数据科学正在成为新数字经济的必备条件。 随着组织越来越善于捕获、存储和分析来自众多来源的数据，他们正在发现以前未开发的知识源泉，这些知识源泉可以带来新的销售机会、新市场甚至全新的商业模式。
然而，挑战在于，只有最富有的企业才有办法获得将数据转化为可操作信息所需的高度专业化技能组合。 通常对 PH.D 级员工的需求很高，而可行的候选人很少。
低代码救援
进入低代码开发。 正如 Alluxio 首席执行官 Steven Mih 所指出的那样，低代码甚至无代码工具正在进入应允许非技术知识工作查询数据库、混合不同数据集并从随机信息中获得见解的渠道——所有这些都无需 必须学习复杂的编码、数据库管理或任何其他与数据科学相关的技能。
在这个世界上，业务团队成为根据自己的需要利用数据的专家，而不是依赖一群在业务问题上知识和直觉有限的神秘科学家。
Mih 表示，早在 2020 年，“这些无代码或低代码技术将把机器学习带到最前沿，并使服务更加智能，因此企业不再依赖具有特定专业知识的个人。 例如，我们不会构建和部署模型，而是会看到“带上你自己的模型，我们将为你运行训练”自主技术。
我们已经可以看到这些工具的实际应用。 谷歌的 Cloud AutoML 和 Teachable Machine 2.0 服务提供了对高级人工智能 (AI) 和机器学习功能的快速轻松访问，而 C3、Mendix 和 Appian 等公司则为其客户提供低代码选项。
DimensionalMechanics 的首席执行官 Rajeev Dutt 最近告诉 SiliconANGLE，他看到高中生接受了不到一周的 NeoPulse 建模语言培训，仅用 14 行代码就构建了功能齐全的 AI 模型。
事实上，在多年令人失望的结果之后，这种能力有望最终兑现大数据的承诺。 通过人工智能和其他技术直接向技术知识很少或根本没有技术知识的人实时提供可操作的结果，企业最终可以响应日益数字化经济的需求。
但即使低代码/无代码让利用人工智能变得更容易，相反的情况也在发生。 最近，一家名为 OutSystems 的低代码平台开发商在其系统中添加了 AI 和 ML 功能，允许非开发人员和新手将高级自动化、语音识别、自助服务和一系列其他功能整合到他们的产品中。 同时，它简化了集成其他工具的过程，例如 Siri、Skype 和 Facebook Messenger。
OutSystems 的 AI 负责人 António Alegria 表示，这些工具现在使各种规模的企业能够快速将 AI 和其他形式的智能整合到他们的关键任务应用程序中，而无需预先支付高水平数据科学技能的费用。
与此同时，OutSystems 希望通过将新工具和功能引入平台，从而从其合作伙伴发展关系中获益，以满足金融、零售和医疗保健等关键垂直行业的需求。
为人民编码
据商业服务公司德勤称，所有这些活动都属于更广泛的目标，即在整个知识劳动力中实现数据科学的民主化。 到 2024 年，仅美国就会出现约 250,000 名数据科学家的短缺，低代码/无代码以及自动化机器学习、人工智能预训练、自助分析和加速学习等其他发展旨在打破瓶颈 目前阻碍许多公司发展的数据科学技能。
可以肯定的是，始终需要高度专业化的数据科学家，但随着更多人掌握更多可用工具，这些高薪员工可以承担更适合他们才能的项目。
在企业工作流程中成功实施低代码/无代码工具的关键是让它们尽可能易于使用。 带有拖放模块的简化 GUI，以及整体用户友好的设计和架构，将大大有助于加速采用。
当然，要做到这一点，平台设计师将不得不停止像平台设计师那样思考，更多地进入销售人员、医生、银行家和其他实际使用这些系统的人的头脑。 德勤声称，通过正确的低代码/无代码设计，应用程序和服务开发时间可以缩短 10 倍。
然而，希望利用低代码/无代码的组织应该意识到，它可以像增强业务模型一样容易地破坏业务模型。 一旦人们有能力创建自己的应用程序和服务，对商业产品的需求可能会减弱。
虽然限制改变给定生态系统（例如汽车或电话）的能力可能很诱人，但当然，在适当的治理制度下，组织最好鼓励这种趋势。 通过这种方式，用户获得了他们想要的自主权，同时企业获得了不断扩大和创新的开发社区的好处。
与数字时代的大多数进步一样，战利品不会落入掌握和利用特定技术的人手中，而是落入鼓励其他人在他们的沙盒中玩耍的人手中。
