W projektach data science także występuje dług technologiczny. Jest jednak inny niż dług technologiczny w IT …

• Podobnie jak w IT, dług technologiczny jest często postrzegany jako wynik wdrożenia niskiej jakości kodu lub przestarzałej architektury & technologii. W data science kod źródłowy jest tylko częścią problemu.
• Z długiem technicznym w data science mamy do czynienia, gdy zakres i założenia nie są jasno i precyzyjnie zdefiniowane oraz udokumentowane.
  Procesy modelowania, dla których nie powstała dokumentacja, są jeszcze bardziej problematycznym źródłem długu technicznego.
• W sztucznej inteligencji dług techniczny można czasami spowodować wykorzystując najnowocześniejsze rozwiązania. Chęć bycia o wiele kroków do przodu w data science również może powodować dług techniczny.
• Bez regularnego monitorowania, utrzymywania i ulepszania modelu również powstanie dług technologiczny.

W sztucznej inteligencji nie ma znaczenia, czy jesteś na przedzie (bardziej innowacyjny), czy z tyłu (mniej innowacyjny). Liczy się to, czy rozwiązanie przynosi korzyści i czy jest zbudowane oraz wykorzystane w logiczny sposób.