数据即服务”如何意味着按需访问需要数据的人员，如果公共图书馆可以做到这一点，为什么不在企业内呢？

关于数据资本的所有说法，其影响都极为孤立。少数独角兽公司跃跃欲试，将数据转化为利润，但大多数独角兽公司已被淘汰，一些成熟的公司已经看到他们的数字化计划带来了真正的转变，但大多数人对结果感到失望。

自1965年以来，科技行业就将摩尔定律视为大数据的定义轨迹。从那时起，微芯片变得更便宜，更高效，更小。如今，大数据行业已经超越了摩尔定律，因为全球每毫秒都会生成大量数据，而且还没有结束的希望。随着组织负责处理的数据量继续快速增长，IT专业人员如何跟上？

个性化医学的前景引发了人工智能炒作的泛滥，但是AI在医疗保健行业面临的障碍令人生畏，数据孤岛-以及导致它们产生的因素不外乎，作为商业应用的重点，机器学习（ML）陷入了困境，ML的成功商业应用受到难以为模型采购充足，干净的数据的困扰，与以前的定量学科相比，机器学习需要大量的数据来训练模型。

人工智能的主要绊脚石之一是可解释性。但是我们可以通过评估结果来解决AI的黑匣子吗？保险业的一个例子推动了这一辩论的进行，我们需要确保部署和利用这些系统的组织对所造成的任何损害承担法律责任，但是立法不能解决所有问题，部分原因是生成法律和规范要比生成代码花费更多的时间，因此至关重要的是，我们的数字社会的“建筑师”应充分意识到其技术对社会的潜在有害影响，并应做出积极的努力来限制这些影响。

AI换AI越来越受到关注-但是是否会忽略嵌入AI以提高数据生产力的能力？让我们直截了当地查看行业专家的观点，在众多投资人工智能的公司中，有一个令人惊讶的集团：从AI创造价值的公司，现在，至少现在，反对被录取的几率是惊人的。