本文中一共采访了14位数据科学和预测分析领域的专家。除了表示大数据和预测分析技术将在2017年度得到更大的发展之外，他们普遍提到了通过大数据分析对2016美国总统大选结果预测失败一事，表达了目前预测分析技术的局限，以及对于原始数据可靠性的担忧。
1. Kirk D. Borne，Booz Allen Hamilton咨询公司首席数据科学家，天体物理学博士，数据科学领域顶尖的影响力人物。
2016年，我看到了下面几项和数据科学相关的重大发展：
1) 随着更多自主分析工具的出现，诞生了更多的平民数据科学家。
2) 深度学习技术被应用在越来越多的领域，包括文本分析。
3) 由人工智能驱动的智能聊天机器人开始在一些客服中心和售后中心试点。
4) 越来越多的企业/机构开始认识到大数据和数据科学带来的现实回报，从以往的“概念验证”(proofs of concept)逐渐转向了“价值验证”(proofs of value)。
5) 人工智能开始成为产品设计和生产过程中的重要技术组成，并且广泛出现在：车联网、物联网、智慧城市、制造业、供应链和机器保养等诸多领域。
在2017年，我认为边缘分析将与机器学习相结合(机器学习可以通过API接入或嵌入数据收集终端，甚至整合到传感器芯片架构中)，推动边缘分析技术得到更广泛的应用。在这种趋势下，发生在系统前端(而不是云端)的各种突发状况将得到更好、更快速的实时分析，包括网络安全、数字营销、客户体验、医疗保健、发动机性能、自动驾驶和供应链等诸多领域都将获益。
Tom Davenport
2. Tom Davenport，中国直播网 ，波士顿大学特聘教授，国际数据分析研究所联合创始人，Deloitte会计师事务所高级顾问。
2016年的主要发展：
1) 数据分析分散化：经过一段时间的发展，各组织机构开始将数据分析业务分散到各个业务部门和职能部门，而不再将所有的数据分析任务集中于一点，这在许多情况下需要组织机构具有良好的协同工作能力。
2) 专有和开源技术相互整合：许多大型公司都在同时使用专有和开源相结合的大数据分析技术。
3) 认知分析技术的离散化：大的、单一的认知技术已经被分解为一系列的单功能API，这些API可以被用来组合形成一个完整的系统。
4) 各岗位职责的模糊化：定量分析师、数据分析师和认知应用开发者们之间的职责界限变得越来越模糊，一个人需要同时具备应用开发能力和数据分析能力的情况越来越多。
2017年可能出现的变化趋势：
1) 认知分析实用化：认知分析将从以往的“科学项目”逐步转向实际应用。
2) 模型假设的质疑：对2016年美国总统大选结果的预测失败，将引发更多的管理者开始质疑分析模型背后的假设是否合理。
3) 认知分析工具类别化：更多的组织机构开始理解各种认知分析工具的异同，并对其进行分类，以便更合理地将其应用于具体的业务问题。
4) 分析算法的透明化：各大具有影响力的机器学习开发者将持续推动认知分析算法的透明化，并避免使用非开源的算法。
3. Tamara Dull，SAS(Statistical Analysis System)公司高新技术研发主管。
我认为今年在大数据领域最重要的事情就是美国大选，虽然大部分利用大数据分析的预测结果最终被证明是错误的，但正是因为这件事的影响，普通民众开始探讨大数据、数据科学、预测分析等一些专业词汇。我们与大数据分析进行了一次广泛的亲密接触：包括数据的价值、数据的合理应用和滥用。
随着大数据持续渗透到我们工作和生活的方方面面、物联网的发展，对于各大公司和组织结构来说，确保数据的合理、安全和道德的使用，将成为一个越来越重要的课题。如果一家公司不懂得合理使用数据，那么他们的发展也不会长久。
4. John Elder，美国最大的分析咨询公司Elder Research的创始人兼董事长。
一年之前，科学杂志曾将一项研究评选为“2015年度科学突破”第二名，该研究试图重现几年前发表在心理学杂志上的100个顶级实验。但实际结果是，因为相关材料上记载的试验数据和流程错误很多，一般正确率大约只有5-35%不等，造成研究人员只成功重现了其中39个。我认为，类似于这样的由于原始数据本身的错误引发的虚假相关性结果并不在少数。将来，在科研人员和数据挖掘软件的帮助下，中国直播网，使用重复采样的办法(如目标重排)替换那些过时的重点公式，或许能更好地揭示随机事件的内在规律。当然，新的分析方法同样也需要出版和推广，但结果将更加可靠，不但帮助广大科研人员节省了大量的科研资源，同时还可能挽救许多病患的生命。
Anthony Goldbloom
5. Anthony Goldbloom，知名数据科学竞赛平台Kaggle的联合创始人兼CEO。
数据科学已经对Airbnb，Climate集团(现在的Monsanto)和Opendoor这样的公司产生了巨大影响。在2017年，他们强大的数据科学团队将继续对公司的重大决策产生影响。一个共同点是，这些公司都通过采用分析工具和优化分析流程的方式解决了数据科学方面的诸多痛点：包括数据流的共享和协作，以及如何将分析模型投入实际的业务产品。在2016年，学术研究的热门话题从深度神经网络转移到了强化学习和生成模型(Generative Models)。
2017年，我们将会看到更多数据科学方面的先进技术应用于现实业务的例子。例如将增强学习引入算法交易和广告定位。
6. Thomas Joseph，云服务供应商Quadrant 4公司的首席数据科学家。
虽然包括谷歌、亚马逊和Facebook在内的大数据“开拓者”，以及少数几家在早期就投入到大数据研究领域的公司目前正在通过数字化的大潮收获实质性的好处。但现实情况是，仍然存在大量的公司正在观望，尚未投入到大数据带来的数字化转型。我认为2017年一个最大的趋势就是：大数据和数字化将逐渐成为一个“大众化”的方式，被越来越多的企业重视。不过在初始阶段，这些企业投入数据科学的业务领域会相对较小，他们首先会通过小范围的尝试搞清楚数据科学究竟能为公司带来什么好处，然后再考虑是否将其大面积推广并制度化。从我们与许多客户的合作中可以看到，2017年将成为数据科学领域的一个爆发年。
7. Salil Mehta，数学与统计学领域的畅销书作者，统计学家，奥巴马政府问题资产救助计划(TARP)的参与成员。
#p#分页标题#e#2016年是数据科学大爆发的一年，大数据开始步入普通大众的视野。在2016年美国总统大选中(虽然最终未能预测成功)，利用社交网络上公开发布的信息预测现实生活的做法开始为人所知。同时，无论是公司层面(例如Facebook的视频指标或其在中国的审查工具)还是个人层面(被篡改的Reddit评论或Twitter上的虚假新闻)，特别是选举预测失败之后，人们开始意识到如何判断数据的真实、可靠是何等重要。而且，一些大型的科技公司是否值得信任，能够为每个人平等安全地提供差异化的数据使用规则，也值得考量。
特别声明：本文为中国直播网直播号作者或机构上传并发布，仅代表该作者或机构观点，不代表中国直播网的观点或立场，中国直播网仅提供信息发布平台。
版权声明：版权归著作权人，转载仅限于传递更多信息，如来源标注错误侵害了您的权利，请来邮件通知删除，一起成长谢谢
欢迎加入：直播号，开启无限创作！一个敢纰漏真实事件，说真话的创作分享平台，一个原则：只要真实，不怕事大，有线索就报料吧！申请直播号请用电脑访问https://zbh.zhibotv.com.cn。
