IBM首席数据官（CDO） Inderpal Bhandari指出，“神经网络（Neural network）已经存在很长一段时间了。最新的进展是我们必须为其处理大量的资料，以及强化与其有关的工程实力。”
他描述采用“生成对抗网络”（GAN）的研究进展指出，透过让两种神经网络相互竞争，可望创造出更好的神经网络。“这是一种导引出更多算法的工程思考——现在已经因此而激荡出很多关于神经网络方面的工程技术了。”
从某些方面来看，这些算法可用于预测未来的硬件。例如，Dun & Bradstreet的首席资料科学家Anthony Scriffignano指出，“量子（quantum）算法将会变得越来越热门，因为当这类算法成功可用后，就能用于执行一些量子计算机才能做的事。”
“深度信念网络”（DBN）是另一种热门的新兴途径。Scriffignano将其定义为“一种非渐进式方法，能够让你一边学习一边修正目标与目的，因而具有明日神经形态计算机的特性，”并形成一种适于仿真人脑的系统。
美国斯坦福大学（Stanford University）计算机科学教授Christopher Re开发的通用数据深度探勘工具——DeepDive算法一直备受关注。该校数据科学计划主管Stephen Eglash指出，这种算法有助于让计算机更易于了解并使用文本、表格和图表等非结构化的数据，就像掌握关系数据库或电子表格一样轻松。
“现有的数据大部份都是非结构化或半结构化的。例如，我们可以轻松地读取规格表，但计算机却很难像我们一样理解。”
20170710_bigdata_NT31P1以一种DeepDive程序理解基于知识建构的非结构化数据
Deep Dive已经用于协助肿瘤学家以计算机解释肿瘤照片。此外，美国纽约检察总长也用它作为执法工具。至今，它已经应用在各个不同领域的许多公司了。
Eglash说，DeepDive之所以如此独特，部份原因在于“它能辨识并标记所有的数据，然后用学习引擎和概率技术来确定数据的意思。”
尽管这种途径十分成功，但它只是近来学术界开发的多种算法之一。其他算法有的专注于计算机视觉（computer vision）等领域，或尝试在实时数据串流中找出异常之处。Eglash强调，“如此就能让我们持续进行更深入的研究。”
掌握有趣的数据集
让开发人员肾上腺素飙高的部份原因，就在于他们必须从现实世界中取得有趣的数据集。GE Digital的Predix云端工程负责人Darren Haas声称在这方面取得了优势。
Haas说：“我想有些人可能没机会看看我们所提供的数据。我们从飞机、卫星和火车取得了高达数千兆字节（petabyte）的传感器资料。如果将这三者关联起来，就可以提供很多信息，例如农场或红杉树看起来健康或是病了。”
Hass原本任职于苹果（Apple），负责部署其中一项最大的Hadoop，用于执行像Siri等任务。他说GE Digital已经从亚马逊（Amazon）、Facebook和Google吸收到编程人才，“当我展示我们正着手进行的数据集时，他们都感到十分震惊。”
事实上，位于加州的通用电气（GE）软件部门已经从几年前约800个编程人员，迅速增加到目前约有2,000人了。
Haas个人喜欢的一种编程语言是Go。这是少数几种已编译的编程语言之一，如Elixir和Erlang一样，现在重新获得了机器学习（machine learning）开发人员的再度关注。
“在实作层，我一直鼓励自家团队使用Go，”Haas指出，GE也定期举办Go语言的聚会。“它已经过编译了、速度快、涵盖各种应用，而且更有效管理内存。我还教12岁的儿子学Go呢，因为，我认为这是未来的趋势。”
像Go这样的编译语言确实适用于执行环境。
他说：“如果您需要串流数据或事件中枢，全部都以Go来写最恰当不过了。”相形之下，“我看到的每一个Node.js项目在四个月后都得重新编写。”
也就是说，“很多人都大量使用Python。我认为它是机器学习的主流，适合数据分析、撷取数据和建构模型……等等，而且，Matlab的R也很重要。”
无论是哪一种语言，重要的发展趋势就是自动化功能。
“很多人都用数据科学家说的‘何者正确与否’，以手动策划数据集与模型。”Haas说：“但我们想用串流、侦测异常的方式进行，在封闭的反馈回路中通知用户。”
