正如Gartner不久前預測的那樣，隨著全球商業環境迅速向“萬物數字化”發展，人工智慧(AI)、機器學習(ML)和深度學習(DL)將在重塑全球商業方面扮演與資料科學同樣重要的角色。作者：Paramita (Guha) Ghosh 來源：DATAVERSITY

資料管理與資料策略：

業務成功的框架討論了如何圍繞企業資料資產構建業務模型和收入流。作者還提到，對於企業來說，理解資料管理和資料策略之間的巨大差異是至關重要的，因為後者通過一個精心指導的計劃、計劃、策略和實踐框架來促進前者。

目前，所有開發良好的業務模型都包含一個定義好的資料策略，用於指導整個組織中的資料管理活動。在定義的資料策略框架中，資料管理遠遠超出了基本的資料庫管理任務，併為資料收集方法、資料治理、資料訪問和控制、資料隱私和安全性等建立了藍圖。

在這樣一個以資料為中心的業務環境中，在全球it市場上期待更新更好的資料技術是正常的，這可能在不久的將來取代人類資料科學家和業務分析師。

在為高管講解人工智慧和機器學習的播客中，麥肯錫高階合夥人塔米姆•薩利赫(Tamim Saleh)討論了先進的資料技術，尤其是人工智慧和相關科學，並解釋了如何將它們最好地應用於實際的商業環境。根據Saleh的說法，人類科學家開始通過輸入資料與機器進行互動，這個過程通常是緩慢而錯誤的。在下一個階段，當影象或語音分析與ML相結合時，機器將採用更多的人的特性，並開始表現得像一個代理。

從資料科學到人工智慧& ML:技術轉型

Newgenapps的一篇部落格文章稱，大資料的出現幫助資料科學專案迅速擴大規模。這些最受歡迎的流行語經常出現在科技新聞網站上，它們結合了數學原理、統計學、電腦科學、資料工程、資料庫技術等等。資料科學可以被看作是資料管理的技術領域，它使用人工智慧和相關領域來解釋歷史資料，識別當前資料中的模式，並對未來進行預測。從這個意義上說，人工智慧和人工智慧的子集(如ML和DL)幫助資料科學家從資料庫存中獲得見解，從而積累競爭情報。

人工智慧可以被定義為一個具有許多子學科的廣泛科學領域——所有這些子學科都協同工作，以實現業務流程的自動化，並使機器的行為更像人類。像ML和DL這樣的領域，雖然是人工智慧的分支，但已經深入到神經網路領域，從而將資料科學推進到自動化的下一個階段，語音、影象、文字識別和虛擬現實融合在一起，創造了一個令人驚歎的“數字化商業生態系統”。“與資料科學和人工智慧的基本實踐相關的新技術仍然每天都在發展，現在有了大資料、雲、物聯網、edge和無伺服器——誰知道它的終點在哪裡?”

數字之旅似乎還沒有結束

由於人工智慧的出現，一直隱藏在內部資料中心背後的資料科學突然在整個企業中獲得了巨大的可見性。業務流程和日常決策的一夜之間的轉變，再加上大資料、Hadoop和社交、移動和物聯網渠道的興起，將資料技術帶到了業務運營的前沿。現在，商業中的資料規則，在可預見的未來，這一趨勢不會減弱。

資料科學、人工智慧、ML和深度學習使用不同型別的ML演算法來區分演算法在實際資料管理專案中的適用性。資料科學的一個方面是“分析資料的業務”，它依靠人工智慧支援的先進工具，如ML和DL演算法或神經網路來預測和預測競爭優勢。這意味著業務資料分析只在通過這些高階工具處理資料之後才開始。

“資料科學”是一個更全面的術語，包括“資料的收集、儲存、組織、準備和端到端管理”，而支援人工智慧的技術控制和促進了業務操作中的資料分析。資料科學、人工智慧和機器學習協同工作，利用資料獲得各種各樣的商業利益。

一篇來自Data Flair的部落格文章將資料科學與AI、ML和DL進行了比較，對比了資料科學與AI、ML和DL的好處。顯著不同的資料科學和人工智慧的資料技術可能是學習演算法，它訓練大量的資料。機器學習和深度學習演算法對資料科學提供的資料進行訓練，從而在反饋商業預測方面變得更聰明、更有見地。從這個意義上說，資料科學和人工智慧共享一種共生關係，在兩個方向上都是完全的互諒互讓。

對比資料科學、人工智慧和ML之間的特徵

資料科學、人工智慧和ML之間的對比特徵包含了對資料管理的三個不同領域的複雜關係分析。根據這篇文章，是機器學習將人工智慧與資料科學聯絡起來。另一方面，ML和DL具有父子關係，而AI和ML可能被描述為共享類似的父子關係。因此，人工智慧、機器學習和深度學習被分層次地置於資料技術生態系統中，AI位於頂部，DL位於底部。

雖然資料科學本身是一個跨學科的領域，但當資料科學家進入資料分析領域時，他們從人工智慧的最高自動化水平開始，逐漸下降到DL，承擔越來越複雜、越來越有挑戰性的分析任務。神經網路的功能類似於人腦，而密集的分析活動需要“腦模擬器類環境”來解決高度複雜的業務問題。

因此，人工智慧的廣泛領域及其所有子領域可以被視為資料科學的解決方案推動者。

Springboardblog上的這篇文章敏銳地觀察了資料科學家和ML專家之間的基本區別。這篇文章指出，雖然ML專家在整個專案生命週期中都忙於構建有用的演算法，但資料科學家在角色扮演方面必須更靈活一些——根據專案的需要在不同的資料角色之間進行切換。資料科學和人工智慧在“資料”上重疊，這為協作構建業務解決方案提供了機會。

方差解釋的一篇文章討論了這三個欄位之間的重疊部分。它指出，雖然AI和ML為業務問題提供了答案，但資料科學家最終通過視覺化和報告工具構建了一個令人信服的故事，供更廣泛的業務受眾使用。業務受眾可能不理解什麼是隨機森林，但是一旦資料驅動的故事出現在他們面前，他們就會立即理解不同業務元件之間的關係和模式，以及它們對業務的未來影響。毫無疑問，與人工智慧或ML從業者相比，資料科學家更像是領域專家，能夠從資料驅動的視角構建最終的故事。

人工智慧與機器學習之間的細微差別，最好通過它們的適用“用例和實現”來理解。人工智慧和ML一起工作來自動化人類活動，比如客戶服務(數字助理)、駕駛車輛(自動駕駛汽車)和提供個性化推薦(推薦引擎)。使用人工智慧和ML的一個好處經常被低估——通過從這些功能中消除人工智慧節省大量成本的好處。

在《機器學習與深度學習》一書中，作者指出，在ML中，訓練演算法學習單層，而在DL中，同樣的演算法訓練發生在多層，這就是所謂的“無監督學習”。DL中的學習與人類的學習條件非常相似。

最後請注意

對人工智慧、機器學習和深度學習的研究和市場應用的競爭已經開始，並將持續到遙遠的未來。投資和實施最適合其獨特業務環境的先進資料技術的企業，將在未來十年保持競爭優勢。