「AI 可能是有 3 个大脑（指决策、预测、分类）：可深度学习，凭深度学习就能让 5 成的人失业。」创新工场董事长李开复在近期的演讲直指 AI 对于就业市场的影响。

AI 技术与日俱进，导入领域也不断扩大，当然也为各产业带来不同程度的冲击与影响，若从拓墣统计的数字来看：AI 机器学习应用最大宗就是金融与资讯安全，占比 20%，其次是数位广告科技的 18%，前两大产业都与大量的数据息息相关，也成为 AI 最快、最容易切入的领域。

而如此庞大的产值占比是否意味著对原本的工作机会造成影响？无论是从应用别分布数据、或是近一年来媒体揭露的金融业裁员消息来看，AI 时代来临，首当其冲的不外乎是已经发展成熟的金融产业，海量的数据判读、预测、分析已经逐步能由 AI 取代，而受到最明显的冲击。

这是否也意味著 AI 时代的来临，我们都有可能被机器人所取代？

或许也不用这么悲观。

尽管许多工作机会因为 AI 技术的成熟而逐渐消失，新兴工作机会却同时正快速地增加，其中就以能掌握数据、分析数据，并且能从数据中找到商业价值的「资料科学家」、「资料分析师」一举成为职场的明日之星。

「资料科学家」、「资料分析师」的人力缺口究竟有多大？实际从 Linkedin 搜寻这两项职缺，全球就有近两万笔相关职缺讯息跳出。而根据微软的说法，台湾就有超过 10 万名的资料科学家职缺，然而目前却只有 1,800 多位的资料科学家，看到了这个缺口，而让微软开始进行资料科学家的认证培育计画。

那么，到底资料科学家、资料分析师需要具备什么样的条件？想要在一个 AI 盛行的新时代，三项基础能力是我们必须具备的：「程式语言能力」、「统计学知识」、「跨领域知识」（Domain Knowledge）。

程式语言能力

对于将资料导入实务应用的工作者来说，如何让 AI 按照需求行动将会是一门重要的功课，AI 的开发除了硬体能例外，背后也有著无数的演算法与软体应用相搭配，才能让 AI 正确收集、理解、应用大量资料。

现在各家国际软体平台大厂所提供的开源框架（Open Source Framework），都是针对降低 AI 系统开发难度所推出，目的是要吸引更多应用开发伙伴一同加入，越大的开发者社群，就能将语言框架的结构设计更为完备、同时降低新人加入的门槛。

目前这些开源框架都是建立在既有高阶程式语言的基础上，以 Python 和 C++ 为主流。我们也可以从这些国际厂商的发展动向推估，AI 的时代来临将会推升学习 Python 和 C++ 等程式语言的重要性。

统计学知识的重要性

有了程式语言能力作为基础，处理数据及数据可视化的能力也是不可或缺的。

而上述的数据处理能力正是建构于统计学的知识，将大量资料变成更有价值的资讯。

统计学概念在机器学习上也扮演相当重要的角色，因为现在的AI系统其实都是透过模拟人脑的架构进行学习，利用输入大量 Data 的方式，从中统整出一套规则，因此专门应用于大量数据处理与回归分析的统计学自然不可或缺，透过机器学习让 AI 得以提升模预测精准度，并不断藉由不同算法自我提升。

关键的 Domain Knowledge（跨领域专业知识）

具备了工具使用的能力后，累积跨领域的专业知识，将是 AI 时代中，能否成为抢手的资料科学家关键环节，毕竟只懂数字、但对需求产业不理解，也无法在该领域中发生作用，如同一个文字运用能力顶尖的工作者，如果对于时尚产业完全不理解，也难以写出关于时尚产业的优秀文章。

因此，除了分析数据的统计学知识，并利用程式语言作为辅助工具外，了解个别产业的专业知识，进而能以切中要害的命题、资料分类，灵活地解析数据或判读资讯，才能从中找到真正的商业价值。

最终，创造力也是不可或缺的一环

工具、知识皆能掌握后，创造力也会是资料科学家不可或缺的要素，资料的累积与分析经验，固然将成为判读数据资讯的重要依据，但从不同的面相出发并透析出更为难解的资讯，也是资料科学家或分析师得以出类拔萃的重要指标。

包括产生全新的特殊命题与分类、从新颖的角度切入与解读数据，进而产生全新的商业价值，并让 AI 能借此跨入全新的领域，也将是资料科学相关工作的重要特点。