来源：CPDA数据分析师网 / 作者：数据君
这意味着组织将需要寻找新的，更复杂的自动化机器学习平台
工具将需要提供端到端的自动化，从自动创建和评估数千个功能（基于AI的功能工程）到ML和AI模型的操作化-以及介于两者之间的所有步骤，向自动化的转变将加强对隐私和法规的关注，创建AI和ML模型变得更加容易，数据科学家和公民数据科学家将开始以创纪录的数量扩大ML和AI模型的生产，这意味着组织将需要特别注意数据收集，维护和隐私监督，以确保创建新的复杂模型不会违反隐私法律或对消费者造成隐私问题，到2020年我们将看到新工具的出现，这些新工具将使数据科学家在不牺牲准确性的前提下拥有更大的透明度，向数据科学的“白盒”方法的这种转变将提供更加透明和准确的模型，从而使企业能够做出以数据为中心的决策并加速其数字化转型。
更多从事数据科学工作的公民数据科学家
随着对熟练数据科学家的需求不断增加以及数据科学人才的持续短缺，大数据在2020年将继续处于高潮中-这对实施AI和ML计划的企业造成了持续的挑战，尽管ML平台减轻了数据科学团队的一些压力，但并未导致组织从AI和ML计划中寻求的生产率提高，因此公司需要更好的解决方案来帮助他们利用数据获取业务见解，我们将迅速采用新的，更广泛的“全周期”数据科学平台，这将大大简化以前只能由数据科学家完成的任务，并提高公民数据科学家（业务分析师和其他人员）的工作效率具有领域专业知识但不一定是熟练的数据科学家的数据专家，这种持续的民主化将导致更接近业务用户需求的新用例，并将加快企业中AI应用程序的上市时间。
现在该重新关注数据科学和数据分析了
明年将是重新调整数据科学和数据分析工作重点以增加收入并提高核心效率的最佳时机，一家软件初创公司每周都会联系我多次，承诺会提供一个新平台，该平台将使我能够利用AI解决业务挑战并把握新机遇，听起来有点熟？这是否表明AI在日常公司中处于炒作高峰，还是仅仅是许多公司仍在努力部署对业务有真正底线影响的分析和数据科学解决方案？
公司知道他们应该在人工智能上进行投资，许多公司已经花费了数百万美元，却没有取得明显的成果，通常在承受压力以证明他们正在投资“未来技术”而不只是同一个旧的传统平台上时，企业会花费大量资金并组建数据科学团队。不幸的是，这些团队通常与业务的复杂动力缺乏联系，他们处理的项目无法产生真正的ROI。对快速获胜的渴望可能导致数据科学从业人员分析“垂头丧气的果实”，不幸的是，错过了对企业产生较大影响的机会。
随着经济放缓迹象和许多行业利润率压力的迹象，我们将看到公司重新调整其数据科学和数据分析工作的重点，以增加收入并提高核心效率，我可以看到两个大趋势：
1、越来越重视数据可视化
2、专注于生产数据分析功能
数年来，数据可视化一直是热门趋势
幸运的是，对于我们来说，商业智能工具正在不断改进，现在，大多数平台都有开放的市场，可以为数据分析专业人员提供行业特定的实用程序。随着越来越多的非数据业务负责人对数据科学应用产生兴趣，使用数据可视化来介绍业务案例将变得越来越关键，因此数据可视化和商业智能工具一直是我组织技术学习工作的重点领域，在金融市场和投资行业中，对流数据和非结构化数据源的考虑增加了这种趋势的复杂性，作为数据专业人员，即使您在内部IT商店工作，也要使自己对信息设计的模式和技术有所了解，有效地图形表示数据和模型产生的见解对于说服首席执行官或首席运营官采取行动至关重要，另外考虑从公司数字团队的用户体验设计师那里抽出一些时间来从事您正在从事的最重要的数据分析项目。
CPDA数据分析师
自动化与管道
无论您是使用可靠的统计方法进行数据分析，还是尝试使用最新的机器学习算法，都可以通过自信地重复运行模型来提高模型的潜在影响，因此，我预计的另一个趋势是增加对自动化和管道的投资，以支持数据分析环境，随着公司希望通过其数据分析程序获利，许多公司将重点从研究方向转移到生产运营，为了取得成功，公司将采用数据流水线技术来支持提取，清理，聚合和质量控制。如果您使用敏感或受管制的数据，则别无选择，只能推进数据管理操作，与个人身份信息有关的法规在不断扩大。
为了应对这一转变，请考虑将您的数据科学家与具有连续集成和部署管道经验的软件工程师配对
如果您尚未考虑针对数据资产的云策略，那么现在可能是合适的时机，有大量相关工具可用于管理在云环境中本机运行的数据管道，将成为您在数据分析和数据科学方面做出更多贡献的一年吗？通过确保您可以在数据可视化的帮助下交流价值并通过管道和自动化有效地运行解决方案，来增加成功的可能性。
