職場 | 職場修練

ChatGPT將變成像Word一樣基本，數據科學家教你怎麼用對它

ChatGPT將如Word一樣普及、容易使用，未來專業工作者的分析、決策能力會更重要。 (來源：Dreamstime)

撰文者：戴士翔

獨立觀點 2023/03/13

摘要

1.當ChatGPT這類生成式AI融入人們的生活後，專業工作者應該花更多時間在思考問題上，思考這個問題是關於什麼議題，有沒有其他切入方向？

2.懂得參與、溝通，將會變得十分重要，這包括聆聽他人、說服他人，以及清楚問題的目標與限制，並帶領團隊解決問題。

3.ChatGPT絕不會是「取代人」，ChatGPT之後的AI工具將與人類走向共生機制。AI讓人類回歸到更貼近本質的重要事情上，分析、思考的重要性將更被凸顯。

AI普及會來得很快，因此必須儘早思考。本文分為2個部分，作者先說明AI對職業的影響，尤其是數據分析行業，包括：商業分析師、數據科學家、數據分析師、機器學習工程師、數據工程師，以及泛數據行業（如大量接觸數據的金融、行銷、供應鏈、生醫職能業）等。至於其他行業從業者，可以將本文的技術能力（Coding，寫程式）替換為從業的知識要求；第二部分是個人的軟實力，由於大部分行業都是共同的，因此也可以斟酌服用。

最近不管文章、影片、影音媒體，都很流行和大眾分享ChatGPT的應用。從2022年底開始，我就十分關注ChatGPT的應用與發展。該AI工具的強大實在讓我佩服，網路上包含行銷、工程、財務等領域，也有許多人討論ChatGPT對於行業的影響。這篇文章便是記錄我在2023年初，如何看待AI對數據分析產業的影響，以及分享個人對於未來的預測與想法。

面對ChatGPT，人們的學習方向：強化思考、整合的能力

掌握基礎工程與寫程式的能力，並花更多時間思考如何整合到手上的工作。除了可以使用ChatGPT當自己的家教，包括練習寫Code、做出Code模板。

更重要的是，花更多時間在思考問題，包括：這個子問題是關於什麼議題，有沒有其他切入方向？

廣告-請繼續往下閱讀

由於人類使用自然語言就能操作電腦的技術會更成熟，工具變得簡單了，分析工作會因為工具與AI的便利性變得更有效率。人們應該回到數據本身思考：「我還需要什麼數據？面對這個問題要考慮什麼因素？這樣的數據還可以如何解讀？」數據再多，也多不過問題，花更多時間想清楚待解決的議題、思考與數據潛在的偏誤，你會更有競爭力，也更不容易被取代。

面對ChatGPT，該專注累積產業、職能的經驗

這部分比較適合金融、製造業，或擔任供應鏈、行銷等職位的工作者。在培養經驗方面，我會從數據科學的3個主要成分：工程、寫程式、領域知識來分析：

工程：簡單的AI工具將像Office系列一樣親民

寫程式將會變得類似於現在的Word、Excel、PowerPoint，每個人多少都會一點。甚至藉由ChatGPT建立漂亮的作品，就好像做簡報時先開一套模板再來修改，ChatGPT將扮演這種「模板」的角色。

只要是工具，都離不開這種標準形式的替代效果。隨著雲端大廠（如：AWS、Azure、Google雲端、IBM 等）的工具建立與轉型，未來導入、建置工程的門檻會大幅降低。因此除非你是前端、尖端研發人員，否則我認為從事數據科學分析的從業人員，工程能力的差距不會很明顯。

廣告-請繼續往下閱讀

可能有人會說：「工程師才看得懂Code呀，不懂Code要如何協助Debug、將模板應用化？」我認為，隨著AI對於自然語言的理解提高，這個問題在短期內可以藉由程式註解解決，也可以透過拆分問題一一瞭解。大型系統依然需要人類協助組織與規劃，但是在小任務與具體應用上，不懂語法的人，也可以仰賴Google與程式註解逐一解決。因此長期來看，AI普及化的趨勢還是存在的。

因此，像是雲端導入的顧問公司服務，將會提供人們更多該如何導入AI、與AI合作的學習經驗，這將是未來工程能力的重點。比如掌握基礎的PySpark語法與設計架構後，就該學習如何使用Google雲端工具，實際應用到手上的工作。學習操作雲端工具、製作API與AI合作、應用化與組織內普及，是短期的學習重點。

寫程式：掌握基礎知識，思考編碼整合的商業分析

注重規則與學院派形式的編碼將會普及，傳統的機器學習模型，如羅吉斯回歸（Logistic Regression）、線性迴歸算法等將被大量應用。我認為在未來，深度學習的下游任務，如影像辨識、智慧型對話都會更容易產生，因此，純數學演算能力與應用單一領域的演算能力差異性也會縮小。

ChatGPT可以作為優秀的輔助工具，幫助工程師在編寫程式時，快速回顧編碼的原理。這領域人才產生差異化的地方，在於能否結合領域知識的演算設計，例如自然語言處理（NLP）中的Word2Vec，在過去多被應用在生成主題模型、理解文本詞意。但如果應用在零售網站中，我們可以將購物車看做句子、購買項目當作文字，藉此創造出Sku2Vec（一種類似Word2Vec的技術），來瞭解消費者的購買目標（Topic）。

這種將演算法嵌入到不同領域的能力，是數據科學家們所需要培養的能力，不只更核心，也更難被取代。針對不同場景、數據，知道該用什麼演算法也是重要的能力，應用演算法的知識廣度，將取代知識深度。因為深度知識的搜索能力，容易藉由網路資料與學術資源累積，再透過AI工具快速獲得，相比之下，個人是否具備解決問題的能力，需要廣度培養。

領域知識：培養深度思考力

這是我認為最難被取代的部分，你可以使用ChatGPT快速吸收領域知識，但是ChatGPT不擅長梳理問題與領域。這部分需要依靠人類的能力，包括瞭解利益合作方的需求、問題的限制因素、解決問題的效益評估，以及考量更多複雜的因素。

因此，我認為懂得參與、溝通的能力將會變得十分重要，這包括聆聽他人、說服他人，以及清楚問題的目標與限制，懂得帶領團隊解決問題。再將其中較基礎、純執行的任務交給ChatGPT輔助。

領域知識不同於寫程式，許多產業的深度知識可以藉由資料累積，但是團隊當下的問題，都是此時此刻的人，才會面臨到的。因此領域知識更著重在個人思考，這部分不用交給AI，而是靠你和團隊共同發想與理解。

總結：人該專注在進階的設計、思考、分析等工作

總結來看，越基礎、越常態性的工作，AI的取代效果越好，因為可以根據眾多類似的資料，教會AI執行這個工作。AI工程先天就有標準化的性質，因此對只會常態性工作的人很危險；關於領域知識與問題解決，非常視時視地而定，AI在數據不夠多的情況下，難以處理單一個案。的確，你可以讓ChatGPT為你判讀某一間公司的財報，甚至與其他公司做比較。但這樣就變成做摘要的功能，而且現在已有許多財務產品能提供這種服務。

另外，ChatGPT絕不會是「取代人」，我認為ChatGPT之後的AI工具，將與人類走向共生機制，包含共同合作解決問題，如：AI牙醫、AI財務、AI顧問、AI工程師助理。

發想、做出初步架構、耗費時間的資訊整理工作，可以交給AI工具。但對於決策評估、分析數據盲點、數據偏頗等，都還是需要人類專家參與，才能讓AI更好的被使用。AI確實也讓人類回歸到更貼近本質的重要事情上，分析、思考的能力，將會更重要。

基礎建設如數據倉儲、工程實踐、演算法落地等工作，都能藉由AI變得更有效率。隨著數據服務商更加集中，市場將趨向壟斷，知識經驗的累積與數據交付、導入的效率會更好。加上基礎建設多為一次性成本，因此像是維運、問題思考與分析、更具體的設計、貼近自身的解決方式，是每個數據團隊未來要關注的重點。

最重要的是：思考如何避免濫用AI

ChatGPT容易受到操弄，即使開發者已經針對特殊的內容做出對應的警告。但人仍能採用誤導性的問法得到答案，並且在網路上大量傳播。

AI普及的速度可能比我們預期得更快，我認為法律、政策更需要優先回應，如何處理人與AI共存帶來的問題，像是無人車傷亡的責任判定。官員們、學者們也應思考，針對AI倫理進行修法，避免惡意輸入假資料污染數據、干擾AI學習，進而對人類造成傷害。

包括微軟、IBM、BCG GAMMA在內的科技公司，都在研究「可解釋AI」（Explainable AI，又稱XAI）與「負責任AI」（Responsible AI）。以往數據科學家、機器學習工程師在訓練模型時，可能都在開發時間與精準度做取捨，然而現在也要考慮倫理與精度的取捨，像是避免性別偏見，而捨棄性別變數，影響精準度。

如何教會AI無特定偏差，又能很好的輔助我們，將是每個人都將要思考的問題。

謝謝你看到這邊，歡迎一起討論！

＊本文獲「戴士翔」授權轉載，原文：數據科學家淺談 ChatGPT 對工作技能的潛在影響