By Paramita (Guha) Ghosh ?來源：DATAVERSITY 在數據經濟中，數據為王。今天，任何企業——無論大小——都依靠它的數據資產而蓬勃發展。最近，將數據驅動的見解作為一種服務提供給外部世界的趨勢，為企業開辟了一條有利可圖的收入渠道。云計算和托管分析將數據即服務(data-as-a-service)帶到普通企業用戶的桌面上，這在幾年前還是聞所未聞的。 ?

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，人工智能(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數據科學同樣重要的角色。

數據管理與數據策略：業務成功的框架討論了如何圍繞企業數據資產構建業務模型和收入流。作者還提到，對于企業來說，理解數據管理和數據策略之間的巨大差異是至關重要的，因為后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數據策略，用于指導整個組織中的數據管理活動。在定義的數據策略框架中，數據管理遠遠超出了基本的數據庫管理任務，并為數據收集方法、數據治理、數據訪問和控制、數據隱私和安全性等創建了藍圖。

在這樣一個以數據為中心的業務環境中，在全球it市場上期待更新更好的數據技術是正常的，這可能在不久的將來取代人類數據科學家和業務分析師。

在為高管講解人工智能和機器學習的播客中，麥肯錫高級合伙人塔米姆?薩利赫(Tamim Saleh)討論了先進的數據技術，尤其是人工智能和相關科學，并解釋了如何將它們最好地應用于實際的商業環境。根據Saleh的說法，人類科學家開始通過輸入數據與機器進行交互，這個過程通常是緩慢而錯誤的。在下一個階段，當圖像或語音分析與ML相結合時，機器將采用更多的人的特性，并開始表現得像一個代理。

從數據科學到人工智能& ML:技術轉型

Newgenapps的一篇博客文章稱，大數據的出現幫助數據科學項目迅速擴大規模。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、計算機科學、數據工程、數據庫技術等等。數據科學可以被看作是數據管理的技術領域，它使用人工智能和相關領域來解釋歷史數據，識別當前數據中的模式，并對未來進行預測。從這個意義上說，人工智能和人工智能的子集(如ML和DL)幫助數據科學家從數據庫存中獲得見解，從而積累競爭情報。

人工智能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，并使機器的行為更像人類。像ML和DL這樣的領域，雖然是人工智能的分支，但已經深入到神經網絡領域，從而將數據科學推進到自動化的下一個階段，語音、圖像、文本識別和虛擬現實融合在一起，創造了一個令人驚嘆的“數字化商業生態系統”。“與數據科學和人工智能的基本實踐相關的新技術仍然每天都在發展，現在有了大數據、云、物聯網、edge和無服務器——誰知道它的終點在哪里?”

數字之旅似乎還沒有結束

由于人工智能的出現，一直隱藏在內部數據中心背后的數據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，再加上大數據、Hadoop和社交、移動和物聯網渠道的興起，將數據技術帶到了業務運營的前沿。如今，商業中的數據規則，在可預見的未來，這一趨勢不會減弱。

數據科學、人工智能、ML和深度學習使用不同類型的ML算法來區分算法在實際數據管理項目中的適用性。數據科學的一個方面是“分析數據的業務”，它依靠人工智能支持的先進工具，如ML和DL算法或神經網絡來預測和預測競爭優勢。這意味著業務數據分析只在通過這些高級工具處理數據之后才開始。

“數據科學”是一個更全面的術語，包括“數據的收集、存儲、組織、準備和端到端管理”，而支持人工智能的技術控制和促進了業務操作中的數據分析。數據科學、人工智能和機器學習協同工作，利用數據獲得各種各樣的商業利益。

一篇來自Data Flair的博客文章將數據科學與AI、ML和DL進行了比較，對比了數據科學與AI、ML和DL的好處。顯著不同的數據科學和人工智能的數據技術可能是學習算法，它訓練大量的數據。機器學習和深度學習算法對數據科學提供的數據進行訓練，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，數據科學和人工智能共享一種共生關系，在兩個方向上都是完全的互諒互讓。

對比數據科學、人工智能和ML之間的特征

數據科學、人工智能和ML之間的對比特征包含了對數據管理的三個不同領域的復雜關系分析。根據這篇文章，是機器學習將人工智能與數據科學聯系起來。另一方面，ML和DL具有父子關系，而AI和ML可能被描述為共享類似的父子關系。因此，人工智能、機器學習和深度學習被分層次地置于數據技術生態系統中，AI位于頂部，DL位于底部。

雖然數據科學本身是一個跨學科的領域，但當數據科學家進入數據分析領域時，他們從人工智能的最高自動化水平開始，逐漸下降到DL，承擔越來越復雜、越來越有挑戰性的分析任務。神經網絡的功能類似于人腦，而密集的分析活動需要“腦模擬器類環境”來解決高度復雜的業務問題。

因此，人工智能的廣泛領域及其所有子領域可以被視為數據科學的解決方案推動者。

Springboardblog上的這篇文章敏銳地觀察了數據科學家和ML專家之間的基本區別。這篇文章指出，雖然ML專家在整個項目生命周期中都忙于構建有用的算法，但數據科學家在角色扮演方面必須更靈活一些——根據項目的需要在不同的數據角色之間進行切換。數據科學和人工智能在“數據”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字段之間的重疊部分。它指出，雖然AI和ML為業務問題提供了答案，但數據科學家最終通過可視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么是隨機森林，但是一旦數據驅動的故事出現在他們面前，他們就會立即理解不同業務組件之間的關系和模式，以及它們對業務的未來影響。毫無疑問，與人工智能或ML從業者相比，數據科學家更像是領域專家，能夠從數據驅動的視角構建最終的故事。

人工智能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。人工智能和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)。使用人工智能和ML的一個好處經常被低估——通過從這些功能中消除人工智能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，訓練算法學習單層，而在DL中，同樣的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。

最后請注意

對人工智能、機器學習和深度學習的研究和市場應用的競爭已經開始，并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數據技術的企業，將在未來十年保持競爭優勢。