人工智慧（AI）的持續發展使得自主系統能夠獨立接收、學習、決策以及行動，然而如果要能發揮這些系統的最佳運作效益，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）。

可解釋的人工智慧（explainable AI） 其重要性

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的人工智慧，使得系統的行為能夠輕易地被人類預期並理解。

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。

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。

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、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，不一定所有的資料科學家都具備全方位的機器學習技能。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蒐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，更有效率達到商業目標。

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、銷售預測等，讓企業能夠更高效地運用資料。

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。因此近期有愈來愈多的企業開始探索人工智慧能為組織帶來的可能性與效益。

根據國際數據資訊（IDC）的數據顯示，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%；到2021年可能會再提升至522億美元，代表AI將持續成為企業近期的主要投資領域。

機器學習技術門檻大幅降低

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，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2018年提供「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。

從企業角度來看，企業所尋求的也是全方位的解決方案。相較於產品中的各個模組被獨立設計，未來，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，也更能讓企業在有限資源下，讓產品發揮一加一大於二的最大效益。

而反映在人的技能上，資料科學家未來在系統層面上也將會需要更多模型分析的能力，以幫助企業實施真正有效的全方位解決方案。