机器学习的早期，雇用优秀的统计人员是人工智能项目的关键挑战。现在，机器学习已经从早期关注统计发展到更加注重计算。随着构建算法的过程越来越简单，人工智能技术的应用越来越广泛，人工智能的人力资源专业人员面临着新的挑战。不仅是数据科学家短缺，但是一个成功的数据科学家的原因已经改变了。

统计模型与神经网络的差异

就在六年前，统计模型(通常是逻辑回归)和神经网络之间的差别很小。神经网络的分离能力(统计性能)稍大一点，代价是成为一个黑匣子。由于它们具有类似的潜力，是否使用神经网络或统计模型的选择取决于每种情景的要求以及创建算法的专业人员类型。

不过最近，神经网络已经进化到支持许多层级。这种深度学习除其他外，允许对非结构化数据(如文本、语音、图像和视频)进行有效和新颖的开发。处理能力的提高、图像标识符、同声笔译、文本翻译和其他创新使神经网络与统计模型更加不同。随着这一演变，需要拥有新技能的数据科学家。

构建算法的不变元素

尽管算法结构和功能发生了变化，但构建高质量的预测模型的过程仍然遵循一系列变化不大的步骤。比使用的FIT和方法更重要的是，能够高效和创造性地执行这一过程的每一步。

建立有监督算法的过程

现场访谈。数据科学家通常不是他们所从事的学科的专家。相反，他们是为各种公司或学术决策过程创建算法所需的准确性和精确度方面的专家。然而，今天的要求是，数据科学家必须开发一个对算法所要解决的问题的理解，因此与专题专家进行重点讨论这一特定问题是至关重要的。现在，数据科学家可以研究跨越广泛知识领域的神经网络，从预测非洲蝴蝶的死亡率到决定何时何地为老年人发布广告。这意味着，今天的数据科学家必须能够和渴望从专家在许多问题上学习。