xs
xsm
sm
md
lg

ความเข้าใจถูกและผิดที่นายจ้างและ Wanna be มีต่อวิทยาการข้อมูล

เผยแพร่:   โดย: ผศ.ดร.อานนท์ ศักดิ์วรวิชญ์

Photo by Franki Chamaki on Unsplash
ผู้ช่วยศาสตราจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
ผู้อำนวยการหลักสูตรปรัชญาดุษฎีบัณฑิตและวิทยาศาสตรมหาบัณฑิต
สาขาวิชาการวิเคราะห์ธุรกิจและวิทยาการข้อมูล
https://www.facebook.com/BusinessAnalyticsNIDA/
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์


อาชีพ Data Scientist หรือนักวิทยาการข้อมูลเป็นอาชีพมาแรงทั้งในต่างประเทศและในประเทศไทยเป็นอาชีพยอดฮิตและกล่าวกันว่าเซ็กซี่ที่สุดในศตวรรษที่ 21 อันนี้ร่ำลือกันเช่นนั้น แต่ก็มีความเข้าใจถูกอยู่หลายประการ

ประการแรก Data Scientist ขาดแคลนมากทั่วโลก รวมทั้งในประเทศไทยด้วย อันนี้เป็นเรื่องจริง อ่านเพิ่มเติมจาก 10 สายอาชีพแห่งอนาคต เลือกให้ถูกมีชัยไปกว่าครึ่ง https://mgronline.com/daily/detail/9600000025727

ประการสอง Data Scientist รายได้ดีมาก ถ้ามีฝีมือดี อันนี้เป็นเรื่องจริง ยกเว้นในภาครัฐก็ได้เงินเดือนเท่ากับข้าราชการ ลองอ่านดูตรงนี้ก็ได้ครับ http://www.komchadluek.net/news/regional/344953 ที่สหรัฐอเมริการายได้ดีงามกว่านี้มากครับ แต่ถ้าไม่เก่งจริงก็เหมือนทุกอาชีพครับ หางานยังไม่ได้เลยครับ ถ้าเก่งจริงของจริง ตัวจริง ก็ได้งานดีและรายได้ดีครับ

ประการสาม Wanna Be Data Scientist มีจำนวนมากกว่า Data Scientist จริงๆ อันนี้ก็เป็นเรื่องจริง สาขาวิชาใหม่คนที่เรียนมาโดยตรงมีไม่มาก ก็ค่อย ๆ ปรับตัวกันไป คนสาย IT อพยพเข้ามาอาชีพนี้มากที่สุดแต่ก็ไม่ได้หมายความว่าจะทำงานไม่ได้เลย ก็ค่อย ๆ เรียนรู้ต่อเนื่องและปรับตัวกันไป

ประการที่สี่ Data Scientist หางานได้ง่ายมาก เปลี่ยนงานกันเป็นว่าเล่น อ่านได้จากบทความ รับรองไม่ตกงาน! รู้จัก Data Scientist และ Data Visualizer อาชีพที่กำลังมาแรงที่สุดในอเมริกาhttps://themomentum.co/successfull-feature-data-science-data-visualizer/

อันนี้ก็เป็นเรื่องจริง ๆ สำหรับคนมีความสามารถ ไม่อยากจะนินทาลูกศิษย์ตัวเอง ว่าขยันเปลี่ยนงานกันมากแค่ไหน และที่สัญญาไว้ตอนสมัครเข้ามาเรียนต่อว่าจะทำงานในราชการ หน่วยงานของรัฐ เพื่อช่วยพัฒนาประเทศ ตอนนี้ไปอยู่ที่บริษัทเอกชนที่ไหน และได้เงินเดือนมากกว่าตอนที่ทำงานภาครัฐกี่เท่า เอาเป็นว่าของดเว้นไม่เล่าเรื่องที่ถูกลูกศิษย์หลอกซ้ำซากแล้วกันนะครับ

ประการที่ห้า Data Scientist เป็นงานที่เหนื่อยยาก ลำบาก ต้องเรียนรู้ตลอดชีวิต เพราะความรู้มีการเปลี่ยนแปลงพัฒนาตลอดเวลา สามารถตกยุค (Obsolete) ได้ง่ายมากที่สุด อันนี้เป็นเรื่องจริงเสียยิ่งกว่าจริง

ประการที่หก Data Scientist เป็นงานที่ต้องใช้ความรู้หลากหลายสาขาวิชา ทั้งสถิติศาสตร์ วิทยาการคอมพิวเตอร์ เทคโนโลยีสารสนเทศ คณิตศาสตร์ ต้องเขียนโปรแกรมได้ ต้องมีความคิดสร้างสรรค์และความคิดเชิงออกแบบ ต้องเล่าเรื่องเป็น ต้องวาดรูปจากข้อมูลได้ ต้องสื่อสารได้เก่ง ต้องบูรณาการความรู้ต่าง ๆ ให้ออกมาประยุกต์ใช้งานได้จริง อันนี้ก็เป็นจริงยิ่งกว่าจริง ต้องเก่งจริง รอบรู้ รู้รอบ เรียนรู้ได้เร็ว ถึงจะเป็น data scientist ที่ดีได้ครับ

บทความนี้เล่าเรื่องที่เป็นความเข้าใจถูกต้องที่คนทั่วไปมักจะเข้าใจกันไปบ้าง คราวนี้จะมาเล่าให้ฟังในฐานะที่สอน ทำงานวิจัย และให้คำปรึกษากับทั้งภาครัฐและเอกชนด้านการวิเคราะห์ธุรกิจและวิทยาการคอมพิวเตอร์มานานพอสมควร เผื่อจะได้เข้าใจกันให้ถูกต้อง และคาดหวังกันได้ถูกต้อง ซึ่งจะเป็นประโยชน์กับประเทศไทย กับวงการ และกับคนที่สนใจจะศึกษาต่อด้านนี้ ไปจนถึงคนที่ทำงานในวงการนี้ ว่ามีความเข้าใจผิดอะไรกันบ้าง

ประการแรก Data Scientist ที่อยากจะจ้างมาทำงาน ต้องเป็น Unicorn เก่งทุกทาง ทำได้ทุกอย่างนายจ้างก็อยากจ้าง Unicorn ให้คนเดียวสามารถทำได้ทุกอย่าง แต่จ่ายเงินเท่ากับจ้างคน ๆ เดียวแต่ทำงานได้เท่ากับสามหรือสี่คน เช่น

คาดหวังว่า Data Scientist สามารถทำงานจัดการและพัฒนาโครงสร้างพื้นฐานข้อมูล (Data Infrastructure) ได้ ซึ่งแท้จริงแล้วเป็นงานของวิศวกรข้อมูล (Data Engineer) โปรดอ่านเพิ่มเติมได้จาก วิศวกรข้อมูล (Data Engineer) : อาชีพขาดแคลน รายได้ดี ต้นธารแห่งโลกยุคดิจิทัล https://mgronline.com/daily/detail/9620000064664

คาดหวังว่า Data Scientist สามารถทำหน้าที่นักวิเคราะห์ธุรกิจได้ด้วย เอาความรู้ที่วิเคราะห์ได้ไปเขียนแผนธุรกิจได้ นำไปออกแบบธุรกิจได้ด้วย และสามารถวิเคราะห์และเข้าใจข้อมูลทางธุรกิจได้ทุกฟังก์ชั่นของธุรกิจ ซึ่งแท้จริงแล้วนักวิทยาการข้อมูลแทบทั้งหมดไม่ได้มีความรู้ทางด้านการบริหารธุรกิจมากขนาดนั้น โปรดอ่านได้จาก Business Analytics and Research คือวิชาอะไรกันแน่? https://mgronline.com/daily/detail/9580000095445

และงานของนักวิเคราะห์ธุรกิจ (Business Analyst) ก็มีความแตกต่างจาก Data Scientist มากพอสมควร เพราะเน้นไปที่ปลายน้ำของกระบวนการข้อมูล เน้นการนำไปประยุกต์ใช้ในทางธุรกิจ เช่น การออกกลยุทธ์ การสร้างนวัตกรรมและความสามารถในการแข่งขันเป็นต้น โปรดฟังได้จาก https://www.youtube.com/watch?v=WR6FowSJxb4

คาดหวังว่า Data Scientist เมื่อเจอข้อมูลข้อมูลมีความซับซ้อน หลากหลายมาก ในสารพัดรูปแบบหรือต้องการใช้หรือแก้ไขปัญหาอัลกอริธึ่มที่แสนซับซ้อนของปัญญาประดิษฐ์แล้ว Data Scientist ก็ต้องทำได้เช่นกัน ซึ่งอันที่จริงเป็นงานของวิศวกรปัญญาประดิษฐ์ โปรดอ่านได้จาก วิศวกรปัญญาประดิษฐ์ (Artificial Intelligence Engineer) : อาชีพใหม่ รายได้ดี เป็นที่ต้องการ ที่คนไทยยังไม่รู้จัก https://mgronline.com/daily/detail/9620000062232

คาดหวังว่า Data Scientist จะสามารถนำข้อมูลมาวาดรูปด้วย 3D Animation และทำ immersive technology เพื่อนำเสนอข้อมูลได้อย่างน่าดึงดูดใจ สวยงามและน่าตื่นเต้นและรื่นรมย์ ซึ่งอันที่จริงเป็นหน้าที่ของ Data Visualizer โปรดอ่านได้จากบทความ นักวาดภาพนิทัศน์จากข้อมูล (Data Visualizer) : เมื่อวิทยาศาสตร์สมาสกับศิลปะเป็นงานอันรื่นรมย์และสร้างปัญญา https://mgronline.com/daily/detail/9620000084200

ในความเป็นจริงคงหา Unicorn Data Scientist ขนาดนี้ไม่ได้ และหากจะหาได้ค่าตัวก็ต้องแพงมาก แต่ที่แน่ ๆ ไม่ใช่นักศึกษาที่เพิ่งจบได้รับปริญญาด้าน Data Science เป็นแน่นอน

สิ่งที่ถูกต้องและควรเข้าใจคือการทำงานต้องเป็น Data Team และพร้อมใจกันทำงาน โดยมีความเชี่ยวชาญเฉพาะในด้านของตนเอง ไม่มีใครเก่งไปทุกทางได้ ที่สำคัญต้องมีฐานความรู้ที่เข้าใจกันและกันได้ เป็นผู้เชี่ยวชาญ (Specialist) ที่รู้ลึกแต่ต้องเป็นผู้รู้กว้าง (Generalist) ได้ด้วย ไม่จำเป็นต้องเป็นยูนิคอร์นทำได้ทุกอย่างแต่อย่างใด คนเราถนัดไม่เหมือนกัน และไม่มีทางเก่งไปได้ทุกทาง

ประการที่สอง มีความเข้าใจผิดว่า Data Scientist ต้องทำอย่างไรก็ได้ให้ได้ผลลัพธ์ออกมา

ไม่ว่าจะมีข้อมูลหรือไม่ก็ตาม และไม่อยากให้ความร่วมมือในการให้ข้อมูลไปใช้ หรือไม่ได้เชื่อข้อมูลด้วยซ้ำ ไม่อยากจะใช้ข้อมูล แต่อยากมี Data Scientist ประหนึ่งแฟชั่นในการจัดการ ต้องมี Big Data ด้วย โปรดอ่านได้จาก 10 ความเข้าใจผิดเกี่ยวกับ Artificial Intelligence และ Big Data ในประเทศไทย
https://mgronline.com/daily/detail/9620000082793

ในโลกของความเป็นจริง Data Scientist หาได้มีอนาคตังสญาณหยั่งรู้อนาคต หาได้มีญาณทิพย์ในการรู้เห็นหยั่งรู้สิ่งต่าง ๆ ได้โดยไม่ต้องใช้ข้อมูล นี่งานของ Data Scientist นะ ไม่ใช่เจน ญาณทิพย์ ไม่มีข้อมูลแล้ว Data Scientist ก็ทำงานไม่ได้ และยิ่งที่ยากยิ่งเลือดตากระเด็นที่สุดคือหน่วยงานต่าง ๆ ไม่ได้เคยมีการเก็บข้อมูลเป็นจริงเป็นจังหรือเป็นระบบมากนัก

ประการที่สาม งาน Data Science เป็นงานที่ทำให้เร็วได้ ไม่เสียเวลา

อันนี้ไม่มีทางเป็นไปได้เพราะในโลกของความเป็นจริง แค่หาข้อมูลที่จำเป็นให้พอจะตอบคำถามที่ต้องตอบให้ได้ ก็ตาเหลือกหมดเวลาไปแล้ว แล้วข้อมูลที่มาก็ไม่ได้สะอาดมากนัก ต้องมาทำความสะอาดอย่างหนัก ถึงจะพอเอาไปวิเคราะห์แล้วก่อให้เกิดประโยชน์ได้จริง ไม่ได้ได้มาง่าย ๆ ถ้าแค่ทำ analytics เฉย ๆ มีข้อมูลครบถ้วนสมบูรณ์มาหมดแล้ว ใช้เวลาไม่นาน ทำให้อยากได้งานออกมาให้เร็วที่สุด ในความเป็นจริงเวลาของ Data Scientist มากกว่า 80% หมดไปกับการทำความสะอาดข้อมูล และใช้เวลาสำหรับการสร้างตัวแบบ การวิเคราะห์ข้อมูล การเตรียมนำเสนอ และการนำเสนอผลการวิเคราะห์ต่างๆ รวมกันไม่เกินร้อยละ 20 ของเวลาในการทำงาน ยิ่งเป็นประเทศไทยแล้วผมว่ามากกว่าร้อยละ 90 ใช้เวลาไปกับการหาข้อมูลหรือขอข้อมูลให้ได้และการทำความสะอาดข้อมูล ที่ Harvard Business Review เคยขึ้นหน้าปกว่า Data Scientist เป็นอาชีพที่ sexy ที่สุดในศตวรรษที่ 21 นั้นอาจจะไม่ใช่ความเป็นจริงนัก เพราะงานไม่ได้เป็นงานรื่นรมย์ชื่นชมการสร้างตัวแบบหรือวิเคราะห์ข้อมูลเป็นหลัก แต่เป็นการกระเสือกกระสนให้ได้มาซึ่งข้อมูลที่มีคุณภาพเพียงพอที่จะเอาไปทำงานต่อให้เกิดความรู้ที่นำไปปฏิบัติได้จริง

บ้างก็โยนบาปไปว่าการทำความสะอาดข้อมูลเพราะเป็นหน้าที่ของ data engineer หาใช่ Data Scientist ไม่ ถ้าเกี่ยงกันไปมาใครจะทำความสะอาดข้อมูลและเมื่อขยะเข้าไปในตัวแบบก็ได้ตัวแบบขยะออกมา (Garbage in, Garbage Out; GIGO model) ออกมาเสมอ ในอีกมุมสุดโต่งก็มีความเชื่อกันว่าข้อมูลต้องไม่มีข้อผิดพลาดใดๆ เลย การวิเคราะห์ข้อมูลจึงจะได้ประโยชน์ ซึ่งก็ไม่เป็นความจริงเพราะไม่มี perfect data และทุกตัวแบบล้วนผิดหมด แต่บางตัวแบบย่อมมีประโยชน์ (All models are wrong, but some are useful.)

ประการที่สี่ Data Scientist ที่เก่งและดีต้องใช้ตัวแบบยาก ซับซ้อน จึงจะดี

บางบริษัทอาจจะใช้สถิติง่าย ๆ ในการวิเคราะห์แต่ต้องหลอกประชาชนหรือลูกค้าว่าใช้ Artificial Intelligence แสนจะซับซ้อนตัวใหม่ล่าสุดในการวิเคราะห์เพื่อให้ดูทันสมัยและดูน่าเชื่อถือ ซึ่งไม่ใช่เลย ไม่มีเหตุผลอะไรที่ต้องไปใช้อะไรยาก ซับซ้อน ใช้เวลาคำนวณมาก ๆ ขนาดนั้น Simple is the best ไม่ควรจะใช้ Deep learning มาเพื่อทำอะไรง่าย ๆ โดยที่มีข้อมูลอยู่นิดเดียว ไม่ควรใช้ Reinforcement learning ที่ไม่มีการให้ feedback กลับมาให้คอมพิวเตอร์เรียนรู้เพิ่มเติม แต่ก็เห็นทำกันมากมาย เสียทั้งเวลา เสียทั้งเงิน โดยไม่มีความจำเป็นใด ๆ เลย งานบางอย่างที่ยาก ๆ เช่น การจำแนกรูปภาพ (Image classification) อาจจะมีความจำเป็น แต่งานง่ายกว่านั้นมีมากเหลือเกิน และไม่ควรจะเอาระเบิดปรมาณูมาผ่าซูชิ อาจจะเกิดความเสียหายได้มากกว่า แทนที่จะผ่าซูชิด้วยมีดคม ๆ ออกมาได้สวย ๆ อาจจะระเบิดจนซูชิกระจุยแหลกเป็นผงไปหมด ไม่มีประโยชน์อะไรเลย เอาเป็นว่า ทุกตัวแบบและผลการวิเคราะห์ย่อมมีข้อผิดพลาดแต่บางตัวแบบและบางผลการวิเคราะห์มีประโยชน์อย่างยิ่ง ไม่ใช่ว่าอะไรยาก ๆ แล้วจะดีไปทั้งหมด

โดยเฉพาะอย่างยิ่งตัวแบบที่มีผลได้ผลเสียเกี่ยวข้องกับมนุษย์หรือหน่วยงานเยอะ ๆ เช่น การปฏิเสธรับประกันชีวิตลูกค้าโดย underwriter หรือการปฏิเสธสินเชื่อ แม้กระทั่งการตรวจสอบภาษีอากรหรือตรวจจับการหลบหนีภาษี ความแม่นยำของตัวแบบเหล่านี้ต้องยอมรับได้ แต่ต้องอธิบายให้เข้าใจได้ง่ายที่สุดด้วยเช่นเดียวกัน ไม่ควรเป็นกล่องดำ (Black box) ซึ่งเอาไปอธิบายเป็นหลักฐานต่อสู้คดีในชั้นศาลเชิงประจักษ์ (Legally defensible evidence) ได้ยาก เพราะตุลาการอาจจะไม่เข้าใจได้หากมีความยุ่งยากซับซ้อนจนเกินไป

ประการที่ห้า Data Science สามารถสร้างปาฏิหาริย์ พลิกฟื้นธุรกิจได้ หรือทำให้แข่งขันได้อย่างแน่นอน

ในความเป็นจริงมีโครงการทำ Data Science จำนวนมากที่ไม่ได้ผล ไม่คุ้มค่า ไม่มีผลตอบแทนกลับคืนจากการลงทุนด้านข้อมูล (Return on Data Investment: RODI) แต่อย่างใด

มี Vendor ไปหลอกขายหน่วยงานมากมาย เพราะหน่วยงานต่างๆ ไม่มีความรู้เพียงพอ เคยมีบุคลากรของหน่วยงานเอกชนมาถามกับผมเมื่อมาเรียนในโครงการอบรมทำให้ผมแทบตกเก้าอี้ เพราะเดินมาถามว่าควรเลือกซื้อ software ตัวไหนดี มี vendor จำนวนมากมาเสนอ แต่รายชื่อที่นำมาเสนอล้วนแล้วแต่เป็น freeware หรือ open-source ทั้งนั้น (แล้ว vendor จะมาถามขาย software ได้อย่างไร) ต้องขาย Solution ต่างหาก ผมเลยถามย้อนกลับไปว่า ควรคิดก่อนว่ามีโจทย์ธุรกิจใดที่ต้องการตอบคำถาม ต้องตั้งคำถามให้ดีและต้องตอบให้ได้ด้วยข้อมูล หากมีข้อมูลจะช่วยให้ตอบคำถามดีๆ สำหรับธุรกิจได้ ช่วยให้ธุรกิจสามารถแข่งขันได้ อยู่รอดได้ และยั่งยืนต่อไปได้ ถ้าหากหลงเชื่อว่าเป็นการซื้อ software ตาม Vendor หรือเอะอะอะไรก็ซื้อ hardware ก่อนที่จะมี peopleware และโจทย์ธุรกิจที่ชัดเจนที่ต้องตอบคำถามด้วยข้อมูลเท่านั้นนั้นจึงจะทำให้วิทยาการข้อมูลมีฐานรองรับและเดินต่อไปได้

นอกจากนี้ยังมีความเชื่อที่ผิดว่า Data Scientist มีหน้าที่วิเคราะห์อย่างเดียว สร้างตัวแบบอย่างเดียว ไม่จำเป็นต้องคิดเชิงออกแบบเพื่อนำผลการสร้างตัวแบบไปประยุกต์ใช้ เพราะเป็นหน้าที่ของ Business Analyst ซึ่งหากคิดแบบนี้แล้วการวิเคราะห์และตัวแบบจะไม่ตอบโจทย์ทางธุรกิจหรือแม้แต่โจทย์ในสาขาวิชาต่าง ๆ เพราะตัดขาดจาก context แล้วก็จะไม่เกิดประโยชน์เอาไปใช้อะไรไม่ได้ เปลืองแรงเปล่า

การทำงานด้านวิทยาการข้อมูลต้องใช้ Agile development คือร่วมแรงร่วมใจ ร่วมให้ความคิดเห็น ไม่ยึดติด ปรับเร็ว ล้มเร็ว เรียนรู้เร็ว ต้องเป็น cross functional team คือดึงผู้มีความรู้ในเรื่องนั้น ๆ ผู้ใช้งานจริง และทีมข้อมูล (Data Engineer, Data Scientist, Business Analyst, Data Visualizer) เข้ามาร่วมงานพร้อมกัน พร้อมกับสกรัมทำงานมะรุมมะตุ้มช่วยกันทำงาน ปรับเปลี่ยนจนได้ของที่ออกมาใช้งานได้จริง แต่ Agile development จะเกิดขึ้นได้ต้องมีการทำงานเป็นทีม ไม่ขัดแข้งขัดขากัน ไม่แทงกันข้างหลัง และคำนึงถึงผลประโยชน์ของหน่วยงานเป็นหลักใหญ่สุดก่อนผลประโยชน์ส่วนตัว นอกจากนี้ยังต้องไม่ยึดติดกับตำแหน่ง อะไรที่ช่วยกันได้ก็ต้องช่วย Agile development เป็นวิธีการหนึ่งที่จะช่วยให้งานด้านวิทยาการข้อมูลนำไปใช้ประโยชน์ได้จริง แต่เอาเข้าจริงการสร้างทีมพัฒนาแบบ Agile ก็ทำได้ยากยิ่งเพราะคนไทยทำงานเป็นทีมไม่เป็น มีผลประโยชน์ซ่อนเร้น หรือมีความขัดแย้งกันเป็นการส่วนตัวสูงมาก ทำให้งานเป็นทีมแบบนี้พัง

ประการที่หก Data science ต้องมีการวิเคราะห์ข้อมูลเท่านั้นถึงจะถือว่าเป็น data science ข้อนี้ก็ไม่เป็นจริงอีกเช่นกัน งาน Data Science นั้นในหลายครั้งแค่รวบรวมข้อมูลหรือบูรณาการข้อมูล ให้คนใช้ได้สะดวก สร้างผลิตภัณฑ์ข้อมูล (Data product) ทำให้เกิดการใช้งานได้โดยง่ายก็ถือว่าเป็นงานของ Data Science ได้แล้ว นำข้อมูลมาสร้างนวัตกรรม (Data innovation) ก็ถือว่าเป็น data science ได้แล้วเช่นกัน มองในมุมกว้าง Data Science คือการนำข้อมูลมาใช้ประโยชน์ได้ เกิดความรู้ที่เป็นประโยชน์เอาไปใช้งานได้ (Actionable Knowledge) หรือให้ง่ายกว่านั้นแค่วาดรูปจากข้อมูลแล้วเล่าเรื่องก็ถือว่าเป็น data science ได้แล้วเช่นกัน หากนำข้อมูลไปใช้แล้วเป็นประโยชน์ เกิดผลกระทบ (Impact) ยกตัวอย่างเช่น Florence Nightingale วาดรูปแผนภาพดอกกุหลาบแสดงสถิติของการเสียชีวิตทหารที่ไปรบในสงครามไครเมียแล้วพบว่าแท้จริงแล้วทหารไม่ได้ตายเพราะไปรบแต่ตายเพราะแผลติดเชื้อ เพราะการรักษาพยาบาลในโรงพยาบาลสนามนั้นไม่ดี แค่นี้ก็เกิดผลกระทบมหาศาลทำให้เกิดวิชาชีพพยาบาลเกิดขึ้นในโลกได้ โปรดอ่านจาก กราฟนี้ที่เปลี่ยนโลก จาก “วันพยาบาลสากล” ถึง “วิกฤติพยาบาลไทย” https://mgronline.com/daily/detail/9600000051329

หวังว่านายจ้างที่ต้องการว่าจ้าง Data Scientist จะไม่หวังที่จะจ้าง Unicorn Data Scientist ที่เพียบพร้อมทุกอย่างซึ่งหาได้ยากยิ่ง ในขณะเดียวกันก็หวังว่า Wanna Be Data Scientist จะปรับตัวเอง เรียนรู้และพัฒนาตัวเองเพื่อสร้าง Data Scientist ที่จะทำงานด้านข้อมูลเพื่อการพัฒนาประเทศไทยที่รักยิ่งของเราต่อไป และพัฒนาวงการแคบ ๆ ของ Data Scientist ของไทยให้แข็งแกร่งและเป็นประโยชน์ต่อสังคมไทย


กำลังโหลดความคิดเห็น...