AI 的快速發展，顛覆了各個產業的發展，ChatGPT 的出現，加快了作家寫作的速度，加快了工程師寫程式的速度，世界正在快速的改變。
許多人開始探究自己的工作會不會被 AI 取代，身為資料領域的工作者，我也開始在思考，當 AI 的能力不斷進化且遠遠超過人類時，在我的工作中有哪些任務交給 AI 會更有效率？哪些任務仍然需要人類去執行？
資料科學 Data Science 是什麼？
大部分的文章會這麼解釋，數據科學是一門跨學科的領域，學科範圍涵蓋了應用數學、統計、圖型識別、機器學習、資料視覺化、資料倉儲以及高效能計算等等，其目標為透過大量的數據中提取出有價值的資訊，常見的應用如分析趨勢、預測未來、內容生成等等。
而我認為的「資料科學」
透過數據發揮影響力
Data Scientist 的實際工作內容
Data Scientist 是一個比較模糊的職位名稱，包含的任務大致分為以下 3 種
- 數據分析 Data Analysis
從數據中提取有用的信息，幫助公司進行決策 e.g. EDA 探索性分析、建立 Dashboard - 數據工程 Data Engineering
建立數據基礎設施的設計、構建和維護，以確保數據的質量和可用性 e.g. 建立 data pipeline、資料驗證、資料監控 - 機器學習 Machine Learning
建立機器學習模型，通常用於預測未來或內容生成 e.g. 商品推薦系統、AI 生成圖片
未來，Data Scientist 的核心價值
數據分析
我認爲做數據分析最重要的能力是，結合商業與產品思維，提供深入的數據見解，並推動數據影響力，在剛開始數據分析工作時，許多人會專注在學習 SQL, Python, 視覺化工具等等，現在 ChatGPT 就可以提供你分析需要的 SQL 跟 Python 程式碼，甚至上傳一個 Excel 檔案，ChatGPT 就能產生數據圖表，也有許多 no-code 分析工具出現，未來 AI 高機率會自動產生分析的結果，我們會將心力放在解讀數據，結合用戶心理、產品思維、商業思考等等多個面向來解釋數據的變化，並且回到人與人的溝通，根據數據分析的結果去影響公司與產品的決策。
數據工程
最重要的目標是建立一個穩定、高效且安全的數據基礎設施，提供數據進行後續的應用。除了常見的建立 data-pipeline，將自動化資料處理過程，還經常會使用到雲端服務、資料庫、資料倉儲等等。
未來，想像每間公司都能根據自己的資料格式與型態訓練一個寫 code 的模型，能夠自動化完成資料存取與轉換等等工作，用 AI 幫助我們建立 data-pipeline，未來的數據工程將更加專注在了解整個系統的運作、不同服務間的交互，並且規劃可規模化的數據儲存與運算架構，提供 AI 應用所需要的計算資源，未來的數據工程師也許更像是數據架構師，
機器學習
機器學習的任務，大致分為研究與應用兩種。研究任務需要投入大量的時間與資金支持，由於訓練的數據量級將大大影響模型成效，將來最先進的模型研究也許只會集中在 FAAMG 等級的大公司，才能負擔得起高昂的模型開發成本。另一類則是 AI 應用，由於 AI 運算成本高，例如生成一張圖片的能耗大約等於將一隻手機充滿電的能量，除了要針對 AI 使用場景選擇合適的算法，還需要權衡 AI 的使用成本與其商業價值之間的平衡。此外，還需要考慮 AI 使用者的心理，由於 AI 的運作過程常被形容為黑盒子，其決策過程不透明，如何提高模型的可解釋性已取得用戶信任變得尤為重要。
Summary
目前，掌握技術變成相對簡單的事，未來 Dats Scientist 的工作將專注在解讀數據、以數據發揮影響力，並透過 AI 創造商業價值。
Data Science isn’t about writing code, data science is about using data to create as much impact as possible for your company.
