Teradata首席技術官Stephen Brobst說，機器學習將改變數據科學的角色

Matthew+Finnegan

編譯 Charles

據分析公司Teradata首席技術官Stephen Brobst講，隨著機器學習技術在企業中的廣泛應用，數據科學家的角色將出現變化。

雖然“人工智能”方法背后的很多原理并不是什么新事物，但近年來企業對人工智能的興趣卻日益高漲。據Brobst，隨著其應用趨于更加廣泛和全面，數據科學家的角色也將開始演化。

他解釋說，數據科學家通常花大量的時間解析數據，然后將其送給預測模型。將來，更多的這類工作將會自動完成，數據科學家轉而專注于選擇哪種機器學習或者深度學習工具來完成具體的任務。

他說：“數據科學家不會把大部分時間花在處理數據本身上，而是把大部分時間花在算法上——因此，您應非常擅長神經網絡的算法選擇和拓撲選擇，等等。

您還需要了解數據性質會怎樣影響您的算法選擇，但準備數據的時間會少很多，而數據科學家現在有60%多的時間都在準備數據、分解數據、分析數據，對其進行格式化，今后再也不需要這樣了。”

他說，隨著高級算法用于機器學習目的，這種情況目前已經出現了，但是隨著深度學習——機器學習的一個分支的廣泛應用，數據科學家關注的重點也會出現變化。

他說：“在深度學習中，對領域知識的要求越來越低，而針對您擁有的所有數據類型選擇算法的要求卻越來越高，因此，技能的變化會非常非常有趣。”

數據科學技能差距

然而，對很多企業而言，挑戰在于首先要找到合適的數據科學專業知識。盡管科技公司努力提供培訓課程和資源，但獲得技能仍然是最大的挑戰。

Brobst解釋說：“現在有很大的技能差距，原因在于合格數據科學家的數量遠遠滿足不了需求——這在英國尤其如此。部分原因是因為英國在理解數據科學重要性方面比較靠前，英國企業在這方面起了主導作用。”

這不僅僅是英國面臨的問題。他說：“全世界的數據科學家都不夠用。全世界都在尋找優秀的數據科學家。”

一種解決辦法是改進培訓和教育。Brobst解釋說：“您不能只做一個零和游戲，只是把數據科學專家從其他地方挖過來，您也應該具備專業知識，還要投資于教育系統。”

在美國，大批的資金投入到STEM中，即，科學、技術、工程和數學，這些都是為了孩子們，尤其是女性，讓他們對科學和數學等產生興趣。作為一個社會，我們對待女性非常不好，例如，女性在小時候往往比男性更擅長數學。但是，我們通過社會壓力和其他不良影響，讓她們相信，數學不是女性要做的事情；這是男孩子們干的事。當然，這完全是謊話。

我們應改變社會對培養技能的看法，不僅培養女性，甚至還要培養那些說“噢，數學，那是書呆子干的事，沒什么好處”的孩子們。這種情況至少在硅谷有所改變，現在書呆子們都很酷，但是我們應投資于教育系統，促進科學技術、工程和數學的應用。

創新是關鍵

Brobst說，對STEM學科教育的過度關注讓我們錯過了數據科學等工作的關鍵方面，即創造性思維能力。

他說：“相對于STEM，我更喜歡STEAM，即，科學、技術、工程、藝術和數學。

我們應該培養創造力，因為如果把工作看成是純粹機械的東西，那么就不可能實現真正有趣的突破。您只是得到了持續改進的東西，而您真正需要的那種藝術的、冒險的、顛覆性的思維以及數學和科學。人們認為數學和科學都是機械思維，實際不是。

最好的數學家和科學家都是顛覆性的思想家。以阿蘭·圖靈為例，他顯然是個顛覆性的思想家，但他的工作是數學。但是，如果他只從事機械的數學工作，那他就不會對我們今天的生活產生影響。

您可以教人們去創造性地思考。在很多情況下我們都沒有做到這一點，尤其是在工程和數學中——如果不是一個完全理性的、一步一步的過程，那么就認為您沒有按規則行事。所以數學和科學不僅僅是規則——如果您真的能創新，那就去創造新規則。”

原文網址：

http：//www.computerworlduk.com/data/machine-learning-will-transform-data-science-role-says-teradata-cto-3661856/