其實原本是沒有打算在第一年就寫一篇跟工作相關的文章，但最近 Data / ML 真的熱門到不行，網路上出現太多“似懂非懂”的人在對這個領域大做文章，分享了一些過於主觀且偏頗的觀點，製造了無謂的恐慌，且身邊很多學弟妹都有意願以 Data (ML 就真的比較少了) 做為職涯目標，所以想說分享一下我這一路上是怎麼走來的，以及盡可能用最客觀的角度去分析 DS 所需的技能 (MLE 再給我幾年時間體會，小弟目前還太菜，怕寫了不夠精確 XDD)。
稍微自我介紹一下
在政大待了六年 (財政系 + 金融所)，當初大學選政大是因為不想寫程式 (高中被 C 荼毒三年所以當初很討厭 coding)，但在大三因為接觸到 Data Science 而一頭栽進這個領域，但拜必修所賜，以 overall GPA 3.05 混混的畢業了。在金融所除了必修以外幾乎全部都修資科所的課 (大學部的資結、演算法也修了)。畢業後在某金控一個蠻新的團隊當 MLE，主要工作是 Research (Tabular Data / Financial Machine Learning) 以及 LLM 的應用。平常沒事就健身、打球、彈吉他、跟以前碩班的老闆 (Kendro) 一起寫 paper 做研究 (asset pricing 相關)。
商院畢業怎麼當 MLE?
其實我當初也沒有說一定要是 MLE，只是單純覺得有機會就試試看罷了，主要還是把職涯目標擺在 DS。如果你跟我一樣，是商管、社科背景出身但也想進入這個領域，我羅列了以下幾個當初覺得自己比較有可能被看上的幾個點：
- 數學：沒有說到很強，但計量、線代、機率論都算蠻熟，畢竟 ML 論文裡面會出現的數學幾乎都離不開這三個基礎科目 (Diffusion Model 先算了，看到一坨 ODE 跟 PDE 真的會怕)。
- 程式：可能是因為高中被荼毒了三年吧，即使中途一度放棄寫程式，但後來在 catch up 的過程中幾乎沒有遇到困難。除了修課以外，我也很喜歡沒事就搞一堆有的沒的，所以在畢業前其實 side project 不少，前後端、DB、Linux OS、一些軟體工程的技能啥的就都有自己摸過一點 (但就一點)。
- 研究領域：碩一上就打定主意要跟 Kendro 做研究，所以就剛好做到 Deep learning in asset pricing 這個領域，那自己對研究也蠻有興趣，花蠻多時間在思考方法、模型上的東西，所以做出來的成果規模算大，難度也還行，所以算是為自己在 coding 以及 ML 上的能力掛一個保證。
以上三點大概就是我覺得自己能被錄取的客觀原因，當然其他主觀原因像是個性啥的就不多說，每間公司，甚至每個團隊都有不一樣的偏好。
DS 的技能需求演變
⚠️ 以下都是我自己從 2021, 2022 左右開始一路聽其他人分享、自己進入職場實習、正職的一些觀察以及感想，實際上是不是完全照我說的一樣那還真不可能，所以就參考看看吧。如果有在業界的讀者有其他建議，也歡迎跟我說，我會盡可能的更新這邊的內容。
正片開始
大概四年前吧，業界對於 DS 工作內容的定義比較多還是針對資料進行各種 EDA, Preprocessing, Feature Engineering，接著建模型，分析結果。簡單來說就是一整套 Machine Learning Pipeline 的流程。當時的 DS 比較像是在給定的資料以及目標下，想辦法用各種統計、機器學習方法來解決該問題。但隨著時間的演進，以及學校課程的更新 (Huh?，上述 ML pipeline 已經成為只要修過相關課程的學生都可以大概做到的事情 (當然還是有好壞之別，還是看到不少 garbage in garbage out 的專案)，這邊想表達的意思是這不再是一個只有少數人會的技能。那這時候還想當個 DS 就不能只會這些啦，在分析有 DA / BA / BI 幫忙的情況下，DS 便向工程靠攏，也就是說，不再只建模跟處理資料了。
至於是什麼樣的工程技能呢？我們可以從一間公司的業務流程了解到這件事情。大部分的公司應該都會有產品 (product) 或是專案 (project) 來幫助公司獲利，而 data driven / AI driven 的公司在這些 product / project 中就會請 DS 來處理資料、機器學習模型相關的問題。但只處理資料、建立模型是沒有辦法讓專案或產品上線的，因此會需要有
- 資料工程師 (DE): 建立資料 ETL pipeline、管理資料庫、維持整個 Data Warehouse 的運作，讓資料有辦法做 streaming
- 前後端軟體工程師: 幫忙建立整個軟體架構以及網頁介面，讓客戶可以使用該產品、服務。
更甚者，公司會希望將這些產品、專案都部署到雲端，並且有自動化的 CI/CD 流程，這時候也會有 DevOps / DevSecOps Engineer 來協助。誠如第一段所說，DS 逐漸向工程靠攏，在我的觀察中，DS 會開始做一些工程的 work，比如說寫 ETL pipeline，API, 寫 CI/CD pipeline 等等的，這些技能基本上是學校不會教的，很多時候都得靠實習或是自學來熟悉這些工具。當然每間公司的產品面向以及功能都不同，以上只是一個概括性的說法。
也因此，客觀上來說，商管背景的學生在這一兩年要成為 DS 可能比較不容易，因為這已經會吃到程式的底子了，不再是開一個 Colab 或是 Jupyter Notebook 就可以完成的事情。且身邊的同學也比較少會去碰這些工具，比較沒有人可以一起討論，或是一起開發 side project。但所幸這些工具其實都不難，只是需要花時間去學習，去理解這些工具的運作原理以及他們可以做到什麼事情。
結語
以上就是我自己的一些簡介以及我對於 DS 領域的一些觀察，希望對於想成為 DS 的人有一些幫助。另外，這篇文章的主要目的是想分享一些客觀的看法，因此對於我本人是怎麼走到現在這個職業也只是淺淺的帶過，如果想瞭解更多的話，也歡迎私訊我，連結都在左上角。