根據麥肯錫於今年 4 月對全球不同地區、行業、規模、職能專業和任期的所做的問卷拿到的 1684 份回饋，麥肯錫在8 月 1 日刊登一篇 The state of AI in 2023: Generative AI’s breakout year ，統計數字肯定企業的確可運用 AI 提升收入降低成本，2/3 回答將在未來 3 年增加對 AI 做更多投入。 雖然新一代 AI 工具的使用正在迅速普及，但調查數據並未表明這些新工具正在推動組織的整體 AI 採用。 至少目前，採用 AI 的組織比例總體保持穩定，55% 的受訪者表示他們的組織已經採用了 AI。 不到三分之一的受訪者繼續表示，他們的組織已在多個業務職能中採用 AI，這表明 AI 的使用範圍仍然有限。 產品和服務開發以及服務運營仍然是受訪者最常報告採用 AI 的兩個業務職能。 總體而言，只有23% 的受訪者表示，其組織去年至少 5% 的息稅前利潤( EBIT )歸因於 AI 的使用(與之前的調查基本持平)，這表明還有更多的空間來從 AI 獲取價值。
相信許多玩電腦的人都走過幫人組電腦的時光，那大概是從我國二開始（這樣故事好像起得有點早）。高中因為對電腦與網路的濃濃熱誠接手了 BBS 的管理，也開始了 System Administrator 與 Programming 之路（就說學生時代也有故事可講）。FreeBSD、各種 Linux distros 都玩遍，幾乎各種 services 都架設管理過，也嘗試開始改 BBS 的 C Program。沒有上過程式課，看了一晚的 C++ Primer 就去參加程式競賽，勉強寫了幾題，最後敗在看不懂 compiler error messages 在說什麼。O’Reilly 或其他電腦的書一本一本的看，舉凡 Bash、Perl、Apache、ProFTPD、Postfix、Bind、LDAP、Thinking in Java、C++ Primer、C programming language (K&R) 等等。接下來 intern 與外面的 case 大多都是 SA 相關。也經常泡在網路上回答 linux 相關問題，最瘋狂的時期，全電腦的套件都是自己 compile 且想辦法最佳化。玩遍 window manager、desktop env，甚至在純 console 沒有 X-win 下生活過幾個月。當時天真的目標就是想當個 Debian maintainer，或是弄個自己的 distro。
從 IC design 轉向 embedded system
到了大學，莽莽撞撞地進了電機系。但不可否認 programming 相關的課程才是我的菜，凡是相關的課程都覺得特別有興趣。經常翻 glibc 的 code，看看高手都怎麼寫的。例如要學 qsort 比較好的寫法當然翻出 glibc 來看。因為都使用 GNU/Linux 平台，當然也以 GNU development tools(如 makefile, gdb) 為主要的開發環境。 Visual C++ 是完全生手。沒事寫 CGI 做網頁，也寫些小玩具玩。由於學校的課程也不算輕，在高度壓力之下，我停止了瘋狂的 unix-like 平台專研。除此之外，在大四前都還是專心學習 IC design，修課都以 IC design 為重心。直到大四跑去輔資工系，才深深覺得走錯科系了，修課都覺得相當輕鬆且有趣。仗著對 Unix-Like SA 的多年經驗，覺得玩 embedded 搞 base system 與 kernel 非常上手，也就玩了一陣子。寫寫 C 也寫寫 Asm。整個大學歷程 Asm 也算簡單玩過三套。
NLP 與大資料處理
因為朋友的因素，幫忙 NLP 實驗室弄 Hadoop cluster 以及管理。接著也就誤打誤撞的進了那個實驗室做研究助理。跟著開始學 NLP 的一切，寫 Python、修課、看論文、發 paper。當然還有實驗室的許許多多雜事和 server 的管理。（當時實驗室約有 14 台 server，其中 8 台是 cluster，兩台 windows server）。由於 NLP 的資料通常也相當大，原始資料動不動幾十 GB，計算結果可能上 TB。正好跟上了所謂的「大數據」時代，開始玩了很多大資料處理的 framework 與 tool、platform。我們實驗室的研究成果也經常做成網站，所以也接觸了更多 web backend、frontend 的東西，舉凡 MongoDB、MySQL、DynamoDB、HBase、Redis 等 database 或是 Django、Flask 等 framework，什麼紅什麼好玩就用什麼。做研究之餘也要讓成果能漂亮有效的 demo。相較於業界要固守原本的 code base，在學界隨時想玩新花樣都能玩。之後覺得繼續待著有無訪，就推甄進研究所繼續留在那個實驗室，一樣的工作繼續做。只是修課有學分，畢業有證書，渾渾噩噩的日子繼續過。一間實驗室學習，總是專心在某個題目或方向的琢磨。不廣，甚至很狹隘。不太會管其他領域常用的方法，甚至同樣是 NLP 的技術也不見得會廣泛涉略。發 paper 找到 gap 比學習一個真的很有效很棒的作法來得重要。實驗室的作業模式通常也都比較各顧各的，缺乏能共同成長的同儕，一代換一代，不容易有經驗累積。研究之路並不開心，很難有團體共同目標。儘管自由，但不相關的學校雜事很多。軟體開發技術也比較守舊，新 tool、新 libray、當紅的 framework 大概都只有自己在玩。待久了，能學習的越來越少，要付出的卻越來越多。當然也就迫不及待想離開了。
（回應上一篇分享。我在實驗室推過 git 但失敗了，在學校常常收到信寫「麻煩給我 XXX project 的最新版 code」，然後我就把 public github repo link 再寄一次過去 Orz。對方就 download zip。Orz Orz。真的入手的第一套 VCS 是 svn，然後是 hg。）
廣泛涉略學習 Data Scientist 技能
原本以為做 NLP，在 machine learning、datamining、information retrieval、big data 已經算玩不少了。研究所修課也都著重在相關領域。畢業後自然走向 Data Scientist 的路。但就在差不多時候，去上了 Andrew Ng 的 Machine Learning。就跟這篇 LEARNING MACHINE LEARNING – SOME PERSONAL EXPERIENCE(Arthur) 文章的作者一樣，儘管 Andrew Ng 的課不算是很深的課程，但卻讓我推翻了自己，驚覺我以前根本不熟 ML 啊。過去太縮限自己在 NLP 的常用方法，而忽視了太多可能。許多 Algorithm 也只是用而不知其所以然。
這是一張很可怕的圖，列了 Data scientist 所需要的技能。也跟所在公司狀況有關，一人 Data Scientist + Data Engineer。知識的廣度比絕對的深度來得實在，永遠不知道下一個 task 需要怎樣的技能。在 Andrew Ng 的 ML 課之後。也持續的找 online course 或是書籍學習，諸如 online learning、deep learning、statistics。Backend、ETL 與 visualization 的東西也持續在涉略。在必要的聚會與休閒之外，所有下班時間都在進修。但相較於在學時，就業後的學習更有方向也更專心（畢竟時間少）。這時候想到似乎翟大講的，工作需要的技能進修也要算薪水，這時候真的很希望是這樣啊。
你必須登入才能發表留言。