第六屆領航計劃-跨組導師論壇(二)

在瞬息萬變的資料科學與人工智慧領域，如何規劃職涯、精進技能並掌握產業脈動，是許多從業人員與新鮮人共同的課題。本次論壇於8/24邀請了今年第六屆領航計劃的三位導師回答導生問題。

整場講座圍繞導生提出的五大核心議題展開，主要分為以下五大部分：求職與就業市場、技能養成與學習資源、產業趨勢與專案挑戰、職場合作與軟實力以及職涯方向規劃。

講者介紹

Press enter or click to view image in full size

Chi-Yi Kuan

Chi-Yi是台灣資料科學社群(Data Science Meetup)創辦人，也是資料科學協會的理事長。在美國資料科學領域有二十幾年的豐富工作經驗，曾任職於 LinkedIn、eBay等矽谷世界級企業，近五年則在Outdoorsy和Nextdoor, 領導資料團隊，並擔任數據顧問協助新創公司。專精於用數據了解客戶，用科技提供服務，為企業創造更大價值。

Ting-Po Lee

Ting-Po現任 Netflix 商品陳列與演算法效能團隊經理。工作初期擔任資料科學家期間，專注於廣告排序、用戶意圖與內容理解，並有利用 Scala/Spark 建構機器學習演算法與資料管線的經驗。隨後因優秀的表現勝任主管職，期間帶領團隊運用實驗設計、因果推論與機器學習，不斷優化會員的發現旅程與推薦互動，並憑藉跨領域的大型平台經驗持續推動個人化推薦與商業決策的創新

Wendy Kan

Wendy現任Google 團隊領導經理 (Team Lead Manager)，專注於 GenAI 安全 (Gemini) 領域的技術落地與團隊管理。在此之前為機器學習工程師，為 Ads AI 組開發多頭分類器與上下文多模態模型以提升廣告品質。Wendy的職涯起點於 Genentech 與 GE Research，橫跨全端軟體開發與生物影像分析。之後，曾任 Kaggle 資深資料科學家，策劃並管理多個外部企業的競賽專案，設計公平評分指標與實時後端評分框架。

求職與就業市場：挑戰與因應之道

Q1. 在國外求職時會面臨到哪些困難 & 如何克服？

Wendy 提到簽證與身份是海外求職的關鍵問題，而文化差異也需適應，像是美國文化比較喜歡積極主動的人才，可以加入社群或是尋求mentor的協助和建議。Ting Po 則強調心理建設的重要性，指出求職過程中的多次被拒絕，不一定是個人能力不足，有時也包含運氣成分，因此尋找同儕支持很重要。Chi Yi 則以「打世界盃」來形容海外求職 ，因為要和全球人才競爭，需了解如何在其中脫穎而出。

Q2.面對 Gen AI 工具影響，Junior 工作機會減少甚至 Senior 機會變少的情況，有什麼解決或適應之道？

Ting Po 提到以Netflix來說，Junior職缺本來就很少，目前還看不到Gen AI對於Netflix職缺的影響，但對整個就業市場的職缺有些影響。Gen AI 可以取代一些工作，但目前領域知識 (domain knowledge)和軟實力 (soft skills)和團隊合作等能力難以被Gen AI取代，可以在面試時展現這些能力。

Wendy 則提到現在招進來的Junior能力都非常好，顯示目前就業市場競爭非常激烈，Junior職缺大幅減少對整個產業是個隱憂，會影響到未來的人才斷層，目前工作中會用Vibe Coding，但不會讓Gen AI寫的程式碼上Production，不建議Junior以Vibe Coding為主要工作方式，但建議Senior必須要學Vibe Coding，但不用學得很深，因為目前相關工具變化很快。他認爲使用GenAI 的確有提升工作效率，但品質不一定好，建議可當作「新工具」（而非程式語言），並快速學習和應用，同時理解其仍在快速演進。

Chi Yi 建議大家一定要嘗試使用Gen AI，更將 GenAI 視為一次「彎道超車」的機會 ，他提到懂得Gen AI工具的人，頂多一年使用經驗，跟大家的能力差距不大，但如果是跟世界一流的人才比資料科學或機器學習，差距可能會到5–10年。因此大家應該要掌握這機會，越早擁抱Gen AI，帶給你的優勢越明顯，有助於未來在職涯的發展。他提到當每次的科技的變化，就是一個轉機，如果能把握機會，這是一個能彎道超車的機會 。

Q3.在美國如果要找數據相關的工作，是否會使用 AI 工具已經是必備？履歷上會需要特別寫會相關的 AI 工具嗎？

Chi-Yi 認為重點不是在會用ChatGPT等Gen AI工具，而是要去思考這工具可以做什麼？學習什到麼？解決什麼問題？建議可以做一個專案。

Ting Po提到基本上不會特別去看應徵者履歷會不會用AI工具，因為基本上大家都會。比較會想知道用Gen AI工具做了什麼，用這工具做了什麼以前做不到的事情？用這工具是否對應徵職務有加分？

Q4.想請問導師，當初決定留在美國發展工作的主要原因是什麼？是否也考量了家庭、生活品質、文化氛圍等因素？

Wendy提到因為喜歡灣區的工作環境和美國文化，所以決定留下來。

Chi-Yi提到原本就有在美國工作的想法，在美國工作五年後，發現美國的工作發展很不錯，剛好有機會從IC升遷到主管，於是決定留在美國。儘管外界可能對美國的移民政策有所擔憂，但在科技業中，超過50%甚至70%的員工是外籍人士，美國仍是一個擁抱多元文化的地方，工作本質並無改變。他建議大家從職涯、生活和文化等多方面考量美國是否適合自己。

技能養成與學習資源：學習的策略與重點

Q5.有沒有推薦入門的數據分析或數據科學相關的書籍或學習資源？

在學習資源方面，Ting Po 強調市面資源眾多，找到適合自己的學習方法（自學或學位課程）並持之以恆 是關鍵。

Wendy 提到透過上課程，技術內容會有所加強。但在資料科學家和資料分析師領域，很多人卡在「我該做什麼」，這會關係到是否能在職涯升遷 。她認為這方面很難學，且通常課程無法教導，需要從實務中學習。關於學習資源，她推薦書籍「** AI Engineering** 」，這本書並非直接講述AI本身，而是關於如何建立圍繞AI的工程系統。

Q6.現在關於資料科學的證照越來越多，導師是怎麼看待的？是否有推薦的證照？

Wendy提到能夠做什麼才是最重要的，在挑選履歷時，如果應徵者沒有相關學歷，才會看證照，在看履歷時，會評估應徵者的能力程度到哪裡。

Q7.若目前工作主要用 Excel，沒有 Python/SQL 技能，但想跳槽到大公司成為資料科學或 AI 工程師，學習路徑應如何規劃（線上課程、side project…）

Chi Yi 強調「做中學」的重要性，建議透過 mini project 解決實際問題。對於想從 Excel 轉型至資料科學或AI的聽眾，他建議從自動化現有 Excel 工作開始，提升效率與生產力，逐步學習 Python 和 SQL，並設定長期的職涯目標。他提到很多台灣人很會考SQL考試，但是如果關於如何SQL解決問題，就會卡住，所以學任何工具時，要思考可以應用於什麼問題 。

Q8.在職涯中偏向技術（資料處理、ML/DL），但缺乏「看數據說故事、依數據訂策略」的能力，該如何加強？

Chi Yi指出，這個問題與如何晉升 (promote)、如何成為有價值的員工，以及如何在公司產生更大影響力是相關的。他提到分析的演化，從製作儀表板 (dashboard) 轉變為說故事 (story)。 說故事的重點不在於講故事本身，而是在故事中提出建議 ，例如：改變產品方法、作業流程或提供更好的產品功能建議。 最終目標是影響力 ：影響老闆、商業夥伴和利害關係人(stakeholder)做出決策，採納你的建議 。他也強調做機器學習的人，在呈現模型或是複雜的數學分析成果時，不應專注在解釋如何做模型，而是要思考這個模型具體可以幫助到公司什麼，需要了解公司的營運指標和商業指標 。他推薦書籍《Storytelling with Data》作為入門書，其中包含許多案例，可以幫助技術出身的人學習如何從不同角度看故事。

3. 產業趨勢與專案挑戰：大規模數據處理與職涯選擇

Q9. AI/ML 自動化平台逐漸取代部分工作內容，是否會影響資料科學家的長期需求？在這情況下，資料科學人才該如何調整技能與定位？

Ting Po認為從長遠來看，很難預測未來五年十年後會如何。他提到GenAI可以自動化和取代許多技術層面的工作，例如快速生成Dashboard。然而，領域知識 （domain knowledge）, 設計思維 (design), 商業思維和問對問題的能力，是GenAI目前難以取代的。他建議資料科學人才應調整技能，增加領域知識和軟實力的重要性◦ 特別是對於更偏向產品科學家（product scientist）的角色，要清楚知道要解決商業問題，而非僅僅是執行技術任務。

Q10.在企業進行大規模資料處理與模型開發的過程中，常見挑戰或瓶頸是什麼？您是如何克服的？

Wendy 提到以開發Gemini為例，其涉及大量的跨部門協作、緊迫的時程和複雜的流程。他強調必須理解問題的「深層原因」，而非僅止於表面現象，才能有效應對快速變化的環境。Chi Yi 則補充，大規模專案的挑戰包括**「可擴展性 (scalability)」和「技術債 (technical debt)」，需要具備工程思維** 。他強調職涯發展到一定階段（5–10年），需要具備掌控整套系統的能力 。

Q11. 在評估新領域或新產業時，會考量哪些因素來判斷是否適合自己？

Chi Yi 建議考量三點：是否有助於職涯加分 （與5–10年目標連結）、提供學習機會 （新技能、工具、數據規模），以及新領域/新產業的未來潛力（例如若考慮回台灣發展，需評估台灣市場的發展性）。

4. 合作與軟實力：溝通與團隊協作的藝術

Q12. 在團隊中身為 Data Engineer/Scientist 等偏技術支援角色，通常碰到的 stakeholders 是誰？與不同 team 合作溝通有什麼技巧？

以資料科學家來說，Ting Po 指出最常接觸的利害關係人 (stakeholders)是工程師，再來是設計師, 使用者經驗研究者(UX Resarcher)及產品經理(PM)。在和不同團隊合作時，他建議「站在對方的角度思考」，理解他們想從資料科學團隊獲得什麼幫助。例如，PM 希望數據能支持決策並提供建議和開發方向，工程師則想知道如何評估成果、衡量商業影響力(Business Impact)並識別未來的改進點。

Q13.在招收新人時最希望看到哪些技能與特質？有哪些地雷？

Ting Po 提到在Netflix做應徵者的面試評估時，會評估「若這個人未來成為同事，我會感到興奮(feel excited)，能從他身上學習到其他東西嗎？ 」，他們希望找到能提升團隊水平的人，他建議面試者可以了解團隊當下需要的技能（ 如LLM經驗、領導力或說故事能力），並在面試時展現。地雷則是技術很強但無法清楚解釋自己做了什麼或其價值 。

Chi Yi 則提到面試時，會觀察候選人在數據處理、統計分析、機器學習、程式開發和領域知識等方面的能力，重點是解決問題(Problem Solving)的能力，在招募人時，會希望招募到能提升團隊能力的人。地雷則是沒有特色的履歷，要避免履歷內容過於籠統(general)。他特別提到，會在面試時評估面試者的「3 C」：1. 創造力 (Creativity) 2.好奇心 (Curiosity) 3.批判性思維 (Critical Thinking) 。

5. 職涯規劃：宏觀視野與持續學習

Q14.做為電商產業顧問的新鮮人，短期該如何培養能力以生存？中程若要轉至 BI 團隊，需要如何準備？

Ting Po 建議可以透過顧問的經驗，培養說故事能力 ，向Senior的同事學習如何思考一個問題？如何拆解客戶的問題？如何定義問題。如這些在 BI 團隊也很有價值。若 BI 團隊更偏技術，則需補足技術能力等。Chi Yi則提醒，在 AI 時代下，BI 團隊的未來角色會如何演變是個重要考量，應將「技術發展」納入5–10年的職涯規劃，避免走入死胡同 。

Q15.在資料科學或 AI 領域中，當新技術或方法出現時，導師會如何評估是否值得引入？

Wendy認為選擇正確的技術進行投入非常關鍵，因為許多新技術很快就會過時。他建議保持對「風向」的敏銳度，多方廣泛接觸，但不要過度深究 。對於需要大量投入的核心技術，評估要謹慎但迅速，反應時間快非常重要，並可先從產品中較不重要的部分開始應用，累積經驗後再擴展，。Chi Yi補充說，新技術往往是高風險高回報，需快速迭代驗證，可以4–6週做出原型(Prototype) 。評估時應從要解決什麼商業問題出發，思考新技術如何提升效率、創造新機會、改進產品或客戶體驗。此外，創新也能激發團隊的活力與創造力。

6. 導生Q &A

Q16.之前TWDS有一個數據女孩的講座，主要的論述是DS正在沒落，DE在崛起，一方面是因為很多企業的data根本還沒ready for DS，另一方面是很多DS的工作可以被GenAI / DS SaaS platform取代，請問作為DS manager的講者們有什麼看法?

針對此論述，Ting Po 不完全認同。他認為 DS 領域廣泛，雖然 AI 可以自動化許多任務，但提出好的商業問題和領域知識依然不可或缺 。資料科學家不能只專注於數據處理，要知道數據可以應用到什麼問題。則需重新評估技能。他認為優秀的資料科學家也會具備產品經理的能力。

Q17.如何設定5–10年目標？

Chi Yi 建議可從自我評估做起，並尋找榜樣 (role model)。他鼓勵大家跳脫現有職位的框架，思考更長遠的發展路徑例如從資料領域轉向產品經理或CTO，要思考目前的職位的最好職位是什麼，了解每個職位的職場天花板，以資料分析師而言，最高只能做到manager。最後，他介紹了**「Ikigai 」** 框架，包括以下四個象限：

你喜歡做什麼(最重要)
你擅長的
市場價值
世界期望你能夠做到什麼

他建議可以用這四象限，規劃和尋找一份有意義且能持續成長的工作 。

Q18.已經具備三五年技術後想轉產業的junior是先從什麼規模的side project開始累積domain knowledge的呢？我目前遇到的困境是不入行學不到，不學到無法入行，感覺是切入產業的方法不對，積極錯方向

Wendy 表示領域知識(domain knowledge)在行業外難以獲得。他建議新人應先強化技術與軟實力以進入產業，還有可以透過networking，找該產業的人，請教產業核心知識 。在面試時，應該著重在展現職務核心需要的能力和快速適應及學習的能力。

Q19.想請問導師們對於剛畢業的新鮮人進入AI startup有什麼想法或是有什麼建議？

Ting Po認為startup能讓新人快速學習多樣化技能（從構思到完成），也能看到一間公司如何成長，因為資源有限，常需一人身兼多職。但缺點是不穩定性高、無法工作生活平衡、壓力大，且職涯發展可能較缺乏結構性的引導，更依賴個人自我驅動成長。大公司的優點是有制度和資源去引導你成長到更高階的職務。

Q20.Wendy 提到會看Resume 會去判定一個candiates的能力到哪裡，想請問以一個Junior ML/AI E來說，你會怎麼分級一個candidate呢？在Resuem有什麼敘述或是敘述方式可以判別？

Wendy 在從履歷判斷 能力時，會仔細看專案報告或是Github，專案中用到什麼技能，將候選人的專案技能與團隊需求進行匹配，並區分是深入參與還是只是參與表面。如果履歷過多，他會快速篩選，在一分鐘內判斷該候選人適合與否。

Q21.想請問如果是有Story Telling但技術不夠堅強的人在求職時，在Hiring Manager不了解你時，該怎麼樣讓人認爲你的確能Story Telling，或者是擁有前面提到的soft skill

Chi Yi表示不會只看Story Telling，在招募時，技術能力仍佔 80% 以上，會擔心招募到只會說但不會做的人 。說故事能力需要有「內容」支持。只會Story Telling，但不會技術，要重新評估適合做什麼，如果想繼續做，但沒有技術能力，很難升遷。如果技術不夠堅強，必須展現出明確的學習計畫和積極的學習心態來彌補。在技術評估關卡通過後，說故事的能力才能真正發揮作用。

Q22.Wendy 提到的讓人去廣接觸，這樣有好奇心的人會是找新人裡會評估的嗎？還是傾向就找組內的人大概探索就好？

Wendy在招募新人時，非常喜歡有好奇心的人，特別是對於技術和商業問題都很有興趣的人，認為這是資料科學和機器學習領域從業人員重要的內在特質。

這場講座提供了全面且深入的職涯指南，不僅為資料科學領域的專業人士點亮了方向，也提醒大家在快速變革的時代中，持續學習、擁抱新工具、強化軟實力，並以宏觀的視角規劃職涯 ，才是立於不敗之地的關鍵。