隨著AI人才競價戰日趨激烈，具備AI經驗的數據科學家和軟體工程師成為最大贏家。根據J. Thelander Consulting的最新報告顯示，許多科技公司正「策略性地高薪聘用」具備AI經驗的人才，針對某些具備機器學習技能的職位，甚至願意支付高達20萬美元的薪資溢價。記者李琦瑋／編譯

隨著AI人才競價戰日趨激烈，具備AI經驗的數據科學家和軟體工程師成為最大贏家。根據J. Thelander Consulting的最新報告顯示，許多科技公司正「策略性地高薪聘用」具備AI經驗的人才，針對某些具備機器學習技能的職位，甚至願意支付高達20萬美元的薪資溢價。

[caption id="attachment_180703" align="alignnone" width="1200"] 科技巨頭爭搶AI人才，竟願支付高達20萬美元薪資溢價搶人。（圖／123RF）[/caption]

該報告匯集了153家公司的薪酬分析數據，結果顯示，擁有機器學習技能的數據科學家和分析師所獲得的薪資溢價，通常高於擁有相同技能的軟體工程師。

延伸閱讀：AI會搶飯碗？GitHub執行長：其實會創造更多工程師新的工作

不過，該公司也發現，較低階的軟體工程師和分析師的獎金同樣有所增長，反映了市場對AI人才的整體需求正在攀升。

這些高額支付，尤其在新創公司中更是一場豪賭。報告指出，約有一半受訪公司在過去一年中沒有任何收入，而大多數（71%）則沒有盈利，卻依然願意為具備AI專業技能的人才支付高薪。

儘管J. Thelander Consulting的報告主要聚焦於小型公司，但一些科技巨頭近期也因其天價的招募獎勵，成為頭條新聞。

上個月，Meta成為焦點。OpenAI執行長Sam Altman表示，這家社交媒體巨頭試圖以1億美元的簽約金，挖角他最優秀的員工。

儘管《Business Insider》先前報導，Altman後來打趣說，他「最優秀的員工」都沒有被這個條件誘惑，但Meta的技術長Andrew Bosworth在接受《CNBC》採訪時反駁稱，Altman「沒有提到他也在對這些高薪進行反制」。

資料來源：Business Insider

這篇文章 AI人才爭奪戰白熱化！科技巨頭豪擲20萬美元薪資溢價搶人 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

數據科學家在如今大量使用數據的世代下，算是一項相對熱門，且工作範疇得以廣泛發揮運用的一項職務。無論是在製造業中，藉由生產流程中生成的各項數據找出癥結點、提升出產效率；或是在金融保險業中，藉由投保人的性格、需求和財務考量等，提供最合宜適切的方案和專業建議。隨處都可見數據科學家在各領域中應用的蹤跡，解決企業痛點、提供用戶最佳解方。

記者 / 孟圓琦

數據科學家在如今大量使用數據的世代下，算是一項相對熱門，且工作範疇得以廣泛發揮運用的一項職務。無論是在製造業中，藉由生產流程中生成的各項數據找出癥結點、提升出產效率；或是在金融保險業中，藉由投保人的性格、需求和財務考量等，提供最合宜適切的方案和專業建議。隨處都可見數據科學家在各領域中應用的蹤跡，解決企業痛點、提供用戶最佳解方。

目錄

一. 關於數據科學家（Data Scientist）的工作日常

1.數據科學家都做些什麼？

數據科學家的主要職責，可概略分作：數據的管理和分析、發現企業或客戶的問題所在並解決繁複的業務問題、將含糊不清的問題和疑慮具體化，和團隊相互交流蒐集不同回饋。並以各種分析工具結合圖表或其他易閱讀的工具，讓即便對該領域不熟悉的人、都能掌握狀況。

總的來說，數據科學家需善用不同技術和領域專業知識，來管理和分析數據、解決不同的業務問題。需要釐清並評估商業問題和需求，確認分析議題並定義假說，辨識數據中的趨勢和模式，並將這些洞察轉化為有用且可操作的結果。此外，數據科學家還需負責構建和維護數據模型，基於業務規律和數據探索設計及執行數據實驗，並撰寫報告和簡報以向利益相關者溝通發現和建議。他們必須跨部門溝通與合作，以利專案的執行，並提出場域需求的解決方案，從而提升數據利用效率與價值，輔助公司決策。

二. 想成為數據科學家　你該知道的這些事！

1.須具備哪些技能

SQL資料庫管理系統操作能力、統計模型、SQL、R / Python、定量分析、資料視覺化、數據科學、原始數據整合、計算機科學、高級數學與統計學，連同服務的企業領域相關知識。比方說，在飯店業服務的數據科學家，在面對「如何提升住客回頭率」這類抽象的問題做檢討之際，能深究背後多種不同面向的根源，比如「哪個年齡層通常能帶來最有價值的轉換率？」、「哪一種房型的出售率最高？」、「按過往經驗，曾有哪些活動或促銷帶來最有效益的業績？」諸如此類更實際確切的方向。

2.建議取得之證書

證書的取得方向和原因可能百百種，其中可能是針對數據科學整個領域、或是其中的特定工具技能。比如：Google Data Analytics Professional Certificate和IBM Data Analyst Professional Certificate (數據科學證書)，皆提供英語線上課程和證書。而Microsoft Azure Data Fundamentals認證，則採用線上考試、費用將依據所在地點有所不同。

3.應具備什麼樣的學歷背景？

數據科學目前尚屬於相對新興的一項專業，大多現有的數據科學家背景，多為資訊科技、電腦科學、統計、數據科學、軟體工程學系等專業出身。若是初學者初入該領域想成為一名數據科學家，根據KDnuggets的統計資料顯示─平均需要耗費約 5 年的時間，而亞洲、美國和西歐等地區的答案則是平均 4.9 年左右。

延伸閱讀：CIM工程師　掌握製程到資訊整合

薪資範圍按不同學歷有什麼樣的差異

1.大學平均薪資

關於薪資範圍，數據科學家的薪資根據學歷和工作經驗的不同，而有所差異。各家不同公司的起薪，也因其規模大小而不同。若以學歷來做劃分，大學學士學歷月薪範圍約莫落在50,000元至70,000元左右，月均薪估計是63,000元。

2.碩士平均薪資

研究所碩士平均月薪範圍則落在55,000元到80,000元，月均薪估計是71,000元。

3.博士平均薪資

研究所博士平均月薪範圍則落在60,000元到128,000，月均薪估計是109,000元。

四. 未來發展性

數據科學家可發展的產業多元，從製造業、金融業、能源產業、保險業、旅遊業等，皆有針對數據科學家一職拋出橄欖枝。除了持續深究升為資深資料科學家、亦可考慮做產業上的移轉嘗試，在數位化的時代下，數據科學家的重要性勢必與日俱增。

想了解更多的科技業職缺嗎？由科技島與1111人力銀行攜手合作、透視上百種科技工作內容與薪資行情的「職缺百科」正等著您前往探索！

討論區：https://www.1111.com.tw/1000w/fanshome/discussionDetail.asp?d0=140502

[elementor-template id="118858"]

這篇文章 數據科學家　數據判讀優化業務決策 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

近日AI技術的超級進步與科技巨頭們的發表使得AI與人機協作的應用多了許多想像空間，例如自動化重複性工作、幫助我們管理日程和回答問題等等。

文／戴士翔 | Dennis Dai

近日AI技術的超級進步與科技巨頭們的發表使得AI與人機協作的應用多了許多想像空間，例如自動化重複性工作、幫助我們管理日程和回答問題等等。這些功能可以讓我們更有效地利用時間和精力，從而提高個人生產力。你可以看到資本、技術、人才都在湧入這個賽道，讓這個領域的發展速度相當驚人，而不只是科技巨頭，多數公司與個人開發者也可以快速串接開源LLM來調整訓練、串接自己的應用服務。

而除了商業應用，多數工作者也關心該怎麼整合AI服務到自己的工作流程中，讓工作更有效率，提高個人生產力。個人從去年ChatGPT問世以來就持續在開發自己與團隊的AI協作流程，因此下文將會分享一些個人心得：

1. 我怎麼思考AI來開發自己與團隊的AI協作工作流程
2. 三個使用AI工作的思考原則與個人實際案例
3. 對AI人機協作的想像

文中也會分享自己在過去數位轉型案例中看到企業流程協作與開發AI use case 的機會點。

AI 應用的本質：資料格式的轉換與非結構化數據的分析處理能力

首先對於AI的應用本質，我的理解是「N2N」，也就是形式上自在轉換不同「資料格式」。比如現在的文字轉文字（ChatGPT）、PDF轉文字（ChatPDF）、語音轉文字（PodcastGPT）、文字轉圖片（Midjourney）

而這個過程可能是放大從輸入到輸出的資訊量，進而產生結果，如通過簡短的Prompt 生成報告、圖片 ; 也可能縮小資訊量，如請AI摘要資訊量大的報告、摘要影片的內容。

這並不是新概念，過去數據科學的深度學習很大一部分的價值就是將非結構資料轉成結構資料[註：結構資料通常是二維表格形式如Excel, csv，非結構化則是各種形式通常用json, mp3, jpg等]，這是一種資訊量大到小的過程。如行銷科技的應用從多種商品圖片中萃取出質感、顏色等「標籤」，或者量化交易公司從停車場車輛照片、農作物空拍顏色獲得「流量、產量」等結構化數據。

類似於主管交辦任務，而成員交付產出，理論上每個個人都是一個小型管理者，協作對象為AI。

因此在思考應用上，我會去想：

不同的場景需要什麼樣的「資料」：明確產出

比如我要設計簡報，那麼產出就會是文字與圖片資料

2. 所投入的資料與產出的資料差距：量化生產力提高程度

比如輸入10~20字的字串，產生100~200字的報告，就是10倍的差距

用10分鐘測試輸入30~50個詞，產生4~8 張耗時人工3~5天工作天的圖片

3. 需要AI的步驟與需要人的步驟：確保可控性

AI與人的協作是仿生關係，比如確認報告中關鍵數字的正確性、建立產出框架（如特定格式的回答方式、特定風格的圖片）

這樣一來就可以設計出許多個人需要，且足夠有價值的AI工作應用。經過這種思考方式之後，我目前個人有在使用且付費的AI應用程式包含：Notion AI, Github Copilot，而使用中免費的AI應用則有多種生成圖像的應用（如MJ，純粹好玩）、ChatGPT、ChatPDF、Perplexity AI 。

從上面的工具來看，我目前只專注在既有流程的資訊輔助「減少/生成資訊」上（減少內容如查找資訊、比較分析，生成內容如程式碼、文章大綱、摘要），但是並未用在完全的生產力解放上（如100% AI 生成圖片、100% AI 建立報告），未來預期會使用更多服務來提高個人生產力與輔助工作流程。

1. 知識搜尋引擎

這部分可以分成公開與個人兩個方面來說明，而知識搜尋建立在資訊整合與學習的行為上面，比如搜索未知的資訊、確認已知的資料、整理未知的資料來創造已知的資訊等…….

公開

不論寫程式、研究算法、商業分析，在過去都脫離不了Google，然而需要的資訊經常十分龐雜，且中文搜索引擎經常混雜到大陸各種轉發、轉傳、拷貝的重複內容、英文搜索則充斥大量廣告、付費式的內容，因此在知識搜索上使用ChatGPT等工具可以更好得到需要的資訊，比如複習某種算法的原理、提供某些問題的解決方案思路。

我個人最常用的Prompt包含「你是一位XX專家，建立一個XXX、分析XXXX 優缺點、適用性、好處壞處….」，並通過追問、補充特定資訊的方式來得到我需要的結果，在這方面ChatGPT的免費版本已經足夠好用

個人：

每個人都應該建立自己的知識庫，現在的筆記軟體盛行，要累積個人需要、反覆使用的資訊並不困難（如SOP、知識筆記）。法人也不例外，公司應該建立自己的知識庫。在過去，我們可能依賴於「搜索」的方式來查找自己的資訊，因此整合資訊的效率取決於筆記軟題的搜索功能強度（如我個人最愛用的EverNote） ;

但在「現在開始的未來」，「提問」的方式變成資訊整合最主要的行動方式，因此很大程度筆記軟體的整合效率會取決於該公司LLM的下游Tuning（可以理解為公司將大型語言模型的服務「落地到自家服務的適配性」），以Notion AI 為例，我在工作上與一部分的知識都已經在Notion建檔，因此通過 Notion AI 能夠通過Prompt來得到自己整理的內容與結果。

就我所知另外一個筆記軟體Heptabase就直接把這種「資訊整合」的提問方式做成一個功能。

個人的另外用途還有資訊摘要，如使用ChatPDF來閱讀論文、使用 Perplexity AI 來搜索相關文獻等，取代以往的 Google Scholar 與 pdf browser

至於Podcast、Video 轉摘要個人現在用的並不多，原因是我認為閱讀在人性上更偏向是一種主動的行為，精力有限，我會需要更準、更精的資訊，通過提問來協助思考。然而Podcast、Video等媒體通常會在我的零碎時間中出現，此時我的精力其實是放鬆的狀態，因此媒體的單向輸出更適合，不然還要手動Prompt跟想提問，其實不會特別休息到，也無法全心在吸收跟思考上。

因此以主被動的方式來看，Video 跟 Podcast 的prompting 更適合出現在主動性的工作內容上，好比我是一個要聽法說會的分析師，那麼使用 Video to text 來快速產生Raw note 可能會很有用 ; 我是一個一天要打好幾通專家訪談的顧問，那麼使用 Voice to text 來整理好幾小時的錄音檔也會非常有幫助。

2. 自動化重複性工作

使用AI預期可以自動化許多重複性工作，例如發送電子郵件，處理文件，生成報告、圖片等等。這樣可以節省工作者的時間和精力，並把時間花在更具有價值的事情上。

有趣的是，雖然自動化是一個大家對於科技發展常見的想像場景，但從我之前在管顧業參與過的數位轉型專案來看，AI在這部分的幫助可能並不如大家想像得那麼大。首先，多數流程其實存在規則式的範式，需要的輸入跟產出都非常明確，這並不一定需要AI嫁接其中，反而規則式程式碼容易控制，而這種自動化任務在有了程式這個概念之後就可以執行。其次，容易控制的流程相比不穩定的流程還要容易被人們接受。

省了時間不見得省了精力

15分鐘執行時間的程式，完全自動化 v.s. 5秒自動化、但需要手動確認與檢查的AI程式，前者的可接受性更高，因為前者只需要一次工作，後續不出什麼大事基本上可以放著不用管它，這才是真的「解放勞動」，因為所有的流程有如玻璃，你完全可以預期會得到什麼結果。然而後者的問題就大得多，雖然每次執行很快，但是結果難以控制、或者需要額外調整，即使額外調整的時間僅需10~30秒，但每天這麼做依然在流程上擺脫不了人為的參與。

就好比傳統CRM人員可能更相信人為定義的RFM分群會比K-means RFM來得好，有了更進階的算法不見得會有更好的效果。

機會點存在於那些人為每天得做，但是資訊複雜的任務，而這種任務就是常見的AI use case，比方說電商打擊假貨，這個其實算是一種重複性工作，描述起來也不如個人化行銷、存貨預測等其他AI任務聽起來那麼酷炫，但是這種任務是必要的，且難以寫程式排查（因為品類太多、特徵不明確）。此時的自動化任務就可以通過 AI 來進行，即使結果也並不是很穩定（FP/FN ，如弄假成真、錯抓正版），但後續人為排查的精力可大幅縮小（比如抽樣幾個結果來大致了解運行效能、重新訓練模型檢查評估指標等等……），工作時間也大幅被縮短，就會是一個十分有價值的自動化任務。

新時代管理者的課題可能還包括決策不同流程、議題讓AI參與、數位化參與、人為參與的程度與取捨。

對於自動化任務個人還是充滿期待的，但現階段我認為這不是自己主要探索AI應用於自己生產力的領域，原因就如上，企業級的流程自動化中經常還是需要人為控制部份因素、或者檢證AI產生的結果（比如檢查 Email的文案、發送通知的名字是否正確）

這種場景之下通常可以80%程式、20%人為完成，不一定需要仰賴AI自動生成，也不能保證AI自動生成的流程可以更容易被人們信賴 ; 相比於程式控制的流程與清晰的邏輯，AI提供的流程生成可控性沒那麼高，測試一個Prompt的時間也比大家想像中的久。

以ChatGPT為例，他的輸出時間不像語音助手如Siri 那麼流暢（但這是因為文本應用本來就不太要求即時順暢的關係，所以在工程上開發團隊不見得需要解決這個問題、達到這個要求）

你可以發現他的回答速度並不是很穩定，即使按下重新生成回答，結果也可能不如預期，從目前使用 Regenerate response 1~2次就會產生一個Feedback Survey 來看，開發團隊很有可能正在專注解決Prompt testing 的問題，也就是不讓使用者去學習怎麼Prompt，而是讓ChatGPT更容易從極少的測試理解使用者的意圖。

總結來說，微軟之後就會推出Office Copilot ，到時候勢必會有更多實際案例與人工智能流程發展的場景，現階段個人認為當前的AI成熟度在自動化這部分的幫助，相比於既有的數位工具流程優化、程式自動化並不是特別大。等到辦公軟體的主流Office 都開始發展應用，我想到時候自己就會開始研究更多AI自動化工作的內容。

3. Prompt and tune 的工作方式

Prompt and tune (提問與調適 — 調整測試)

我認為過去的工作習慣可能更偏向於Give and get ，因為流程、產出明確，所以容易通過規則的方式（傳統寫程式、建立PPT模板、制式化表單等）來提升工作效率，在多種職業的工作場景都可以看到共通的「類流水線」模式，不同工作者的輸入可能來自另一位工作者的產出，如工程師需要依照設計師的產出實作 ; 供應鏈需要財務分析的產出去談判，這是一種相對線性的工作流程，會產生出迭代通常是因為後者的流程瓶頸，如功能實作效益不符合成本請設計師修改、談不到價格所以請財務再評估一次 ……. 因此專案管理的技能更偏向處理多工協調、規劃、評估。

但是 Prompt and tune 更偏向於螺旋式工作，因為AI可以扮演不同的角色（如ChatGPT的promot中可以請他做角色扮演），因此對於上面的組合式工作流程來說，每個工作者的節點都可以替換成AI，那麼這裡會有兩個插入的工作方式：

1. 工作者在節點：每個工作者在負責的節點使用AI
2. 工作者在流程：控制流程而非節點，在節點完全採用AI

1.的部分我們在第一段討論過，因此來看2，這時候的每個人都是負責一個流程，因此輔助的節點要足夠強大，這意味著得讓AI成為專家，而要讓AI成為專家，就需要控制流程者提出好的Prompt，以及使用Tuning 版本的AI，這種工作流程一旦成為主流，那麼就有大量利基市場的新創機會，不同公司有自己擅長的專家AI，然後我們使用這些服務。

這也不是新概念，以SaaS 、按量付費的API服務來說，我可以讓工作者在節點使用特定API ，也可以打造一個基於雲服務的機器學習應用，此時的我更像是一個雇用不同API服務的流程管理者。

這種思考方式會影響到 Prompt 的個人化使用，以我現在使用Github Copilot 為例，過去已經有很多程式碼提示工具，Give and get 的方式就是我展開特定語法，然後做程式碼補全（如輸入imp，提示出import XXX），如果我不是以imp開頭，那麼機器無法得知我要做讀入套件的意圖。

但是改成用Copilot 之後，我可以在更高層的角度說我要畫一張圖，而因為必須import才能使用畫圖的套件，因此程式碼的提示不只會幫我畫出圖，還會順便import。

總結來說，過去的Prompt更像是概念1，我必須把任務都拆得足夠小，才能夠開始用一些工具來提高生產力（如打好每一行的每一個字，在精力付出上並沒有太多節省，只是節省了手動輸入的時間）

但是從現在開始的未來，我可以把流程拆解成節點，做好骨架，AI 就會自動幫我把肉補全，剩下就是Tuning 其中的肉。這更接近於概念2，我腦中思考的內容並不是回想語法、設計寫法，而是可以專心在處理任務的例外情況與可共用的流程節點協調、以及每個節點該完成的任務，而AI會幫我做完剩下的工作。

而除了服務端Tuning，應用端也要Tuning，最常見的就是各家業者使用自家的數據來調整訓練數據，並串接既有的服務，如Bloomberg AI 、Duolingo AI 。

但是個人其實也可以Tuning，Tuning 的好處在於你可以從多次的Prompt與Feedback 中得到更符合預期的結果。

以數據科學專案為例，在Python中有意識更高頻使用Assign的寫法，讓AI融入分析過程。當我在工作上已經先設定出 target_category_products = [’iPad’ , ‘Mac’]，建立”product list = “時會得到該類別下特定型號的提示 ; 而分析另外一個餐廳數據集時，在給定變數 measurement = “sales” 之後，我之後要撰寫新的變數時，AI不只知道我要做的計算，甚至會自動提示出有意義的變數命名如sales_growth_rate = XX, sales_by_stores 等變數來做中間的處理，這是非常令人享受的工作流程。

從上面的例子來看，以寫程式來說，過去因為時間耗費長，所以人們可能更習慣建立通用的函數，然後調用該函數來節省時間，而通用的問題就在於可讀性不一定高（df的命名）、人為標記讓名字過長（如run_XXX_for_customer_df）

但是現在我們可能要稍微轉變一下思考方式，維持函數的可通用性，但在名稱上有意識建立出具體的範例與獨特的名稱，讓 AI了解我們的意圖從而在接下來的協作上建立出更符合當前場景的應用，我認為這也是一種Tuning，你必須讓AI明確得知你的意圖，讓它學習到你給予的模式，人類跟AI的協作才會更有效率（更符合預期的結果）。寫程式這種充滿邏輯與規則的工作型態既是如此，我認為各行各業的AI應用也將會朝這種個人化可調試的方向走。

那麼ChatGPT或者其他應用也可以嗎？

而以大家常用的ChatGPT來說，你可能要開始建立不同的Chat Channel，類似Slack，每個Channel有一個自己的專家，這樣在調用上會出現更好的結果。比方說我跟ChatGPT聊了30分鐘左右的保養品，當我提出「疫情復甦後的旅行用保養品機會是什麼？」相比一個只問了幾句「快消品市場」全新的GPT，同樣都具備回答問題的能力，前者的回答更貼近我的假說與能夠提出更具體的思路與一些想法，後者則是一些非常廣泛的答案。

這也會影響到後續的Prompt，當我輸入「請說明2021的流行趨勢」之後，我只要輸入「2020呢」，AI 就能夠仿照類似的回答範式給我不一樣的答案，但是直接輸入「2020」則是理所當然的語境不足，AI無法得知我想要的資訊是什麼。

而在生活場景亦然，以Apple最近發表的Watch錶帶與系統更新來說，人們也可以Tuning 健康智能，如跑步用、辦公用來讓AI更理解你現在的身體、行為狀態等提供更合適的紀錄與資訊（如運動中心肺提醒、辦公環境提醒站立、休息等）。

總結：從個人工作流程思考而不是追逐buzzword

使用AI可以幫助我們更有效地管理時間和精力，從而提高個人生產力。我們應該從現有的工作流程中出發去思考AI技術的機會，而不是追逐新的應用生搬硬套到某些不一定適合的工作流程上。

我認為適應是自然而然的， 最好不要有AI是一個全新東西的想法， 這會讓你焦慮到去買一些AI的課程、忙著下不熟悉的prompt， 而是專注思考怎麼串連到既有的知識體系跟習慣裡面，習慣成自然。

現在市場上最多人討論的還是圖像生成的技術，如遊戲NPC的生成、影音偶像、藝術作品結合之前的NFT熱潮等…… 不可否認這些領域的商業潛值巨大，每次突破也蘊含對超未來想像的驚喜，然而對我們每個人來說，前面這幾項AI應用的發展重要性可能不如於你現在手上的筆記軟體、開發工具、到穿戴式裝置與物聯網家居系統，因為這些離我們很近的機會能夠優先提高個人生產力與生活品質，讓你有更多時間與精力去適應未來AI與人類共存的社會。

本文由 戴士翔 | Dennis Dai 授權轉載，原文連結《如何使用AI提高個人生產力與團隊價值，數據科學家的觀點》

這篇文章 如何使用AI提高個人生產力與團隊價值，數據科學家的觀點 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

編譯／莊閔棻 大規模地實現虛擬和實體之間的同步並不容易。因此，正在努力建設元宇宙的公司和國家對於各種專業人員的 …

編譯／莊閔棻

大規模地實現虛擬和實體之間的同步並不容易。因此，正在努力建設元宇宙的公司和國家對於各種專業人員的知識和技能的需求越來越多。

然而，很多人可能都對哪些職業是建構虛擬世界所需要的不太了解。為此，《西班牙電信》就為我們列出了9個發展元宇宙所需的關鍵職業，以讓我們可以更了解該技術：

1. 軟體工程師（AR、VR、MR）

元宇宙的發展將需要軟體工程師，特別是那些專門從事擴增現實（AR）、虛擬現實（VR）、和混合現實（MR）的工程師。 而對於軟體工程師來說，成為用戶體驗（UX）設計方面的專家，並熟練掌握用於開發元宇宙環境的關鍵程式語言，如C、C++、JavaScript、Python和Rust，將是非常重要的。 

2. 數據科學家 

在一個元宇宙背後，是數以百萬計的數據，而這些數據是由用戶和使這些虛擬環境成為可能的演算法所產生的。 因此，在其建設中，數據收集、儲存、處理和分析方面的專業人員就非常重要。他們將要有能力可以利用這些數據產生知識，用於做出決策，並優化元宇宙。

3. 網路資訊安全專家

由於其規模和產生的數據流之大，元宇宙可以說是網路攻擊和詐欺的最佳地點。從盜用身分、竊盜財產和私人數據，虛擬環境的用戶面臨著無數的威脅。因此，資安專家非常重要。

4. 人工智慧專業人員

創建元宇宙，就需要人工智慧專業人員為其創建人工智慧模型。如此一來，虛擬環境才可以實現流程自動化、處理數據、預測行為和讓人工智慧系統與人的化身互動。

5. 社會學和心理學專業人士

為了理解人們在這些虛擬環境中的行為，以及根據每個用戶的需求創造體驗，社會學和心理學專業人士也需要參與到這項技術其中，並根據他們的專業知識做出分析，讓用戶可以擁有更好的體驗。

6. 市場行銷人員

元宇宙可以說是進行行銷活動的新型理想管道。 因此，有能力創建和執行沉浸式廣告的專業人士也將是一個有很大需求的職業。

7. 區塊鏈工程師

作為目前最受歡迎的專業領域之一，區塊鏈工程師推動了加密貨幣市場，而隨著元空間的崛起，它將變得更加重要。為了保護所有類型的數位交易，區塊鏈將與這些虛擬環境的開發和執行密切相關。

8. AR和VR的科學研究人員

除了開發現實世界的基本數字模型外，在元宇宙技術中，還需要有科學研究人員創建基礎架構。讓物理現實被帶到元宇宙中成為可能，使其成為元宇宙用例的基礎。

9. 3D遊戲設計師 

在建構元宇宙的過程中，3D遊戲設計師的需要構思每個虛擬環境或社群中的環境和人物，並將這些想法轉化為電腦程式碼。

其他一些會需要職業還包括：NFT 專家、元宇宙規劃師、產品經理、講故事的人、元宇宙導遊、智財合約律師、生態系統開發者、元宇宙警察等。

參考資料：telefonica

這篇文章 建構元宇宙需要的 9 個關鍵職業 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

「大數據」是指數量龐大而無法以傳統方式處理的資料，大數據的興起使資料探勘、統計領域成熱門科目，且造就許多新興職 …

「大數據」是指數量龐大而無法以傳統方式處理的資料，大數據的興起使資料探勘、統計領域成熱門科目，且造就許多新興職業，根據知名印度教育公司Great Learning指出大數據人才已是各行各業不可或缺的人力資源，並依序介紹當今歐洲五種數據科學職業，分別是「數據科學家」、「數據分析師」、「數據工程師」、「數據架構師」、「機器學習工程師」。

許多產業皆透過大數據分析預測未來趨勢，使大數據成為各行各業必定發展的數位技術，而Great Learning提供分析、數據科學、大數據、機器學習、人工智能、網絡安全、全棧開發、雲端計算、深度學習等職業關鍵課程，下列將說明Great Learning所提及歐洲五大數據科學職業的職責，以及在業界扮演的角色。

一、數據科學家

數據科學家是種需要一系列技術和基於所在領域的技能，來管理和分析數據以解決業務問題的職業。

所需技能：

1. 具R、SAS、SQL、Hive、Pig、Spark、Python 等知識。
2. 具量化研究和大數據分析的專業能力。

二、數據分析師

數據分析師是指具數據洞察力，將原始數據轉化成可用於制定決策的資訊或知識的職業。

所需技能：

1. 具R、SAS、Python、HTML、C++、SQL 和 Javascript 等知識。
2. 需熟悉使用多種工具的「數據檢索」、「資料倉儲」、「數據可視化」。

三、數據工程師

數據工程師是開發、實施和維護數據系統，擁有建立「創建軟體解決方案」能力的職業。

所需技能：

1. 具Apache Hadoop和 Apache Spark、C++、AWS、Azure 等專業知識。
2. 了解數據庫系統、資料倉儲解決方案、ETL工具以及 Python、Java 等編程語言，並對其算法和數據結構有充分知識。

四、 數據架構師

數據架構師負責建立和維持公司資料儲存的技術基準，策劃硬體和軟體的結構，確保資料儲存系統可支持未來的資料量和分析需求的職業。

所需技能：

1. 應用數學和統計學於基本編程語言。
2. 擅長數據可視化、數據遷移、數據處理、數據建模、數據庫管理和數據挖掘。

五、機器學習工程師

機器學習工程師是創建機器學習程序和運用演算法，使其機器能不受指示的情況下採取行動。

所需技能：

1. 具應用數學、計算機科學、軟件工程、數據分析和特徵工程等概念。
2. 具機器學習演算法和交叉驗證等方面知識。

上述歐洲5種數據科學職業，各有特色，沒有所謂的優劣，取決於個人所任職的行業和工作類型，加上大數據已是主流趨勢，也替數據人才開創職業生涯的黃金機會。

這篇文章 大數據時代產物 5種數據科學頂尖職業 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

數字會說話！每日生活都脫離不了數字，從數字累積而成的數據經過有效的統整、分析，更能進一步預測，這就是所謂「數據 …

數字會說話！每日生活都脫離不了數字，從數字累積而成的數據經過有效的統整、分析，更能進一步預測，這就是所謂「數據科學」(Data Science)，透過應用一系列邏輯及分析技巧，協助人類做後續的判斷、解讀及預測，舉凡購買行為、各式商業分析都能應用。數據科學驅動各行業的創新應用，並讓產業進而轉型成「數據加值管理」的產業，在D（Data）時代，能妥善運用數據科學就能掌握先機。

跨領域融合多項專業

所謂「數據科學」並非獨門單一的學科，而是融合數學、統計、電腦科學、機器學習等多個跨領域的專業。運用大量數據彙整、統計推斷、邏輯分析等過程，藉以找到數據背後所隱藏的事實及模式，讓人能有效判斷，進而預測，以利後續的行為決定。

各行各業廣泛應用

舉凡各行各業如電商、金融保險、製造業、能源業、生技製藥、衞生保健、資通訊，甚至連新創公司創業前的商業評估都需要借用數據科學。例如：電商能運用數據解讀出哪些是熱銷產品而增加進貨；生技製藥能利用醫療數據加速新藥的研發；製造業分析生產數據以提升產能。

必備基本要件

數據應用多元廣泛，大數據人才，尤其是數據科學家成為各產業爭相高薪挖角的人才。成為一名能精準預測，並為企業帶來效益的數據科學家必須具備4大條件。首先，必須熟悉數據科學技能，這當中包括數學、統計學、編碼、計算學、模型建構、數據管理等。其二：須具備該領域有相當的業務知識。例：在生技醫藥從事數據分析，本身也得對產業有一定的了解；其三：具好奇心及洞察力，一名好的數據人才必須「主動」看見問題，而非「被動」解決問題。其四：具出色的溝通能力，才能在跨部門報告中解釋分析結果，並根據結果協助企業做出最佳的行動方案及判斷。結合專業、跨領導知識、洞察力、溝通4大能力，是數據科學家基本的必備條件。

就業市場多元

數據科學家的就業選擇多，如上述製造、金融、電商、能源等產業之外，針對不同工作內容也有多樣的選項，可走行銷、財務、生產、研發、專案、營運等多方面切入，端看個人專業及喜好來選擇。

這篇文章 D時代來臨！數據科學家必備4大特質 出路多選擇 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。