业界对于巨量资料(big data)的热烈讨论与投入，正进一步催生新的演算法、编程语言以及软体加速等相关技术。IBM首任资料长(CDO) Inderpal Bhandari指出，神经网路(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路(GAN)的研究进展指出，透过让两种神经网路相互竞争，可望创造出更好的神经网路。这是一种导引出更多演算法的工程思考——现在已经因此而激荡出很多关于神经网路方面的工程技术了。
从某些方面来看，这些演算法可用于预测未来的硬体。例如，Dun & Bradstreet的首席资料科学家Anthony Scriffignano指出，量子(quantum)演算法将会变得越来越热门，因为当这类演算法成功可用后，就能用于执行一些量子电脑才能做的事。
深度信念网路(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电脑的特性，并形成一种适于模拟人脑的系统。
美国史丹佛大学(Stanford University)电脑科学教授Christopher Re开发的通用资料深度探勘工具——DeepDive演算法一直备受关注。该校资料科学计划主管Stephen Eglash指出，这种演算法有助于让电脑更易于了解并使用文本、表格和图表等非结构化的资料，就像掌握关联式资料库或试算表一样轻松。
现有的资料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，但电脑却很难像我们一样理解。
以一种DeepDive程式理解基于知识建构的非结构化资料
Deep Dive已经用于协助肿瘤学家以电脑解释肿瘤照片。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资料，然后用学习引擎和概率技术来确定资料的意思。
尽管这种途径十分成功，但它只是近来学术界开发的多种演算法之一。其他演算法有的专注于电脑视觉(computer vision)等领域，或尝试在即时资料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。
•••
掌握有趣的资料集
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资料集。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资料。我们从飞机、卫星和火车取得了高达数千兆位元组(petabyte)的感测器资料。如果将这三者关联起来，就可以提供很多资讯，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资料集时，他们都感到十分震惊。
事实上，位于加州的通用电气(GE)软体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，而且更有效管理记忆体。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：如果您需要串流资料或事件中枢，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专案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，适合资料分析、撷取资料和建构模型……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。
很多人都用资料科学家说的『何者正确与否』，以手动策划资料集与模型。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。
