鐵人賽到了最後一週了！沒想過能撐到這裡。但到這個階段，真的有點有心無力了。我還有兩三位大大的訪談在處理中，所以今天與明天的兩篇文章，我先從 ALPHA Camp 部落格上轉載，擋一下

這次我的對談對象是主張數據 Numbers 創辦人暨執行長 Tammy.我選 Tammy 的訪談，除了因為她身兼物理博士、資料科學家、CEO 這麼厲害的學經歷之外，她也是我近期認識的工程主管中，少數的女性。作為一個女兒的爸爸，我認為女生與男生的能力與興趣並無任何差距，而我希望更多女性的工程師，能得到啟發，不要由受到現有社會期待的限制，努力在這個領域，追求卓越。

如果有興趣，也可以看看這次對談的影片：

從物理實驗室到資料科學領域二次創業之路

成為資料科學家不只有單一路徑，求學期間一路深耕物理專業的 Tammy，將分享她如何從物理博士轉變為資料科學家，並解惑資料科學、AI 領域相關問題：從物理實驗室到資料科學領域二次創業之路

踏入資料科學領域前，Tammy 過去的求學背景都在與物理打交道：高中即開始天文物理的研究，大學念高能物理，最後取得粒子物理學博士。

畢業後，Tammy 在外商公司擔任軟體工程師、技術團隊負責人。2015 年 AI 風潮興起，她與朋友開啟資料科學領域創業之路，先後成立 DT42 與 Numbers 兩家公司。DT42 聚焦提供 edge AI 相關解決方案，Numbers 則出於對資料源頭的重視，運用區塊鏈與 AI 技術建立數據溯源系統，確保在資料產生當下，就建立不可被偽造或竄改的紀錄。
資料科學應用案例：如何量化複雜問題，在系統導入任務排序機制

擁有資料科學知識與技能，能做到什麼？Tammy 分享她在外商軟體公司擔任技術團隊負責人時，運用資料科學的實際案例：

技術團隊每天會收到來自不同部門回報的 issue，而各部門都會認為自己的需求要優先處理。為了排序 issue 的優先處理順序，Tammy 希望打造一個系統，當輸入訊息後，能夠產出該 issue「重要/不重要」的結果。

於是，她採取以下作法：

• 使用資料來源：公司的 Bug Tracking System
• 拆解現有資料：拆解 Bug Tracking System 上面的訊息，如留言、時間、優先度、文字等訊息，作基本資料分析
• 收集缺少的資料：有些資料原本就不在系統資料庫裡，它可能是「人心裡的訊息」，因此透過給各個職位角色「tag」的方式，請他們標註覺得重要的任務
• 系統運算後，取得「任務重要度分數」量化指標：藉由以上資料，系統會計算出綜合性的分數，根據分數高低，排序 issue 處理優先度
• 收集各部門回饋，進行系統排序機制的滾動式修正

這項運用資料科學優化流程的經驗，同樣適用於其他地方。核心原則為：把複雜問題量化，團隊取得公開透明的遊戲規則，進行實驗討論。重點在於決定規則的過程，而非結果，這就是科學精神。

針對如何開啟資料科學職涯、產業未來如何發展等種種提問，Tammy 詳細解惑，揭開資料科學神秘面紗。

資料科學家未來會消失嗎？

對於某些文章指出，到了 2029 年不再有資料科學家這個職位存在，Tammy 抱持著相反的看法，她解釋道：

資料科學是一個科學，不會因為公式出來後，科學就消失了，永遠都有問題等待被解決。很多人說資料科學家都在建立模型、做 AI 分析，當 AI 越來越強，只要把資料丟進去就會跑出結果，不需要資料科學家了。

但即使 AI 越來越厲害，還是有很多資料科學家可發揮的地方：

1. AI 建模時，如何了解資料、釐清資料，不讓 Garbage in, garbage out，仰賴資料科學家的判斷
2. 當資料還不存在，如何設計蒐集資料的流程、得到最後分析結果，需要資料科學家去設計發想

資料科學家需具備什麼技能與特質？如何確定自己適不適合？

Tammy 認為成為資料科學家，需要具備以下三大特質與能力 ：

• 對資料的好奇心與熱情：最好的資料科學家，一定會具備對資料的好奇心與熱情，當看到某個訊號時，會主動去問「為什麼」。舉個生活化的例子，公司冰箱裡會放可樂，但會發現可樂在某些時間消耗很快、某些時間消耗得慢，這時候如果你對這個問題有興趣，想蒐集資料去研究分析，就是具備好奇心的證明。

• 軟體使用及資料視覺化能力：將資料視覺化需要創意，比如當你拿到 1、2、3 這些數字，會去思考用什麼方式，哪種軟體進行視覺化，並且還能跟問題本身有連結。

• 機器學習與統計能力：機器學習是解決資料科學問題很常用的一個工具。資料的種類與複雜度會影響使用工具的場景，在不同流程階段，會運用不同的機器學習方式。比如當你拿到大量影像資料，這時候 AI 模型很常在前期就被導入，針對某些 Tag 做分類 得到初步結果，後續再做分析；SVM 則適合在資料清理完，有初步分析結果後，再使用 SVM 做一次機器學習。

若想踏入資料科學領域，懂得運用機器學習工具是很好的入門磚，因為目前產業界中大概有 70% 資料科學家職缺，都是資料清理完後，需要有人來做最後的機器學習分析。因此機器學習會是資料科學家前三熱門的技能。

至於如何確定自己適不適合當資料科學家？Tammy 認為最重要的一點．還是

要對資料有興趣，擁有透過數字去解決問題的熱情與能力。

數學能力好不好是其次，資料分析時每天就是面對一堆數字，重點在於喜不喜歡，如果不喜歡，每天面對它就很痛苦。

另外，由於資料科學領域所使用的工具、軟體會變動很快，因此會需要有樂於去學習新工具的心態。

想成為資料科學家，如何累積作品？

在資料科學社群平台 Kaggle 累積作品是蠻好的入門方式。很多人來應徵資料科學家時，會展示在 Kaggle 的作品、建了哪些 AI 模型。但要注意，更重要的是面試官想知道你如何去挖掘背後的問題，如何看待資料，你的想法與其他人有何差異。因此除了展示作品集外，還是要著重對問題本身的分析。

擁有資料科學產業的 Domain Know How 比較重要，還是數據處理技術？

每間公司的需求會不太一樣，面試時資料科學團隊規模的大小，會決定這兩件事的重要程度：

• 團隊規模大：若團隊已經有 4、5 個人，那他們可能已經用 Domain Know How 把基礎建設做好，這時會更需要有人處理數據
• 團隊規模小：如果你是團隊第一人，這時擁有資料科學 Domain Know How 就超重要

Domain Know How 跟數據處理技術，這兩者其實都需要兼顧。差別只在於團隊是否有他人能依賴，並取得協助。

資料科學產業將如何發展？

Tammy 認為台灣大部分公司其實都有蠻好的資料。雖然大家都在談 Big Data，但有研究報告指出，直到 2025 年前，其實都不是 Big Data 的時代，因為 Big Data 早已被掌握在 Google、Amazon 等大公司中。

對一般公司而言，更重要的是商業上的「Small Data」，這些資料的價值還沒被發揮出來，是台灣產業很值得去做的事。每個公司都有獨一無二的資料類型，而這些資料都可以為商業問題帶來新的價值。

資料科學與 AI：工程師在 AI 開發能扮演什麼角色？

未來哪些類型產業特別需要 AI？

人力缺乏的產業，會需要 AI，比如工廠、醫療產業。中國、巴西很多工廠經營者，常常徵不到人，就需要導入 AI，做工廠自動化。而醫療產業，因為培養醫生很不容易，也會需要 AI。

軟體工程師在 AI 開發上，可以扮演哪些角色？

AI 開發時，從設計 AI 演算法基礎建設、產生軟體應用、到製作使用者互動介面，都會需要軟體工程師。AI 就是一套技術，資料科學家負責在資料層面處理、如何去問問題，而工程師則是扮演著銜接橋梁，在過程中打造不同工具的角色。

從事網站開發，在技術方面如何與 AI 銜接？

很多公司或組織像 Google、Amazon、OpenAI 等，都有提供許多 AI 功能的 Api 讓大家做串接。因此在網站開發或其他應用面上，不須要真的去做出一套 AI，而是可以在需要用到 AI 技術時，把網站跟 AI 的 API 進行串接。

結語

藉由 Tammy 的分享，你是否對於資料科學家職涯與產業未來發展有進一步認識？想踏進資料科學領域，可以評估自己擁有的特質與技能，決定要當資料科學家，或以軟體工程師的方式實現。

若擁有對資料的熱情及好奇心，且有使用機器學習或軟體工具去解決問題的能力，可以選擇成為資料科學家。又或者已經是軟體工程師，對於技術開發更有興趣，則可透過打造 AI 相關應用及軟體、或串接第三方 API 的方式，實現 AI 技術。不論何者，都是進入資料科學領域很好的方式。

如果你喜歡這篇文章，我非常歡迎你訂閱我們 ALPHA Camp 的部落格。