數據科學領域新的功能不斷發展，并滲透到每個行業。隨著全球各組織開始數字化轉型，2019年出現了更多公司利用數據做出更好決策的趨勢。這里我們看一下預計在2020年會起飛的數據科學新趨勢。

[[286552]]

2019年是數據科學領域重要的一年 。 全世界各行各業的公司都在經歷著數字化轉型，企業中的傳統業務流程，例如招聘、營銷、定價、戰略等，都通過數字科技的運用使其效率提高了10倍以上。 數據科學已成為數字化轉型不可或缺的組成部分。使用數據科學，組織不再需要根據預感、猜測或小型調查做出重要決策。取而代之的是，他們正在分析大量真實數據，以根據真實的、數據驅動的事實做出決策。這就是數據科學的全部意義所在——通過數據創造價值。

根據Google搜索趨勢，在過去5年中將數據集成到核心業務流程中的趨勢已經顯著增長了四倍以上。

數據為公司提供了超越競爭對手的巨大優勢。有了更多的數據和更好的數據科學家來使用它，公司可以獲取其競爭對手甚至可能不知道的市場信息，它已成為數據或滅亡的游戲。

過去5年Google搜索“數據科學”趨勢

在當今不斷發展的數字世界中，要在競爭中保持領先地位需要不斷的創新。專利已經過時，而敏捷方法論(譯者注：也稱輕量級方法，它是一組開發方法的統稱)和快速捕捉新趨勢非常重要。

組織不能再依靠其堅如磐石的舊方法。如果出現諸如數據科學、人工智能、區塊鏈之類的新趨勢，則需要預先進行預測并迅速適應。

以下是2020年最熱門的4種數據科學趨勢。這些趨勢已在今年引起了越來越多企業的興趣，并將在2020年繼續增長。

(1)數據科學自動化

即便在當今的數字時代，數據科學仍然需要大量的手工作業。存儲、清理、可視化和探索數據，最后對數據進行建模以獲得實際結果。這些手工作業正在尋求自動化，于是數據科學自動化和機器學習已然興起 。

數據科學流程的幾乎每個步驟都已經或正在變得自動化。

在過去的幾年中，自動數據清理已被廣泛研究。清理大數據通常會占用數據科學家的大部分昂貴時間，初創公司和大型公司(例如IBM)都提供了用于數據清理的自動化操作和工具。

數據科學的另一大部分(稱為特征工程)已遭受重大沖擊。Featuretools(譯者注：可自動構造機器學習特征的Python庫)提供了自動特征工程的解決方案。最重要的是，諸如卷積和遞歸神經網絡之類的現代深度學習技術無需手動特征設計即可學習其自身的特征。

最重要的自動化發生在機器學習領域。Data Robot和H2O已在行業通過提供終端到終端的機器學習平臺，使數據科學家對數據管理和模型更容易掌握，從而確立了自己地位。

用于自動模型設計和訓練的AutoML在2019年也蓬勃發展，因為這些自動模型已經超越了較新的技術。尤其是Google，正在Cloud AutoML上投入重金。

總的來說，公司在構建和購買用于自動化數據科學的工具和服務方面進行了大量投資，只要能讓這個過程更便宜、更容易。同時，這種自動化還適合規模較小和技術含量較低的組織，這些組織可以利用這些工具和服務來使用數據科學，而無需建立自己的團隊。

(2)數據隱私與安全

隱私和安全始終是技術領域中的敏感話題。所有公司都希望快速發展和創新，但是失去客戶對隱私或安全問題的信任可能是致命的。因此，他們被迫將其作為優先事項，至少要做到不泄漏私人數據。

在過去的一年中，數據隱私和安全性已成為一個令人難以置信的熱門話題，因為巨大的公共黑客事件使這一問題更加嚴重。就在最近的2019年11月22日，在Google Cloud上發現了一個沒有安全性的公開服務器。該服務器包含12億條個人信息，包括姓名，電子郵件地址，電話號碼以及LinkedIn和Facebook個人資料信息。聯邦調查局也介入調查，它是有史以來較大的數據泄露事件之一。

它是在任何人都可以創建的Google Cloud服務器上。數據如何到達那里?它屬于誰?誰要為該數據的安全性負責?

雖然大家看到這個新聞之后不會刪除他們的LinkedIn和Facebook帳戶，但是確實引起了一些關注。消費者越來越關注將電子郵件地址和電話號碼提供給了誰。

能夠保證客戶數據私密性和安全性的公司會發現，他們說服客戶(通過繼續使用其產品和服務)向他們提供更多數據會更加容易。如果政府制定了任何要求為客戶數據提供安全協議的法律，這些公司還應該確保自己已經做好了充分的準備。所以，許多公司選擇SOC2隱私性原則(譯者注：美國注冊會計師協會(AICPA) 制定的隱私保護審計標準)來證明其安全強度。

整個數據科學過程都由數據推動，但其中大多數不是匿名的。數據不僅代表原始數字，而且描述真實的人和真實的事物。如果使用不當，這些數據可能會助長全球隱私災難，并影響人們的日常生活。

隨著數據科學的發展，我們還將看到圍繞數據的隱私和安全協議的轉變。其中包括流程、法律以及建立和維護數據安全性和完整性的不同方法。如果網絡安全成為今年的流行語，也不足為奇。

(3)云中的超大型數據科學

多年以來，數據科學已經從一個小眾市場發展成為為完整的領域，可用于分析的數據也呈爆炸式增長，組織正在收集和存儲比以往更多的數據。

一家典型的財富500強公司可能需要分析的數據量已經遠遠超出了個人計算機的處理能力。像樣的個人電腦可能具有64GB的內存、8核CPU和4TB的存儲空間。這對于個人項目來說效果很好，但是當您在一家擁有數百萬客戶數據的跨國公司(例如銀行或零售商)工作時，效果就不那么理想了。

所以，云計算進入數據科學領域。云計算使任何地方的任何人都可以訪問幾乎無限的處理能力。諸如Amazon Web Services(AWS)之類的云供應商提供了多達96個虛擬CPU內核和高達768GB的內存。可以將這些服務器設置在一個自動擴展組中，按所需的計算能力啟動或停止數百個服務器而不會產生太多延遲。

Google Cloud數據中心

除了計算之外，云計算公司還為數據分析提供了完善的平臺。Google Cloud提供了一個稱為BigQuery的平臺，該平臺是無服務器計算(譯者注：Serverless是一種構建和管理基于微服務架構的完整流程)且可擴展的數據倉庫，使數據科學家能夠在單個平臺上存儲和分析PB級的數據。BigQuery也可以連接到其他用于數據科學的谷歌云服務。使用Cloud Dataflow創建數據流傳輸管道，使用Cloud DataProc在數據上運行Hadoop或Apache Spark，或使用BigQuery ML在龐大的數據集上構建機器學習模型。

從數據到處理能力的一切都在增長，隨著數據科學的成熟和數據量更加巨大，我們最終可能會完全在云上完成數據科學。

(4)自然語言處理

在深度學習研究領域取得重大突破之后，自然語言處理(NLP)已牢固地進入數據科學領域。

數據科學最初是對純原始數據的分析，因為這是處理數據并將其收集在電子表格中最簡單的方法。如果需要處理任何類型的文本，通常都需要將其分類或以某種方式轉換為數字。

然而，將一段文本壓縮為一個數字是非常困難的。自然語言和文本包含了豐富的數據和信息，由于缺乏將這些信息表示為數字的能力，因此我們常常會失去很多有用的信息。

深度學習在NLP中取得的巨大進步推動了NLP與常規數據分析的全面集成。現在，神經網絡可以快速地從大量文本中提取信息。他們能夠將文本分為不同的類別、確定關于文本的情感、并對文本數據的相似性進行分析。最后，所有這些信息都可以存儲在單個數字特征向量中。

NLP已成為數據科學中的強大工具。巨大的文本數據存儲，不僅可以是一個單詞的答案，還可以包含完整的段落，可以轉換為數值數據以進行標準分析。現在，我們可以探索更為復雜的數據集。

例如，假設有一個新聞網站想要查看哪些主題正在獲得更多的觀看次數。如果沒有高級的NLP，那么所有關鍵詞都將失去作用，或者只是一個預感：為什么一個特定的標題相對于另一個標題效果很好?使用NLP，我們可以量化網站的文本，比較整個文本甚至是網頁的各個段落，以獲得更全面的見解。

總結

整體而言，數據科學仍在發展，它將會嵌入每個行業(無論是技術行業還是非技術行業)以及每個業務(無論大小)。隨著該領域的長期發展，看到它成為我們軟件工具箱中的常用工具并被大眾大規模使用使用也就不足為奇了。