公司的信用风险部门的数据分析团队负责与信用风险策略相关的分析功能，提供多种产品，包括抵押，消费者信用卡和小企业贷款，寻找更快，更轻松的方法来评估信用风险，方法是使用信用评分以外的更多客户可用数据，以便公司可以识别更多风险的行为，从而将信用扩展至更多客户，并减少信用损失。

机器学习提供了一种强大的方法来自动化决策，但是算法并不总是能够正确地进行决策。当事情出了问题时，通常是机器学习模型引起了责任。但是通常，有偏差的是数据本身，而不是算法或模型。

我们对人工智能的迅速增长的掌握有可能解决社会棘手的问题。但是，由于算法放大了数据中固有的社会，种族和性别偏见，因此由AI驱动的项目一次又一次地未能通过公平性测试。错误的数据不可避免地会转化为错误的答案。

随着AI变得更加先进和复杂，为其提供支持的算法和逻辑变得越来越不透明。对某些人来说，这种缺乏清晰度可能会令人不安。近备受瞩目的AI故障说明了这一点，公开的方式获悉，人工智能模型仅与您输入到其中的数据一样好，并且如果数据遭到泄露，歧视或存在其他缺陷，您将无法获得准确的结果。

数据科学曾经被称为“ 21世纪艰巨的工作”。但是，当您剖析数据科学家的工作日时，很难理解为什么。IDC近的一项研究结果表明，数据专业人员平均花费67％的时间搜索和准备数据以进行分析。当我们把它放在英国的平均工作日中时，仅用于数据管理的时间就将近五个小时。

在过去的十年中，对数据的需求呈指数增长。企业才刚刚开始意识到在线信息的潜在金矿，使用汇总数据是一回事，知道如何地收集，整理和传播它是另一回事，因此数据分析专业人员备受追捧，的角色列表上经常出现数据科学工作。