「AI 可能是有 3 個大腦（指決策、預測、分類）：可深度學習，憑深度學習就能讓 5 成的人失業。」創新工場董事長李開復在近期的演講直指 AI 對於就業市場的影響。

AI 技術與日俱進，導入領域也不斷擴大，當然也為各產業帶來不同程度的衝擊與影響，若從拓墣統計的數字來看：AI 機器學習應用最大宗就是金融與資訊安全，占比 20%，其次是數位廣告科技的 18%，前兩大產業都與大量的數據息息相關，也成為 AI 最快、最容易切入的領域。

而如此龐大的產值佔比是否意味著對原本的工作機會造成影響？無論是從應用別分布數據、或是近一年來媒體揭露的金融業裁員消息來看，AI 時代來臨，首當其衝的不外乎是已經發展成熟的金融產業，海量的數據判讀、預測、分析已經逐步能由 AI 取代，而受到最明顯的衝擊。

這是否也意味著 AI 時代的來臨，我們都有可能被機器人所取代？

或許也不用這麼悲觀。

儘管許多工作機會因為 AI 技術的成熟而逐漸消失，新興工作機會卻同時正快速地增加，其中就以能掌握數據、分析數據，並且能從數據中找到商業價值的「資料科學家」、「資料分析師」一舉成為職場的明日之星。

「資料科學家」、「資料分析師」的人力缺口究竟有多大？實際從 Linkedin 搜尋這兩項職缺，全球就有近兩萬筆相關職缺訊息跳出。而根據微軟的說法，台灣就有超過 10 萬名的資料科學家職缺，然而目前卻只有 1,800 多位的資料科學家，看到了這個缺口，而讓微軟開始進行資料科學家的認證培育計畫。

那麼，到底資料科學家、資料分析師需要具備什麼樣的條件？想要在一個 AI 盛行的新時代，三項基礎能力是我們必須具備的：「程式語言能力」、「統計學知識」、「跨領域知識」（Domain Knowledge）。

程式語言能力

對於將資料導入實務應用的工作者來說，如何讓 AI 按照需求行動將會是一門重要的功課，AI 的開發除了硬體能例外，背後也有著無數的演算法與軟體應用相搭配，才能讓 AI 正確收集、理解、應用大量資料。

現在各家國際軟體平台大廠所提供的開源框架（Open Source Framework），都是針對降低 AI 系統開發難度所推出，目的是要吸引更多應用開發夥伴一同加入，越大的開發者社群，就能將語言框架的結構設計更為完備、同時降低新人加入的門檻。

目前這些開源框架都是建立在既有高階程式語言的基礎上，以 Python 和 C++ 為主流。我們也可以從這些國際廠商的發展動向推估，AI 的時代來臨將會推升學習 Python 和 C++ 等程式語言的重要性。

統計學知識的重要性

有了程式語言能力作為基礎，處理數據及數據可視化的能力也是不可或缺的。

而上述的數據處理能力正是建構於統計學的知識，將大量資料變成更有價值的資訊。

統計學概念在機器學習上也扮演相當重要的角色，因為現在的AI系統其實都是透過模擬人腦的架構進行學習，利用輸入大量 Data 的方式，從中統整出一套規則，因此專門應用於大量數據處理與迴歸分析的統計學自然不可或缺，透過機器學習讓 AI 得以提升模預測精準度，並不斷藉由不同算法自我提昇。

關鍵的 Domain Knowledge（跨領域專業知識）

具備了工具使用的能力後，累積跨領域的專業知識，將是 AI 時代中，能否成為搶手的資料科學家關鍵環節，畢竟只懂數字、但對需求產業不理解，也無法在該領域中發生作用，如同一個文字運用能力頂尖的工作者，如果對於時尚產業完全不理解，也難以寫出關於時尚產業的優秀文章。

因此，除了分析數據的統計學知識，並利用程式語言作為輔助工具外，了解個別產業的專業知識，進而能以切中要害的命題、資料分類，靈活地解析數據或判讀資訊，才能從中找到真正的商業價值。

最終，創造力也是不可或缺的一環

工具、知識皆能掌握後，創造力也會是資料科學家不可或缺的要素，資料的累積與分析經驗，固然將成為判讀數據資訊的重要依據，但從不同的面相出發並透析出更為難解的資訊，也是資料科學家或分析師得以出類拔萃的重要指標。

包括產生全新的特殊命題與分類、從新穎的角度切入與解讀數據，進而產生全新的商業價值，並讓 AI 能借此跨入全新的領域，也將是資料科學相關工作的重要特點。