到2019年底，我们回顾一年的开始，这一天每天已经发表100篇机器学习论文，而它的结束看起来将看到AI创纪录的资助年。

但是，从数据科学和人工智能中获得真正价值的道路可能是漫长而艰难的旅程。用新经济思维研究所的埃里克·贝因霍克(Eric Beinhocker)来解释，有一些物理技术以科学的速度发展，而社会技术以人类可以改变的速度发展-慢得多。

如果不能有效地做出决策，那么最先进的深度学习算法或最健壮和可扩展的实时流数据管道(“物理技术”)应用于数据科学和AI领域，意味着几乎没有什么决策，组织流程会积极地阻碍数据科学和人工智能的发展。由于缺乏信任(“社交技术”)，未采用AI和AI应用程序。

考虑到这一点，我对2020年的预测试图平衡这两个方面，重点是对公司的真实价值，而不仅仅是数据科学团队的“酷事”。

数据科学和AI角色继续朝着专业化的趋势发展

在侧重于大型生产系统的“工程繁重”数据科学角色以及作为基础的基础架构和平台(“数据/ ML / AI工程师”)与侧重于“重大工程”的数据科学角色之间存在实际的区分。调查工作和决策支持(“数据科学家/业务分析专家/分析顾问”)。

截然不同的技能，不同的思维模式以及成熟的部门结构使其成为一种引人注目的模式。前者与IT具有天然的亲和力，并且随着更多模型投入生产而倍受关注。从软件工程(例如here，here和here)，这也显示是可行的职业过渡。相反，决策支持的即时性和持续应对不确定性的需求要求以顾问身份工作的数据科学家必须嵌入业务中，而不是通过项目进行管理。

我们继续悄悄地摆脱独角兽的想法，因为仅仅因为某人可以做某事，并不意味着他或她应该做。尽管拥有多才多艺的表演者的所有价值，但在建立和扩展大型数据科学团队时，它们并不是比较优势。

高管对数据科学和AI的理解变得更加重要

人们已经意识到，数据科学价值的瓶颈可能不是数据科学或AI的技术方面，而是数据科学的实际消费者的成熟。

尽管一些科技公司和大型公司起步较早，但人们越来越意识到内部培训计划通常是发展内部成熟度的最佳方法。这是因为他们有能力自定义内容，从组织所在的地方开始并使培训与可识别的公司业务问题和内部数据集保持一致。

端到端模型管理成为需要生产的最佳实践

随着数据科学和AI项目在生产中的实际占用空间越来越大，需要解决的问题已融合到端到端模型管理的学科中。这包括模型的部署和监视(“模型操作”)，不同的支持层，以及监督当模型随时间自然熵时何时重新训练或重建模型。

Models Ops和支持活动的系统也是与数据科学家和机器学习工程师不同的独特技能，从而推动了这些团队和支持他们的IT组织的发展。