來越數字化，個人、公司和政府越來越關注這方面的問題。

2.過程自動化：公司將繼續實現流程自動化，以降低成本和提高效率。這種自動化還可能導致負責執行自動化過程的個人失業。人們需要專注于學習需求不斷增長的新技能，以便在瞬息萬變的環境中保持最佳狀態。

Ronald van Loon，Adversitement 總監，幫助數據驅動型公司取得成功。大數據、數據科學、物聯網、人工智能領域十大最具影響力人物之一。

2018 年，隨著公司利用各種數據源來獲得值得信賴的見解，端到端數據管理也在不斷發展，在分析成熟度上升的同時支持與數字經濟保持一致的基礎設施和業務模式。機器學習被廣泛接受，因為所有的軟件供應商都通過特定于領域的解決方案將機器學習嵌入到應用程序中。

在 2019 年，將有更多集成的硬件和軟件框架，提供更復雜的方法來支持更高水平的深度學習應用程序，這些應用程序將進一步促進創新。深度學習應用程序需要借助全面優化的硬件和軟件技術棧來推廣新的現代人工智能架構。我們將看到這種全棧式方法在各個領域中的崛起，以滿足不斷增長的對最佳深度學習性能和能力的需求。

隨著物聯網設備的增長，實時邊緣分析將呈指數級增長，這讓實時分析變得更加容易，并可以基于實時見解進一步加強即時響應。

Favio Vazquez，Ciencia y Datos 的數據科學家、物理學家兼計算工程師。

對于數據科學來說，2018 年是令人驚嘆的一年，這個領域在理論和實踐方面取得了巨大進步，提出了幾種數學科學方法，有助于將數據科學轉化為真正的科學。機器學習（ML）、AutoML 進展非常巨大，其中也包括自動深度學習。

2019 年的主要趨勢：

1.AutoX：我們將看到越來越多的公司開發并將其包含在他們的自動機器學習和深度學習的技術棧和庫中。這里的 X 表示這些自動工具可以是數據攝取、數據集成、數據清理、探索和部署工具。

2.語義技術：今年對我來說最有趣的發現是數據科學和語義之間的關系。它并非數據世界的新生事物，但我看到更多人對語義、本體、知識圖譜及其與數據科學和 ML 之間的聯系感興趣。

3.更少的編程：這是一件很難說清楚的事情，但在數據科學流程每個步驟幾乎都包含了自動化，所以編程會越來越少。我們將擁有用于創建代碼的工具，這些工具將會理解我們對 NLP 的需求，然后將其轉換為查詢、語句和完整的程序。我認為編程仍然是一項非常重要的學習內容，但很快就會變得更容易掌握。

4.數字教育：這方面的趨勢每年都在增長，但明年我們將看到更多的人進入 MOOC、數字課程、在線課程。有人將其稱為“教育民主化”，我在很大程度上也贊同這種說法，但我還是需要向這些人提出警告：小心你所看到的以及你的學習方式，在這些課程上面投入時間和金錢之前請先做一番調查，好的課程將讓你的生活變得更好，但其他的可能會給你帶來風險。

Jen Underwood，DataRobot 的高級總監，也是 Impact Analytix 的創始人。

人工智能炒作和轉型影響在 2018 年無處不在。幾年前，大數據風靡一時，然后是云計算，現在是機器學習占據了主導地位。人工智能在機器人和商業智能解決方案中得到了廣泛應用。現今的啤酒甚至也是人工智能驅動的。

今年，我們也看到了自動化市場動力的激增。如今，很多機器學習解決方案都在推動由人工引導的自動數據分析，以便在整個項目生命周期中實現更深入的自動化機器學習（AutoML）。從簡單的拖放、通過按鈕單擊向導創建基本模型到復雜的特征工程、模型搜索、超參數調整、部署、模型管理和監控，AutoML 的功能差異很大——結果的質量也存在巨大差異。

2019 年，關于監管公民數據科學、隱私、偏見、道德和 Deep Fake 方面的擔憂將考驗我們對人工智能的信心。區塊鏈等創新技術將開始改變我們存儲、共享和跟蹤數據的方式。我還期望能夠更多地強調非數據科學家能夠理解、解釋和信任的人工智能。目前在將數據科學家的術語翻譯成其他人能夠理解的公共語言方面還存在巨大差距。隨著企業在不完美的世界中采用人工智能，同時公民數據科學家也在不斷增加，更多的人需要盡快成為數據識別者，以避免人工智能出錯。