金順賽事分析網38kky.com

作者為世新大學副校長本月初，在世新大學的一場跨藝展演活動中，觀賞多位音樂家、視覺創作者與新媒體藝術家們動態組合的藝文饗宴，感受到場內多元層次藝術工具與創意對話的流動。觸發了個人長年觀察，如何經由多人的跨領域智慧與技能，共同營造許多亮麗個人成就與生命精彩的記趣；相對的，面對知識經濟與科技下放的時代，如何充分利用既有專長與興趣，追求多重職業與多元人生，將是本文嘗試探討的議題。在後工業的資訊社會年代，服務業將逐步替代生產業，以知識加工和訊息服務為主導的產業結構，建構多職場的趨勢。也因為服務業具有不恆常、客製化與多元化的特質，造成其行業供需之間的交融，可游離在其專業能力、時間成本、觀念溝通與資訊服務的對價關係。對照當下的職場，在專業流動與人際能力的需求中，自然比起傳統工業社會更需跨領域的能力與條件。紐約時報專欄作家Marci Alboher撰寫的「多重職業」一書中提及，斜槓效應型（the slash effect）人才，將成為社會的常態，諸如律師兼簽約作家、攝影與旅行達人；導員兼製片人與新媒體專家；雜誌主編兼投資人與部落客；知識管理兼市場行銷與購物專家，這些具有跨領域專業的人，確實令人羨慕與佩服。上述的斜槓或π型人才特質，通常來自許多淵源。其發展脈絡包括個人的人格特質、家庭因素、生存需求、衣帛相傳、興趣嗜好與工作際遇等背景，造就自我衍生多元的能力。無論是基於主客觀環境所造成，營造創收或生活樂趣結合的際遇，經常為自己帶來職涯延伸的邊際效應。換言之，斜槓與π型人才相近，係指至少擁有兩種專業技能的人，這類人才較典型的是，經常是懂得如何領導、跨界專業，以及具溝通特質的複合型人才；或是擁有具專業軟硬知識的雙向能力，且兼具特殊技能以及創造與創意等兩造取向能力的優勢者。科技的宿命與產業的革命，讓媒體產業從縱向分流到橫向合流，自然形成跨媒體、跨產業、跨載具與跨域化的思維，更促成了融媒體、自媒體、串媒體、跨媒體、互動媒體、社群媒體等多元平臺新媒體模式的出現。正因這些跨媒體平台的形成係出自於主流媒體轉化的新媒體、跨媒材融合的新媒體、多網內容互聯的新媒體、終端機具與內容結合的新媒體，以及以原生社群互動取向的新媒體，讓媒體產業鏈結構中，具跨專業能力的人才漸受歡迎。就以新聞媒體的業態為例，下列諸多現象的發展，將印證跨領域人才將成為必然發展。包括新聞採訪必須加入網路搜尋；人工智慧的發文與數據驅動新聞逐漸風行；新聞推播、‎網路直播與手機新聞需納入新聞室機制；線性與非線與即時共享中央廚房新聞成為常態；訊息聚合與超鏈結綑綁新聞平台流程；主選單選擇新聞需與關鍵字句的編輯結合等。可以推論，新媒體產業對新聞從業者的跨專業能力，已經為媒體行業的核心能力下了革命性的新註解。不言可喻的是，新媒體情境下的媒體從業人員必須具備幾項核心能力，包括融媒體創製與市場預測相關管理能力，以作為生產鏈與價值鏈的前置需求；營造串聯跨領域與跨專業知識能力，替代專題產製需求的考驗；融入線性與非線性素材梳理能力，提升產製效能；須具有洞悉新消費行為測量能力，回應動態配置的需求；強化善用新媒體軟體工具設計能力，以適應多網融合與雲產業介接環境；貼近創新設計與感動敘事的能力，尋求目標受眾的共鳴度；以及具備AI搜尋、歸納、分析、管理與詮釋能力，能與閱聽人比廣度、速度與深度的影響力。無論是跨專業思維或是跨領域人力的結構改變，從數位匯流的工作流程與訊息呈現的產業情境，媒體行業需思考為內部物理與化學變化的準備。終究，須讓人力主體回歸創新的思維與共識，才能達成產業深度整合的綜效。「科技通才與知識專才」曾經是大學新聞與傳播相關學院師生互勉的目標。近十年來，媒體產業受到傳播科技的衝擊與消費行為的情境大幅改變，讓媒體從業者的跨能力認知，多少產生了結構改變。正確的理念與態度是，當自我智慧足夠時奧妙的事物就變成為平凡，也深信更多跨界知識的累積，當有助於媒體對外在諸多變化更具可塑性順著此一理念，更需用見多識廣以知其變且適應其變。本文所探討斜槓與π型媒體人才的核心需求，其意理將不難理解。更多論壇文章 金馬獎的未來 吹起了「紀政」風 黃偉哲也得面對換黨執政的壓力 若「棄姚保柯」 民進黨議員選情恐崩盤 拯救我們從無趣的人生中逃脫 美國的民族主義及種族歧視＿＿＿＿＿＿＿＿＿＿＿＿＿＿【Yahoo論壇】係網友、專家的意見交流平台，文章僅反映作者意見，不代表Yahoo奇摩立場 >>> 投稿去

（優活健康網記者張桂榕／綜合報導）57歲的曹女士，無乳癌家族病史，於108年3月接受國民健康署乳房攝影篩檢，報告為右側乳房有鈣化疑似病灶，影像分級為BI-RADS（乳房攝影報告與資料分析系統）0，判讀醫師建議轉診至醫院作進一步乳房攝影壓迫放大檢查。轉診至郭綜合醫院後，乳房觸診並無硬塊，乳房超音波亦無法看到有腫瘤，安排乳房攝影壓迫放大檢查，報告顯示在右乳房外上四分之一部份可看到多樣性不規則微小鈣化，影像分級為BI-RADS 4c，高度懷疑異常，建議切片。安排切片時間後，術前先作乳房攝影定位微小鈣化點處，而後進手術室進行切除性切片，切片之檢體立即再拿去作攝影以確保微小鈣化點有全部被取出。切片之病理報告結果，顯示為「乳管原位癌」，但其中包含三小處不到3毫米之侵襲性乳管癌（invasive ductal carcinoma，IDC），故建議病人接受乳房切除手術及前哨淋巴腺切片術。曹女士決定接受乳房全切除手術及前哨淋巴腺切片術，前哨淋巴腺切片之檢驗結果均無發現癌細胞，故最後曹女士之乳癌期別為第1a期侵襲性乳管癌，也併有第0期原位癌，並不須接受術後化學治療及放射線治療，因賀爾蒙接受體為陽性，故曹女士術後僅需接受賀爾蒙治療。郭綜合醫院外科盧乃寬主任表示，乳房X光攝影是目前國際上最具醫學實證，可以有效提早發現並改善預後的乳癌篩檢方法是。乳房X光攝影檢查能偵測到乳房鈣化點或腫瘤，尤其可提早發現無症狀的0期乳癌。國外研究顯示，50歲以上婦女每1-3年接受1次乳房X光攝影檢查，可降低乳癌死亡率2-3成。鑒於45-69歲婦女為我國婦女罹患乳癌的高峰，因此，國民健康署提供45-69歲及40-44歲具乳癌家族史(指祖母、外婆、母親、女兒、姊妹曾有人罹患乳癌)婦女每2年1次乳房X光攝影檢查。乳房X光攝影主要可提早偵測所謂的乳房鈣化點。乳房鈣化點意指鈣化物以鈣鹽形式存在於乳房組織內，而在接受乳房X光攝影或超音波時而被發現。鈣化點可存在於乳房皮膚、乳管、乳小葉、脂肪、血管等組織；良性情形可以有鈣化產生，如纖維腺瘤產生鈣化、血管鈣化、受傷或自體脂肪移植後乳腺脂肪細胞壞死而產生鈣化影像。但鈣化點也可能是乳癌的表現之一，可能導因於乳癌細胞壞死後所造成。在乳房攝影的報告，疑似惡性可能的鈣化點包括：界線不清且聚在一起的鈣化(amorphous calcification)，微細的線形鈣化(fine linear calcifications)，多樣化不規則形鈣化(pleomorphic calcifications)。而若有發現這些鈣化點，須儘快請醫師評估是否需要做切片檢查。每年台灣發生之乳癌或癌前病變，約有兩成是摸不到，超音波看不著的。而通常這些早期病變的鈣化點，是沒辦法經由乳房觸診觸摸得到，甚至超音波檢查大多也看不到腫瘤影像的。所以這些摸不到的疑似惡性鈣化點，必須利用乳房攝影細針定位切片術，來取出這些鈣化點病灶，進而做病理化驗。其方法為藉由乳房X光攝影的輔助，將定位針由體表穿刺放入乳房內鈣化點病灶的位置，之後再由外科醫師做病灶的切除。切除下的檢體還會再做一次X光攝影以確保鈣化點完全被取出。早期乳癌，五年存活率至少九成以上，尤其是原位癌及第一期乳癌，治癒率高達九成五以上。若能早期，及早處理掉，甚至可不須接受腋下淋巴腺廓清，化學治療或放射線治療，以免除腋下淋巴腺廓清，化療或電療帶來之後遺症及副作用。

娛樂中心／綜合報導今年6月第一名模林志玲向外界拋出震撼彈，與日本天團「放浪兄弟」成員Akira成婚，這場世紀婚禮將於17日在林志玲的家鄉台南美術館一館舉行。如今婚宴禮服品牌曝光，也讓外界相當期待婚禮當天的美照。▲林志玲婚禮禮服品牌曝光。（圖／志玲姊姊慈善基金會提供）根據《聯合新聞網》報導，擁有不凡時尚品味的林志玲，婚禮當天選擇的白紗很可能為老公Akira代言的美國知名品牌Ralph Lauren特別訂製款；送客禮服則是由台灣本土品牌夏姿・陳（SHIATZY CHEN）親自操刀設計，可說是聚集了時尚界的大咖品牌，讓外界十分期待。事實上，林志玲在9月參與米蘭時裝周時，身上穿的就是夏姿的透紗黑洋裝，且還是自掏腰包購買，不難看出她對品牌夏姿的喜愛。▲林志玲與Akira將在17日舉行婚禮。（圖／翻攝自IG）不過，林志玲的婚禮細節十分低調，不僅座上賓只邀請摯親好友，禮服的手稿也尚未曝光，還在保密階段。小倆口希望禮服曝光的第一眼是留給現場家人、好友，隨後才會對外正式公佈。▲林志玲參加時裝周時就身穿夏姿的洋裝。（圖／品牌提供）另外，林志玲的喜帖是由爸爸林繁男親手一筆一劃寫上「誠摯邀請您來和我們愛的抱抱，讓希望和幸福無限延伸」，照片背後也有林志玲的親筆字跡，「我們結婚了！執子之手，與子偕老，希望每個相信愛情的你和妳，都能擁有屬於自己的幸福～」如此用心的細節也讓外界大讚她的誠意十足。（賴禹妡報導）更多三立新聞網報導南韓鮮肉棒球員！21歲擁模特兒顏值…帥到SM娛樂都認可蔡阿嘎老二名字票選！4搞笑候選名曝…蔡桃貴奶音投第一票男明星家中遇火災！剛送朋友上救護車…員警到場竟先要簽名Selina認「今年生日很難受」！公開百字手寫信逼哭網

記者連雅卉／綜合報導中國女星李小璐曾奪下金馬影后的殊榮，和賈乃亮婚後育有一女，怎料卻被爆出和嘻哈歌手PG One大搞婚外情，起初2人雙雙否認，直到近日纏綿私片外流，男方才認了確實有過感情，而事發後外界也相當擔心賈乃亮的狀況，有知情人士爆料他彷彿「換了一個人」，今證實她和賈乃亮離婚，賈乃亮工作室也發出聲明。▼▲工作室發文宣布離婚。（圖／翻攝自微博）李小璐和PG One日前被爆出數段在昏暗房內十指交纏、接吻、摟腰的影片，親密互動完全就是熱戀中的情侶，2人在否認了1年多後，終於發現紙包不住火，PG One日前在微博PO出長文，除了認了不倫戀外，同時指控有人在背後操弄整件事，但李小璐從頭到尾都沒有發言，卻被發現事發當晚短短幾小時就上線了近百次，對自己的緋聞似乎相當在意。▲李小璐和PG One的私密影片外流。（圖／翻攝自微博）李小璐和PG One在2017年底爆出「夜宿門」事件，當時2人矢口否認，並揚言提告，雖然照片擺在眼前，但賈乃亮仍發出聲明表示相信李小璐，後來數次傳出李小璐和賈乃亮已經離婚，但他們始終沒有正式對外承認，直到上個月底，李小璐和PG One摟腰、親嘴、十指交纏的親密片流出，再次掀起軒然大波，PG One才承認確實和李小璐有過感情，等同給口口聲聲稱是「大哥」的賈乃亮戴了頂大綠帽，今賈乃亮不在隱忍，透過工作室發表聲明，證實結束這段七年婚姻，兩人透過聯合聲明表示，「離婚協議簽署且辦理完離婚登記後，雙方原於當日公布消息，但基於不佔用網路公共輿論資源的考量，故一直未予公開。」至於小孩部分，聲明中也提到「無論雙方婚姻狀況如何，都會共同肩負起做為父母的責任、撫育並陪伴孩子成長。」也希望外界給他們一些空間。更多三立新聞網報導快訊／許孟哲曬大鑽戒求婚成功！凱渥甜模趙孟姿點頭嫁了曝「大腸差點跑出來」！抗癌成功15年 楊烈揭主要關鍵他自爆夢到「他」當選！雞排妹嗆聲：韓國瑜當總統我會移民《炮仔聲》女星消失螢光幕！親揭「卵巢長瘤」停經6個月

大陸中心／綜合報導香港反送中持續抗爭，不少示威者都曾被催淚彈攻擊。日前推特上瘋傳一張照片，只見一名男子在受到催淚彈攻擊之後，一手提著外賣，另一手握著拳頭，模樣十分霸氣。而日本網友也瘋狂拿這張照片KUSO改圖。▲港男在煙霧瀰漫的街道提著外賣。（圖／翻攝自推特）一名網友在推特上發布一張照片，只見一位穿著白襯衫的男子，走在煙霧瀰漫的街道，手裡還拿著外賣，但最吸睛的是他結實的身材，原PO寫道「香港一名男子在催淚瓦斯攻擊時，帶走了外賣食品，壯碩身材看起來非常不錯。」▲網友KUSO改圖。（圖／翻攝自推特）此文一岀引發網友熱議，紛紛留言「他看起來像一個戰鬥的人」、「好像生存遊戲」、「無論這個世界發生什麼，他都會為之奮鬥。」、「香港隊長？」、「我彷彿看到了巨石強森的影子」、「可以單挑港警」、「強者都是孤獨的」、「看起來好像不可能的任務」。▲網友KUSO改圖。（圖／翻攝自推特）照片被瘋傳後，許多網友KUSO改圖，引發熱烈迴響。不過，有網友表示「這個故事很有趣，但我希望您更多關注香港的當前局勢」、 「他感覺已經習慣這種催淚彈的日常了，好心疼」、「香港現在處於艱難的時期，您這張照片讓更多人能關注這個話題， 我個人認為這是一條很好的推文」。（蔣季容報導）更多三立新聞網報導呼籲聲援香港！香港若倒下 美前駐聯大使：下一個就是台灣港人反抗／林鄭開緊急會議！環球時報：香港周末恐實施宵禁不保護學生搞消失！起底神隱校長郭位 曾被歸類「馬友友」港人反抗／香港校園淪反送中戰場 大學生發聲表看法！

當下我們生活在數據的時代裡。機器學習和數據分析技術已經成為了我們當今生活密不可分的一部分。那接下來會怎樣呢？在這篇博客中，我不打算預測數據科學面對的未來是什麼，不會去猜測它的未來是光明有前途，還是毫無希望。這裡我只結合自己，還有我認識的一些人的經歷，提供一些決定性因素幫忙做預測。拋開這些，我先大致勾勒一下今後 10 年影響數據科學未來的關鍵因素。我希望它會在工作流程上帶給你一些有價值的見解。不用多說，這只是我的個人預測。如果你感興趣，請繼續讀下去！01 數據科學的未來：我怎樣看待？1、更多的數據科學策略數據科學就是通過定量的方式解決問題的一門學科。在過去，由於缺少數據或數據處理能力，我們只能依賴其它東西，比如“獨裁者的突發奇想”、“專家的直覺”和“普遍的共識”等。今天，這些根本都不管用了，而且毫無疑問，10 年後它們的作用會更有限。數據科學家轉而在搭建一些系統，這些系統可以輸出語音、預測、給出期望並輸出真正的結果。數據科學技術的泡沫不會破裂，相反，數據驅動策略的引入將繼續佔據主流。更多的人會關注數據，從數據中獲得真知灼見，所以數據科學團隊成為任何成功組織機構，至少是大部分組織不可或缺的一部分，由此組織之間會競爭，渴望爭得領域前沿的位置。2、更多界定明確的角色因此數據科學會更受歡迎，絶大多數顧客會更清楚數據科學家到底是做什麼的。現在，數據科學家是一個寬泛的頭銜。目前領域內的人使用相關名稱和描述時有一些不嚴謹，所以外界對該領域中人的角色有很多困惑。我們一般把數據科學領域的角色分成 4 類，它們角色職能不同但有重疊。數據架構師——開發數據架構，以有效地捕獲、整合、組織、中心化和維護數據。數據分析師——處理和解釋數據，為公司提供有執行意義的預測。數據科學家——一旦數據體量和產生速率達到一定水平，需要複雜技術時，他們會對數據進行分析。數據工程師——開發、測試和維護數據架構，保證隨時使用和分析數據。我認為隨著時間推移，所有這些角色我們會更熟悉，我們也會更瞭解它們的不同點。因此，顧客會對什麼可得什麼不可得，有更切實際的期待，頭腦中會有更清晰的工作流程，還有從中獲得的收益。3、更多的軟技能需求隨著時間推移，我們會更清楚地看到，大量的數據科學家會熟練運用 Python 或 R 語言。但是，向管理層推銷你的想法的能力，說服他們相信你的洞察和見解才值得追求的能力，這種能力會怎樣？可視化描述可以承擔一半工作，而另一半就是老舊的市場營銷能力。結果，我們會看到市場更青睞那些知道如何圍繞出售產品創造關鍵性對話的人。因此，那些能將硬軟技能結合的人會永遠吃香。4、數據會更多，處理數據的人工智能也會更多現在我們談一些嚴肅的東西。每天我們產生的數據量多到難以想像，以我們現在的速度，每天產生數據量有 2.5 個 10 的 18 次方位元組，而且這個速度只會加快。看一下 Raconteur 網站做出的每日關鍵數據信息圖：5 億推特信息；2940 億電子郵件；四千萬億位元組的 Facebook 數據；四萬億位元組的單位車聯網數據；650 億條 WhatsApp 信息；50 億條搜索信息；到 2025 年，預計全球每天將產生 463 艾位元組（463*10^18 位元組）數據，相當於每天 212,765,957 張 DVD 的數據量！實際上，僅靠數據科學家，無法管理和處理這麼龐大的數據。屆時，人工智能很可能成為協助數據科學家處理數據的有效工具。自動化數據分析工具和機器學習會“聰明”到取代數據科學家做例行工作，比如探索性數據分析、數據清理、統計建模和構建機器學習模型。5、更少的代碼，相當少的代碼據特斯拉 AI 總監 A. Karpathy 說，不久的將來，我們可以不用寫代碼了。我們只需要找到數據，並輸入到機器學習系統即可。此種場景下，軟件工程師的角色會成為“數據監管者”。未來大多數程序員都不再需要複雜的軟件倉庫，不用寫複雜的程序。Karpathy 說，程序員會從事蒐集、清理、操作、標記、分析數據以及對神經網絡產生的數據進行可視化的工作。機器學習正在引領一種新的計算範式，在該範式中訓練機器才是關鍵技能。隨著機器學習技術的普及，以及通過工具的抽象達到更高程度，我們會看到大部分編程工作會逐漸消失。最終，製造產品的大部分步驟將是屏幕上的拖拽、刷卡、指向和點擊操作。從業者會從中解放出來，在解決問題時更有策略性和創造性。你在《星際迷航》中看到過有誰寫計算機程序嗎？沒有。諸如 R 語言、Python 和 Spark 這樣的工具會變得無用武之地嗎？大多數數據科學家不再需要通過寫程序的方式做統計分析或訓練機器學習模型了嗎？沒有這麼簡單。無論如何，把希望寄託於這些方面意義不大。你仍然需要理解和熟悉所有這些處理過程，機器學習只是輔助一些日常事務。6、儘可能多地使用 API（應用程序接口）大部分公司是先做好一件事情，攢到名氣，然後以此起步，以開源 API 的形式貢獻到社區。10 年後，大部分軟件的製作方式會可見地接入到終端，最大程度地利用一切所需的服務生成解決方案。數據科學家能快速構建測試模型，一次建立和測試多種算法，最後和整個團隊可視化驗證結果。未來隨著適時地引入深度的技術思考，科學家將不再白費力氣做重複工作了。7、自我學習傳統的學術環境將逐漸失去意義。信息經濟需要能快速改變信息的途徑。人們通過 3-4 年的學習畢業後，所學的技能已經過時。人們開始掌控自己的學習過程為自己賦能，未來得以生存的學院將是那些擁抱在線學習、快速更新課程授予方式的學院。未來的學習會基於你能構建什麼而定義，而不是缺乏現實世界應用的基礎原理。Q1. 數據科學家是否會被自動化算法替代根據廣受歡迎的 CRISP-DM 數據分析項目的管理方法論，數據分析項目的實施分為 6 個階段，每個階段中，分析師或者數據科學家都是直接參與的：業務理解數據理解數據準備建模評估部署步驟 3 和 4 包括大量的例行化工作。為了利用機器學習解決每個具體的實力，你必須不斷地：配置模型超參；嘗試新的算法；向模型加入原始特徵的不同表現形態（標準化、方差穩定性、單調變換、降維、分類變數編碼、從已有特徵中創建新特徵等等）。在自動化的幫助下，分析師或數據科學家的例行操作，以及數據準備和清理中的部分操作可以被移除。但是，步驟 3 和 4 中的其他部分，以及 CRISP-DM 中的剩餘步驟都會被保留，所以分析師的這種日常工作上的簡化不會對他們的職業造成任何威脅。機器學習僅僅是數據科學家使用的工具之一，此外還有可視化、數據調研、統計和計量經濟學方法。即使在機器學習方法裡，完全自動化也是不可能的。在解決新算法及其組合的開發和應用中存在的非標準化問題時，數據科學家的高級角色特性毫無疑問會繼續保持。自動化算法能夠梳理所有的標準組合，生成一個基礎解決方案，專家們可以此為基礎做進一步改進。但在很多情況下，自動化算法生成的結果已經足夠好，不用改進即可直接使用。很難想像，離開分析師的幫助，一種業務可以直接使用自動化機器學習方法生成的結果。任何情況下，上述方案的數據準備、對生成結果的解釋以及其他階段都是必需的。同時，現在許多公司的分析師，不斷與數據打交道，擁有非常成熟的心態，在業務領域非常精通，但是掌握機器學習方法的水平還不夠。公司通常很難吸引到特別勝任的高薪機器學習專家，市場對他們的需求不斷增長，而且超出供給很多倍。解決辦法可能是為公司的分析師提供使用自動化機器學習工具的渠道，這需要自動化技術的普及。未來，許多公司不用組建高度專業化的團隊，也不需要顧問企業的參與，就能享受到大數據帶來的好處。Q2. 數據工程師會比數據科學家更搶手嗎？我認為應該區分一下數據科學家和數據工程師了。前者是接受過正規教育的應用數學家，他們研究數據科學，開發新算法，組建神經網絡等等。後者的興趣關注點稍微不同，他們瞭解每種方法的理論和應用侷限，能成功解決業務問題。前者能做事情永遠不缺，而後者的部分工作可以自動化完成，但無法完全自動化。新方法、新算法和新的解決途徑總會出現。另外，對主題領域和數據本質的專業性理解，對顧客目標的理解，以及快速實現目標的能力，無法通過完全自動化的方法做到，所以這些能力仍然極其重要。數據科學是切合實際的科學——但是世界正朝著功能性的數據科學發展，從業人員可以自己做數據分析。相比於數據科學家，你需要更多的數據工程師來啟動數據流程和整合的數據結構。聰明的機構擁有聰明的人才，他們很懂自己的數據。數據科學家之所以存在的原因是大多數機構還不太懂數據。但他們以後會懂的。如果一名數據科學家創造了一項突破性算法，但沒有數據工程師將該算法落地到業務生產中，那算法會產生價值嗎？我重申一下我最喜歡的 Gartner 數據，只有 15% 的大數據項目最後投入了生產領域。雖然他們從沒有深入探尋剩下的 85% 為什麼沒能投入生產領域，但是我提出一些未能成功落地的幾個關鍵原因：他們沒有找到一個能值得落地的見解；他們找到了合適的見解，也構建了模型，但沒能創建可以在服務水平協議框架下多次使用的流水線；他們不需要什麼見解，因為他們需要的數據分析不用依賴複雜的模型。但仍然是沒能可以在服務水平協議框架下多次使用的流水線。這就是為什麼每家數據科學公司都需要至少兩名數據工程師的原因。02 總結數據科學家職業的未來前景如何，仍然很模糊，需要專業的判斷。但是，每天都有新的代碼庫和工具出現，我們絶不是走在簡化開發和創建業務模型這些基礎設施的道路上。許多人都很自信地說不錯，但還有不好的一面，我們創建的系統越複雜，系統就越隨機，越基於概率。目前人工智能階段的主要問題是在預言結果的意義是缺乏直覺。我們只有定量的方法來解決某個特定的問題，基於此方法做出預測，但是預測的質量不高。目前為止，這個方法運行得很不錯的，但未來不得而知。讓我們拭目以待吧。本文經授權發布，不代表36氪立場。如若轉載請註明出處。來源出處：36氪