AI人工智慧，資料科學
The 7 forces that will change the way you work
7種力量會改變你的工作方式
2018 World Economic Forum(世界經濟論壇)
巨量資料 科技無所不在 世代變化 人工智慧，機器人 自動化取代 大量派遣工作
• AI元年！科技部預計5年投入160億台幣，打造台灣AI創新生態環 境。 • 104資訊科技統計，國內AI人才缺口保守估計約6千個，3年翻倍增 長，主要集中電子製造、知識密集服務兩大產業。 • 104人力銀行數據長呂承諭說，AI人工智慧(Artificial Intelligence)已 逐漸從實驗室走入商業運用，領域專家如資料科學家、演算法工 程師、機器人工程師等關鍵人才，市場需求孔急，近年已有物理 系、心理系、財金系畢業生成功躋身年薪百萬的資料科學家。
• 也因稀有性，AI人才薪資水漲船高。
• 104分析資料庫中1,575筆AI相關工作經歷，
• 其中，被譽為
「21世紀最性感職業」的資料科學家
，平
均年薪122萬，是
AI人才薪水最頂尖的職務
；
• 其次是演算法工程師，平均年薪88萬；
• 機器人工程師平均年薪83萬，排名第三。
專業門檻高 薪資行情看俏
• 104突破傳統分類及年資限制，分析資料庫中，共1,575筆求職會 員履歷填寫的AI相關工作經歷，發現AI相關工作平均年薪TOP 3依
序是：資料科學家122萬、演算法工程師88萬、機器人工程師83
資料科學家背景 非理工當道
• 想成為年薪百萬的資料科學家，未必非理工不可！ • 呂承諭說，碩士學歷是資料科學家的基本門檻，比資料工程師會 要求更高的學歷，•不過
，科技演進浪潮從雲端運算、機器學習、物聯網，到AI， 人才需求的科系背景也從電腦科學、電子電機，到數學、統計
、 物理、財金、以及心理相關科系，產業專家、以及洞察使用者經 驗、情緒與軟性需求，在硬底子當道的AI，更顯珍貴。• 2017/12月， Gartner(高德納諮詢公司)發布報告指出，2020年時， 全球將有180萬個職缺被AI取代，但它也將創造出230萬個全新工 作機會。 • 即便不懂程式設計、演算法的素人，若能透過AI核心知識為履歷 加值，培養洞悉大數據背後意義的能力，就能成為AI頂尖人才， 在台灣起薪年薪300萬起跳，美國甚至達30萬至50萬美元（合台 幣879萬至1466萬元），顯見AI對履歷加值的力道有多強。
資料科學家 vs. 資料科學團隊
https://medium.com/simple-is-power/%E8%B3%87%E6%96%99%E7%A7%91%E5%AD%B8%E5%AE%B6 -vs-%E8%B3%87%E6%96%99%E7%A7%91%E5%AD%B8%E5%9C%98%E9%9 A%8A-d134694d3dce資料科學的本質到底是什麼？
• 資料科學是一門跨領域學科，結合程式設計、數學與統計和產業 應用。 • 資料科學是一種專業能力，從零散資料中，找到規則、意義和價 值。 • 資料科學具有高度需求，在資訊爆炸時代，要能抽絲剝繭、找出 競爭力與商業價值。所謂的跨領域學科，不同學科的重點是什
麼？
• 程式設計 — 抓取、判斷資料，運用技術從中分析、挖掘出有幫助 的資訊。 • 數學與統計 — 選擇實用的數學方法，去診斷問題、開發並改善統 計方式。 • 商業應用 — 根據不同領域的使用情境，去釐清待解決問題、設定 目標、了解限制。用白話文的說法，一個資料科學家
• 須具備有資工、資管系
寫程式的能力
; 還要有數學、統計
系的背景，找到適合的
統計方法
; 除此之外，還要有企管、
國企系相關的
商學院背景
，能夠切入市場的需求並提出
全盤性的策略。
資料科學家可大致分為兩種取向：策略型
與技術型。
1. 策略型資料科學家 ：對於商業敏感度高、具有商業思維，擅長 商業活動的規劃與執行，善用數據分析作為輔助工具，提出問 題假設和挖掘企業內部問題。 2. 技術型資料科學家：工程師或統計學背景，擅長活用軟體工具 和程式語言，往往扮演找問題答案、提出解決方案的角色。 • 簡單的說，對於文組背景的人而言，成長曲線主要從左上到右下 ; 而理工背景的人，成長曲線比較是從右下到左上。根據不同的背景和學科，資料科學家可再
細分為以下類型：
• 商業智能 (Business Intelligence Analysis):著重於投資報酬率、獲利率、 商業決策分析、動態報表以幫助企業決策，並轉化為企業的競爭優勢。 • 資料視覺化 (Data Visualisation)：數據的呈現方式考量認知心理學和視 覺設計。 • 統計 (Statistic)：專精於建立模型、預測方法、假設驗證、實驗設計、 取樣和品質保證。 • 機器學習(Machine Learning)：擅長學習演算法、資料蒐集和驗證、精 準指標、培訓技法。 • 資料工程師 (Data Engineering)：建立資料流程圖和架構、數據倉庫設 計、ETL增量數據資料擷取/CDC異動資料擷取、針對不同資料規模評估 合適的處理技術。 • 軟體工程師 (Programming)：擅長不同的程式語言並活用於企業營運系 統設計。
最後，如果要成立一個資料科學團隊最大
的挑戰是什麼？
• 「 溝通 」、「 溝通 」、「 再溝通 」 • 「 說對方聽得懂的話」 • 「 精確表達你的意思」 • 「 正確理解夥伴的想法」資料科學家
• 《哈佛商業評論》將之譽為「
21 世紀最性感工作
」
1，因
為優異的資料科學家就像獨角獸一樣珍貴難尋，而且可
不是只有科技公司在搶人，傳統金融界、零售商、廣告、
教育，幾乎所有產業都需要資料科學家從大量數據中萃
取精華。根據去年七月 Indeed.com 的調查，
美國資料科
學家每年均薪 12.3 萬美金
2，夠讓 99.99% 的上班族望塵
莫及。
• 頂尖的資料科學家最好統計、數學、程式能力最好都要掌握
，
而且要能從中洞察意義，並且擁有非凡的直覺，用數據資料
發聲，幫助公司制定重大決策。但是，其實就算同樣都是尋
找「資料科學家」，Google 跟沃爾瑪超市要的人才，可能非
常不一樣。
•別因你好像缺了哪個專長而打退堂鼓
，
如果仔細閱讀每家公司張貼的職缺敘述，你會發現說不定現
有的技能就能進入資料科學的殿堂。Airbnb 資料科學家 Dave
Holtz 把市場上所需的
資料科學家概括成以下四類
3：
菜鳥資料科學家說穿了就是資料分析師
• 有些公司需要的資料科學家，說白話就是資料分析師
（data analyst），而資料分析師就是菜鳥資料科學家。
你的工作包括從
MySQL 萃取數據或是一名 Excel 專家，
也
許要能繪製基礎的
數據視覺圖表、分析 A/B 測試的結果
或者管理公司的 Google Analytics 帳號
。這種公司對抱負
遠大的資料科學家來說，是很不錯的練功場所，當你變
成老手了，也能開始嘗試新事物，擴充技能組合。
來清理我們亂糟糟的數據！
• 公司發展到了一定規模之後，累積一堆尚未理清的數據，而且持 續大幅增加，因此他們會需要一個能夠建立資料基本設施
（data infrastrucure）的人，以讓他們在這個基礎上繼續成長。由 於你是第一個或第一批獲聘的資料相關人員，工作通常不會太難， 不求統計學家或機器學習專家才能勝任。在這種公司裡面，帶有 軟體工程背景的資料科學家就很吃香了，重點任務是提供數據到 production code，關於數據的洞見與分析倒是其次。就像前面說 的，你是這家公司的第一個數據探勘者，通常你不會獲得太多上 層的支援，雖然反而更有機會大放異彩，不過因為比較缺乏真正 的挑戰，也有可能面臨停滯不前的窘境。我們就是資料，資料就是我們
• 也有很多公司，主要的產品就是數據（或數據分析平台）。如果 你想進入這種公司，那你勢必要具備很高深的資料分析或機器學 習功力。完美的人選應該是有正規的數學、統計、物理背景，而 且有意繼續朝學術面鑽研。這些資料科學家的主要職責在於研發 出色的資料產品，而非解答公司的營運問題。擁有大量消費者數 據也以此作為主要營利來源的公司、或者提供基於數據的服務的 公司，都歸屬此類。產品並非數據、卻以數據驅動產品的公司
• 很多公司都屬這種類型。你可能會加入一組已經建立的資料科學 家團隊，這家公司很重視數據，但稱不上一家數據公司。你既要 能夠進行資料分析、接觸 production code、也能將數據視覺化。 一般來說，這種公司要的人才要不是通才，就是他們團隊缺乏的 某種特殊專才，比如資料視覺化或機器學習。想要通過這類公司 的考驗，端看你對「大數據（比如 Hive 或 Pig）」工具的熟稔程 度，以及過往處理雜亂無章數據的經驗。資料科學家
基本工具（Basic Tools）
• 無論哪一類公司，統計程式語言如 R 或 Python，以及資料庫查詢
基礎統計學（Basic Statistics）
• 對統計起碼要有基本認識，才稱得上及格的資料科學家，一名擁 有許多面試經驗的人資說，很多他曾面試的人連 p-value 的定義 都講得不清不楚。你應該熟悉統計測試、分佈、最大似然法則 （maximum likelihood estimators）等等。機器學習也很重要，但 更關鍵的能力，是你能否判斷不同狀況該用什麼不同的技術。統 計學適用於所有類型的公司，但對那些主要產品並非數據、卻大 幅依賴數據的公司來說尤為必備能力，老闆需要的是你能不能利 用數據幫助他們進行決策，以及設計、評估實驗與結果。
機器學習（Machine Learning）
• 假如你是在握有大量資料的大型企業，或是產品本身就是以數據 為賣點的公司工作，機器學習就是你用來吃飯的傢伙。雖然 KNN 演算法（k-nearest neighbors）、隨機森林（random forest）、集 成學習（ensemble methods）這類機器學習的流行術語好像不懂 不行，不過因為事實上很多技術都可以用 R、Python 程式庫解決， 所以即使你不是演算法的世界頂尖專家，並不代表就毫無希望。 比較重要的是，能夠縱觀全局，每種狀況出現都能找出最契合的 技術。
多變量微積分、線性代數（Multivariable
Calculus and Linear Algebra）
• 就算你即將面試的公司並未要求機器學習或統計學知識，基礎多 變量微積分與線性代數問題十之八九都是逃避不了的必考題，因 為資料科學就是由這些技術型塑而成。儘管很多事情可以交給 sklearn 或 R 自動執行，但是未來如果公司想要建立自有的方案， 這些基本知識就變得很重要了。如果你置身於「數據就是產品」， 或者預測績效僅因小小進步或演算法優化就能帶來驚人效益的公 司裡面，微積分、線性代數等數學概念都需了解通透。
清理數據（Data Munging）
• Data Munging 是最容易令人不耐的過程，你面對的是亂七八糟的 數據。這些數據包含消失的數值、不一致的字串格式（比如
「New York」與「new york」與「ny」）、數據格式（「2015-03-26」、「03/26/2015」，「unix time」、「timestamps」等等）， 必須勞心費神梳理這些龐雜的數據。雖然這工作吃力不討好，但 只要是資料科學家，大概都避免不了，而如果你是某家小公司的 先遣資料科學家，或是在一家產品非與數據相關，但是數據卻扮 演重要角色的公司裡工作，清理數據的任務格外重要。
資料視覺化與溝通（Data Visualization &
Communication）
• 把枯燥繁瑣的數據轉成圖像，以及向外界溝通的技能愈來愈重要， 尤其是在年輕的公司制定由數據驅動的決策，或者協助其他組織 進行數據決策的公司。「溝通」二字的真諦在於，面對技術人或 一般人，你都能準確的傳達研究發現，並能讓他們輕易理解。至 於視覺化，如果可以熟悉 ggplot、d3.js 等軟體的運用，會有很大 的助益，當然工具只是表象，能否參透資料視覺化的原則，才是 最需費心的地方。軟體工程（Software Engineering）
• 如果你是公司資料科學團隊的草創元老，擁有強悍的軟體工程背 景十分重要，你會負責處理很多資料登錄（data logging），也有 可能需要參與開發以數據為本的產品。
像個數據科學家般思考（Thinking Like A
Data Scientist）
• 所謂資料科學家，就是你解決問題的方法奠基於數據資料。在面 試過程中，主考官可能會出一些比較艱澀的問題，比如公司想要 執行的某個測試，或者計劃開發的數據產品。判斷事情的輕重緩 急、作為資料科學家如何與工程師和產品經理互動、知道該用什 麼方式解決問題，都是你該培養的能力。培訓AI人才單位
• 資策會(http://taipei.iiiedu.org.tw/) (地點:北) • Data Engineer 巨量資料分析就業養成班 • AI Engineer 人工智慧應用開發就業養成班 (課程偏資工) • AIOT(人工智慧＋物聯網)平台應用程式開發養成班 (課程偏資工) • 台灣人工智慧學校(http://aiacademy.tw/) (地點:北中南)「創新趨勢下『5+2 產業』未
來 10 年工作及技 能需求分析」
資料來源：國家發展委員會106年度-創新趨勢下『5+2產業』未來10 年工作及技能需求分析研究報告
• 『5+2產業』包括智慧機械、綠能科技、亞洲‧矽谷、生技醫藥、 國防科技、循環經濟、新農業等業別。
• 下面說明｛智慧農業、智慧機械、綠能科技、生技醫藥、金融科 技、智慧零售｝
