请选择 进入手机版 | 继续访问电脑版
 找回密码
 立即注册
搜索

2024年人工智能和数据科学的五大关键趋势

lyyszd 2024-1-18 09:20:43 显示全部楼层 阅读模式
2023年,人工智能和数据科学成为了头条新闻,推动这一趋势的当然是生成性AI的崛起。那么,2024年这个领域可能会发生什么,使其继续保持在头条位置?这些趋势将如何真正影响企业?
在过去几个月里,我们对数据和技术高管进行了三次调查。其中两次是在麻省理工学院首席数据官及信息质量研讨会上进行的——一次由亚马逊网络服务(AWS)赞助,另一次由Thoughtworks赞助(尚未发布)。第三次调查是由Wavestone(前身为NewVantage Partners)进行的,我们过去也曾撰文介绍过他们的年度调查。总共有超过500名高级执行官参与了这些新调查,可能有一些参与者重复参加。
《领导AI和数据》月刊洞察
了解人工智能如何影响你的组织,以及这对你的公司和客户意味着什么。
你的邮箱是什么? 注册 隐私政策
调查虽然不能预测未来,但它们确实表明了那些最接近公司数据科学和AI战略及项目的人们正在思考和做什么。根据这些数据高管的说法,以下是五大发展问题,值得你密切关注:

  • 生成性AI引人注目,但需要交付价值。 正如我们所提到的,生成性AI吸引了大量的商业和消费者关注。但它真的为采用它的组织带来了经济价值吗?调查结果表明,尽管对这项技术的兴奋程度很高,但价值大多尚未交付。大比例的受访者认为生成性AI具有变革性潜力;AWS调查的80%的受访者认为它将改变他们的组织,而Wavestone调查的64%的受访者认为它是一代人中最具变革性的技术。大多数调查参与者还在增加对这项技术的投资。然而,大多数公司仍然只是在个人或部门层面上进行试验。在AWS调查中,只有6%的公司有任何生成性AI的生产应用,而在Wavestone调查中,只有5%的公司有任何大规模的生产部署。
调查表明,尽管对生成性AI的兴奋程度很高,但价值大多尚未交付。
生成性AI的生产部署当然需要更多的投资和组织变革,而不仅仅是实验。业务流程需要重新设计,员工需要重新培训(或者,在少数情况下,被生成性AI系统取代)。新的AI能力需要整合到现有的技术基础设施中。
或许最重要的变化将涉及数据——策划非结构化内容,提高数据质量,整合多元化的数据来源。在AWS调查中,93%的受访者同意数据战略对于从生成性AI中获得价值至关重要,但57%的受访者迄今为止还没有对他们的数据做出任何改变。

  • 数据科学正在从手工艺向工业化转变。 公司感受到需要加速数据科学模型的生产。曾经是一种手工艺的活动,现在变得越来越工业化。公司正在投资于平台、流程和方法论、特征存储、机器学习操作(MLOps)系统和其他工具,以提高生产力和部署率。MLOps系统监控机器学习模型的状态,并检测它们是否仍然在准确预测。如果不是,这些模型可能需要用新数据重新训练。
生产数据模型——曾经是一种手工艺的活动——正在变得越来越工业化。
这些能力大多来自外部供应商,但一些组织现在正在开发自己的平台。尽管自动化(包括我们下面讨论的自动化机器学习工具)正在帮助提高生产力和促进更广泛的数据科学参与,但提高数据科学生产力的最大好处可能是重用现有的数据集、特征或变量,甚至是整个模型。

  • 数据产品的两个版本将占主导地位。 在Thoughtworks调查中,80%的数据和技术领导者表示,他们的组织正在使用或考虑使用数据产品和数据产品管理。所谓的数据产品,是指将数据、分析和AI打包成一个软件产品提供给内部或外部客户。它由数据产品经理从概念到部署(及持续改进)进行管理。数据产品的例子包括推荐系统,指导客户下一步购买什么产品,以及为销售团队提供的定价优化系统。
但组织对数据产品的看法有两种不同的方式。接近一半(48%)的受访者表示,他们将分析和AI能力包含在数据产品的概念中。大约30%的人认为分析和AI与数据产品是分开的,而且可能仅将这个术语用于可重用的数据资产。只有16%的人表示他们根本不认为分析和AI在产品背景下有意义。
我们稍微倾向于将分析和AI包含在数据产品定义中,因为这是数据被利用的方式。但真正重要的是,组织在定义和讨论数据产品时保持一致。如果一个组织更倾向于结合“数据产品”和“分析和AI产品”,那也可以很好地运作,这个定义保留了产品管理的许多积极方面。但如果没有对定义的明确,组织可能会对产品开发者究竟要交付什么感到困惑。

  • 数据科学家将变得不那么性感。 数据科学家曾被称为“独角兽”和21世纪最性感的工作,因为他们能够成功地完成数据科学项目的所有方面,但他们的明星光环正在消退。数据科学领域的一些变化正在产生替代方法来管理工作的重要部分。其中一个变化是相关角色的增加,这些角色可以解决数据科学问题的一部分。这些不断扩大的专业人员包括数据工程师来处理数据、机器学习工程师来扩展和整合模型、翻译者和连接者与商业利益相关者合作,以及数据产品经理来监督整个计划。
减少对专业数据科学家需求的另一个因素是公民数据科学的兴起,即具有定量分析能力的商业人士自己创建模型或算法。这些个体可以使用自动化机器学习(AutoML)等工具来完成大部分繁重的工作。对公民来说,更有帮助的是ChatGPT中提供的一项名为“高级数据分析”的建模功能。通过简短的指令和上传的数据集,它几乎可以处理模型创建过程的每个阶段,并解释其行动。
当然,数据科学的许多方面仍然需要专业数据科学家。例如,开发全新的算法或解释复杂模型的工作方式是仍然存在的任务。这个角色仍然是必要的,但可能不像以前那样重要了——也没有了同样程度的权力和光彩。

  • 数据、分析和AI领导者的独立性在减弱。 去年,我们开始注意到,越来越多的组织在削减技术和数据“首席”职位的增长,包括首席数据和分析官(有时还包括首席AI官)。尽管CDO/CDAO角色在公司中变得越来越普遍,但它长期以来一直被短暂任期和职责不明所困扰。我们并未看到数据和分析高管执行的职能消失;相反,这些职能越来越多地被纳入更广泛的技术、数据和数字化转型职能中,由通常向CEO汇报的“超级技术领导者”管理。这一角色的头衔包括首席信息官、首席信息和技术官、首席数字和技术官;现实世界中的例子包括TIAA的Sastry Durvasula、First Group的Sean McCormack和Travelers的Mojgan Lefebvre。
Thomas H. Davenport 和 Randy Bean 这种C级职位的演变是Thoughtworks调查的主要关注点,87%的受访者(主要是数据领导者,但也有一些技术高管)同意,他们的组织中的人们对于向何处寻求数据和技术相关服务和问题感到完全、在很大程度上或有些困惑。许多C级高管表示,他们与本组织内的其他技术导向领导者的协作相对较低,79%的人同意,他们的组织过去因缺乏协作而受到阻碍。
我们相信,在2024年,我们将看到更多这样的综合技术领导者,他们拥有从向他们汇报的数据和技术专业人员那里创造价值的所有能力。他们仍然需要强调分析和AI,因为这是组织理解数据并为员工和客户创造价值的方式。最重要的是,这些领导者需要高度商业化,能够与高级管理同事讨论战略,并能将其转化为使该战略成为现实的系统和洞察。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册