人们开始对人工智能被用来自动化一切事物的前景感到不安。现在人工智能已经证明了它有能力替代一些蓝领工作（通过
机器人等）和白领职业（通过自然语言生成等），围绕这种技术的文化敏感度正在上升。
这也许可以解释为什么当谈到人工智能的影响时，开始看到人们使用“自动化”这样近似同义词的描述。当讨论自动化侵入到人工智能驱动
应用程序的开发中时，一些观察者更喜欢使用诸如“操作化”，“生产化”，“扩充”和“加速”等术语。人们还看到围绕“自助服务”工具建立“可重复工作流程”等等的讨论，这听起来像是实现工作流程自动化的下一个逻辑步骤。
这种对“自动化”这个可怕字眼的厌恶，可能源于这样一个事实，即使是数据科学家也开始担心人工智能对于取代自己工作的潜在影响。正是在这种文化时代精神的考虑下，安德鲁·布鲁斯特（Andrew Brust）最近的一篇关于Alteryx“机器学习模型”的新操作工具的文章提供了一个非常好的讨论，不仅讨论了数据科学提高生产力的好处，而且讨论了来自其他供应商的不同解决方案，所有这些都不同程度地将自动化推向了数据科学开发、部署和优化工作流程。
在对Wikibon的研究中，人们看到“数据科学的开发者”的激增，这是自动化的另一种委婉说法。虽然布鲁斯特说，在数据科学工作流程中取代人工的前景“没有什么好处”，但显然具有很多功能并不完善，否则可能由不太熟练的数据科学家处理。
Alteryx的工具正处于前沿数据科学工具供应商现在所提供的主流，所以他们很好地展示了自动化数据科学家可以期待的方式：
在推广和部署阶段，无代码的Alteryx Designer tool自动生成定制的RESTAPI和机器学习模型的Docker镜像。
Alteryx新推出的工具，使用最近与Yhat获得的数据科学模型管理技术，在Alteryx Serveranalytics平台上自动部署模型执行。
Promote可以根据不断变化的应用程序需求自动缩放每个模型的运行时资源消耗。
设计师工作流程可以自动训练机器学习模型，使用新的数据接口，然后促进自动重新部署。
反过来，通过跟踪当前部署的模型版本并确保在生产中始终有一个足够的预测模型，从而自动确保模型治理。
也许不应该夸大自动化的潜力，把数据科学家放在这个困境上。如果有的话，数据科学自动化工具将帮助他们少花钱多办事。这些功能甚至可以减轻重复的任务，使数据科学家能够将他们的技能发展到更具创造性和挑战性的领域。自动化甚至可以让数据科学家避免职业劳动力短缺的困境。正如“麻省理工学院技术评论”最近的一篇文章所指出的那样，缺乏有技能的人员如果没有达到一定的自动化程度，就可能会让人工智能/机器学习革命中断。
即使熟练的数据科学家也无法掌握交易的每一个技巧，这为自动化工具打开了大门，可以帮助他们动态优化模型超参数。
自动化正在进入数据开发、部署和管理流程的每个部分。更多的数据专业人士正在采用工业级自动化功能，以加快数据采集、准备、清洗和交付等可重复过程的执行。
