機器學習 (Machine Learning)正以高速的步調發展，並逐漸成為企業提升產值、刺激創新力的強力工具。這個能應用於商業領域的熱門技術前景確實看好，然而，資料科學家們是否已做好準備，隨著熱潮一起進化呢？
人工智慧的下一步
人工智慧 的持續發展使得自主系統能夠 獨力接收、學習、決策、以及行動， 然而如果要能確保這些系統的運作效率，機器必需要能夠向人類解釋它們的決策與行為。這也就是所謂的「可解釋的人工智慧」 (explainable AI) 。
「未來，許多的 AI 系統將會與人類產生更頻繁的互動，尤其是與負責決策的人。這也是為什麼 AI 需要被開發成可解釋人工智慧，使得系統的行為能夠輕易地被人類預期並理解」 Appier 的首席人工智慧科學家孫民解釋。孫民同時也指出，未來的 AI 將會越來越不需要被監督，它們將減少人類手動操作量，同時具備更豐沛的創造力。
在資料科學領域中，機器學習早期被認為是件耗費時間苦差事，資料加工與特徵工程可能就已佔掉資料科學家將近 八 成的時間，但是根據勤業眾信 (Deloitte) 提供的 2018科技、媒體、與通訊產業預測報告 顯示，這些繁瑣工作遲早會被自動化。如此的技術發展將會帶給資料科學家更多時間去執行更複雜的任務，然而，這同時也帶來了一個新的難題：大多數的資料科學家並不具備更進階的技能，例如： 機器學習領域 中的進階技術， 深度學習 (Deep Learning) 。
機器學習對商業帶來的衝擊
過去，企業花費許多時間手動收集顧客在線上與線下的行為資料進行推測與決策，這樣的做法通常會導致分析結果高度分散而且孤立不連貫。隨著人工智慧技術的導入，各個品牌開始能整合不同管道與格式的資料，並找出 顧客輪廓與轉換旅程背後更全面性的分析與觀點 。
機器學習與深度學習讓電腦吸收大量的資料，不只是預測結果，同時也會學習什麼結果是較為理想的。這可以被應用在數位行銷的許多不同層面，例如：預測消費者行為與行銷活動成果、自動化行銷、精準買家區隔、以及銷售預測。
Appier 的首席資料科學家林軒田指出，隨著這些技術持續發展，企業能夠以更有效率且實惠的方式來建立值得信賴的 人工智慧系統 ，與人類自然地互動交流，並幫助各領域專家做出聰明決策。因此，開始應用 人工智慧 技術的企業數量持續增加。根據 IDC 的數據顯示，於 2018 年， 投資在認知科技與AI系統的全球花費 為 191 億美元，較去年提高了 54.2% ；而這個數據到 2021 年可能會再提升至 522 億美元，代表 人工智慧 將持續成為企業近期的主要投資領域。
降低機器學習的技術門檻
當越來越多的企業想要採用機器學習或深度學習這一類的 人工智慧 技術，資料科學家也為了跟上現今的趨勢而不斷精進技能。 Glasswing Ventures 的創辦人兼董事 Rudina Seseri 在富比士雜誌 (Forbes) 中提到：「資料科學家們將會從他們現有的角色中 昇華為機器學習專家 ，或是成為那些尚未被歸納的新領域的專家。」
業界的科技龍頭，例如 Google 與微軟 (Microsoft)， 都已經提供相關的技術課程，希望減少人才的技術斷層。舉例來說， Google 不只在今年初 (2018) 提供 「Learn With Google AI」 平台新措施 ，把機器學習課程 (Machine Learning Crash Course) 開放給一般群眾學習，同時在線上課程平台 Coursera 上發布了 「Machine Learning Specialization (機器學習專業班) 」 。 2017 年時，全球知名 AI 專家吳恩達也在 Coursera 上開了一系列的 Courses on Deep Learning 課程，期待能更快速地幫助人才在 人工智慧 領域上的發展。
專業技能是資料科學家的知識基礎，而培養以人為本的思惟則是關鍵所在。資料科學家需了解在真實環境下各企業的策略與面臨的挑戰，才能夠進一步提供能真正解決問題的方案。孫民也提到，企業所尋求的是全方位的解決方案，例如：自動駕駛汽車的製造工廠需要能整合感知、溝通、決策、與控制於一體的系統。以往這些模組都是分別獨立被設計出來的，但是自從 優步 (Uber) 的自駕測試車造成致死車禍 的事件發生後，發現感知系統雖然偵測到路旁的行人，但是決策系統卻沒有做出適當反應，因此便逐漸地從獨立設計轉換為整合設計。
「由多種不同的 機器學習 模組所整合而成的解決方案將會變得越來越重要」，孫民提出，「未來，資料科學家在系統層面上將會需要更多模型分析的技能，以幫助企業實施真正有效的全方位解決方案」。