2024，AI和大數據的五大趨勢

托馬斯·達文波特 蘭迪·比尼斯

2023年，人工智能（AI）和數據科學成了熱門新聞，這顯然與生成式AI的興起密不可分。但進入2024年以后，AI和數據科學領域將如何發展才能持續引發人們的關注？這些趨勢又將如何真正影響企業？

在過去的幾個月里，我們對數據和技術高管進行了三次調查：前兩次調查的對象是麻省理工學院首席數據官和信息質量研討會的參會者——第一次是由亞馬遜網絡服務公司（Amazon Web Services）贊助的，第二次是由思特沃克（Thoughtworks）公司贊助的（調查結果尚未公布），第三次是由Wavestone公司——其前身為NewVantage Partners——開展的，我們過去撰寫過該公司的年度調查報告。參與這三次調查的高管共500多位，其中有些人可能出現重復參與的情況。

調查雖然不能預測未來，但確實能夠揭示企業里那些負責數據科學、AI戰略和項目的人在想什么、做什么。根據這些數據高管們的說法，以下五大趨勢值得密切關注。

1.生成式AI大受追捧，但仍需創造價值正如前面提到的，生成式AI吸引了企業和消費者的極大關注。但它真的能為采用它的組織帶來經濟價值嗎？調查結果顯示，盡管人們對這項技術非常興奮，但其價值在很大程度上尚未變現。大多數受訪者認為，生成式AI具有變革性的潛力：在對亞馬遜網絡服務公司的調查中，80%的受訪者表示，他們相信這將改變他們的組織；在對Wavestone公司的調查中，64%的受訪者表示，這是當代最具變革性的技術。絕大多數受訪者也在增加對這項技術的投資。然而，大多數公司仍處于試驗階段——要么是在個人層面，要么是在部門層面。在對亞馬遜網絡服務公司的調查中，只有6%的公司對生成式AI進行了生產應用；而在對Wavestone公司的調查中，只有5%的公司對生成式AI進行了大規模生產部署。

當然，生成式AI的生產部署將需要更多的投資和組織變革，而不僅僅是各種試驗——業務流程需要重新設計，員工技能需要重新培訓（或者在少數情況下，員工被生成式AI系統取代），新的AI能力需要整合到現有的技術基礎設施當中。

也許最重要的變化將涉及數據——監督非結構化的內容、提高數據質量和整合不同的數據來源。比如，在對亞馬遜網絡服務公司的調查中，93%的受訪者都表示數據策略對于從生成式AI中獲取價值來說至關重要，但57%的受訪者迄今為止并沒有對他們的數據做出任何改變。

2.數據科學正從手工藝轉向工業化 大多數企業都覺得有必要加快數據科學模型的生成。曾經是手工操作的這項活動現在正變得越來越工業化。各公司都正在投資于平臺、流程、方法、特征平臺、機器學習運營系統以及其他有助于提高生產率和部署率的工具。機器學習運營系統可監測機器學習模型的狀態，并探測出它們是否仍然能夠準確預測。如果不能，這些模型就可能需要輸入新的數據，重新進行訓練。

雖然這些新能力大部分來自外部供應商，但有些組織正在開發它們自己的平臺。盡管自動化（包括自動化的機器學習工具，我們將稍后討論）有助于提高生產率和數據科學更廣泛的參與度，但對提升數據科學生產率而言，最大的好處可能是重新啟用現有的數據集、特征或變量，甚至整個模型。

3.兩個不同版本的數據產品將占主導地位在對思特沃克公司的調查中，80%的數據和技術高管表示，他們公司正在使用或考慮使用數據產品和數據產品管理。我們所說的數據產品，是指把數據、分析技術和AI打包成一個軟件產品提供給內部客戶或外部客戶。這種產品從構思到部署（以及持續改進）都是由數據產品經理來管理。比如，指導客戶下一步購買什么產品的推薦系統，以及為銷售團隊提供的價格策略優化系統，都屬于數據產品。

但是企業會以兩種不同的方式來看待數據產品：將近一半的受訪者（48%）表示，數據產品的概念應包含數據分析及AI；而大約30%的受訪者認為數據分析及AI與數據產品是兩回事，覺得數據產品應該單指可重復使用的數據資產，只有16%的受訪者表示，他們根本不會將數據分析及AI放在數據產品語境中加以考慮。

我們傾向于將數據分析及AI納入數據產品的定義中，因為這是發揮數據作用的有效途徑。然而真正重要的是，企業在定義和討論數據產品時必須保持一致性。但如果哪家企業傾向于使用“數據產品”和“數據分析及AI產品”二者的組合，那也能說得過去，畢竟這個定義保留了數據產品管理的許多積極方面。但是如果不澄清這一定義的話，企業就拿不準要求數據產品開發人員交付什么。

4.數據科學家的魅力將減少 被稱為“獨角獸”的數據科學家擁有“21世紀最誘人的工作”，因為他們能夠把數據科學項目的方方面面都做得很成功。然而他們的星光已經開始暗淡下來。數據科學領域正發生著一系列變化，為部分重要工作的管理提供了許多替代方式。其中一個變化是涌現出了大量能夠解決數據科學問題的相關角色——這一不斷擴張的專業人士隊伍包括：清洗數據的數據工程師、擴展和集成模型的機器學習工程師、與企業利益相關者打交道的中間人，以及縱覽全局的數據產品經理。

企業對專業數據科學家需求減少的另一個因素是公民數據科學（citizen data science）的興起，即熟諳定量方法的商界人士自行創建模型或算法。這些人借助自動機器學習工具來完成大量繁重的工作。對這些非專業人士來說，更有用的是ChatGPT提供的被稱為高級數據分析的建模功能。只要輸入一個非常短的提示語并上傳數據集，高級數據分析就能處理模型創建過程的幾乎每個步驟，并解釋其操作行為。

當然，數據科學領域仍有許多方面確實需要專業的數據科學家登場。例如，開發全新的算法或解釋復雜模型的工作原理，這些都是尚未消失的工作任務。數據科學家這個角色仍然是必要的，但可能不再像從前那么重要——不再享有同等程度的力量和光芒。

5.數據、分析技術和AI的領導者變得不再那么獨立 我們開始注意到，在過去一年，越來越多的企業正在減少技術和數據“負責人”的數量，包括首席數據官和首席數據分析官（有時被稱為首席AI官）。雖然首席數據官/首席數據分析官的角色在企業中越來越普遍，但它們的特點向來是任職期限短以及職責界定不明確。盡管我們看到數據和分析高管們的職能還在，然而這種職能正日益被納入更廣泛的技術、數據和數字化轉型職能當中，并且由一位“超級技術領導者”負責管理，然后直接向CEO匯報?！俺壖夹g領導者”這一職位的頭銜包括首席信息官、首席信息和技術官、首席數字和技術官?，F實世界的例子有：美國教師退休基金會（TIAA）的薩斯特里·杜瓦蘇拉（Sastry Durvasula）、第一集團（First Group）的肖恩·麥科馬克（Sean McCormack），以及旅行者集團（Travelers）的莫根·勒菲弗（Mojgan Lefebvre）。

我們對思特沃克公司進行調查時，一大關注點就是數據領導者這一重要角色的演化，87%的受訪者（主要是數據負責人，也有一些技術高管）一致認為，他們公司的同事在需要數據和技術方面的服務支持時，不知道該找誰——這種困惑或多或少因人而異。許多首席級高管表示，自己與公司內部的技術負責人合作程度相對較低；79%的受訪者認為，正是這種合作不足阻礙了公司的發展。

我們相信，在2024年，我們將看到更多縱覽全局型的技術領導者。他們有能力從數據和技術專業人士下屬那里創造價值。他們仍然必須強調數據分析和AI的重要性，因為這是企業利用數據為員工和客戶創造價值的抓手。最重要的是，這些技術領導者必須高度遵循以業務為導向的原則，能夠與他們的高管同事們探討戰略，并能夠將戰略轉化成系統和洞見，這樣戰略才能變為現實。

翻譯：張子源