科学家将提高他们教授计算机准确理解语言的能力。

今年，我们将看到文本建模和处理方式的重大进步。目前，自然语言处理（NLP）界正在围绕该领域一些最成功的模型的易碎性以及对文本的简单处理如何导致它们以令人尴尬的方式崩溃展开激烈的辩论。目前，最好的模型也只能记住复杂的模式，而我们离真正理解文本的模型还差得很远。因此，我对这一领域的研究充满期待，并乐观地认为，我们将开始了解如何将 "常识 "引入并融入我们的模型。

- 迈克尔-摩根，尼尔森首席数据科学家

优质、干净数据的重要性将与日俱增。

我认为，我们将越来越关注寻找创新方法来补充和改进 "神经网络"（例如，以人脑和神经系统为模型的计算机系统）的训练数据。这些类型的模型只能提供与所输入数据一样好的结果。因此，我相信我们会更加关注有效提高这些数据集的质量和数量。

- 杰西卡-布林森，尼尔森高级数据科学家

机器学习和人工智能将成为企业实现增长的关键因素。

更复杂的算法、更强大的数据科学人才和越来越多的数据量，将使企业在 2019 年把 ML 和 AI 作为关键的差异化因素，并释放出前所未有的价值。

五年后，围绕数据科学和人工智能的讨论将转向如何从工具和算法的开发中培养解决复杂问题的技能。此外，算法和软件对非数据科学人群将变得更加友好和民主。

-Avi Jain，尼尔森区域数据科学客户负责人

收集在线数据的能力将变得更具挑战性和更加分散。

随着越来越多的互联网浏览器开始屏蔽第三方 cookie，数据管理平台（DMP）供应商在收集在线数据时将开始面临挑战。营销人员会发现，单个 DMP 将无法像以前那样以同样的准确度提供同样数量的数据。这将极大地影响营销人员准确定位和细分受众的能力。与此同时，DMP 供应商将寻找能够弥补数据损失的解决方案。

- 易鹏飞，尼尔森数据科学总监

成功企业将大力投资数据科学支持的解决方案

数字化正在颠覆传统的营销方式，创造出一个更具活力、更加分散的格局。因此，消费包装品（CPG）公司尤其面临着更大的盈利压力。相对于稳健和理想的设计，CPG 营销人员更加重视实时解决方案、相关性和速度。他们还在寻找灵活、创新的方法来提供全面的市场视角，公司将越来越多地转向数据科学来应对和解决这些挑战。

今后，消费者产生的数字数据量预计将每年翻一番，而想要驾驭这一数字洪流的公司将投资于数字化技术，以捕捉和测量数据。他们还将利用人工智能、ML 和神经网络设计解决方案。采用数据科学算法的公司将提高可扩展性和效率，并能超越传统的测量流程。

- 尼尔森数据科学总监 Neerja Joshi