【職涯分享 | 機器學習在商業上的應用】
為了更好的銜接後續機器學習相關課程，並了解其具體的應用場景，在下學期的第一週，我們很榮幸邀請到兩位目前任職於 LINE 的優秀學長 Dan 和 Rei 為我們帶來精彩的職涯分享！
工業工程背景的 Dan 學長擔任的是 Data Scientist ，身為非資管、資工背景的學生，學長除了透過自身故事帶出給跨領域學生的建議，也運用兩個實際執行過的專案來闡述資料科學家的日常工作內容；而現職 Machine Learning Engineer 的 Rei 學長則是純數學系出身，先前亦曾任職於金融業，因此特別提及不同產業在機器學習技術使用上的差別，並詳細分享自己求職時期的心法與面試經驗談。課程的最後，兩位學長更是不吝嗇的整理並告訴大家在學生時期精進自己的方式，相信不論何種背景的社員都會感到受用無窮。
本篇文章的 Key Takeaway：
📌DS / MLE 工作日常與專案分享
📌非相關背景的跨域經驗談
📌不同產業對於機器學習的應用差別
Dan 學長
1.實務中發掘對數據熱忱
Dan 學長提到自己在研究所時期主修工業工程，為了在各領域累積經驗，他曾參與資策會、美光、KKBOX 及元大證券等知名企業的實習計畫，負責過的業務內容十分廣泛，舉凡廣告投放、投資策略等皆有涉獵。在透過不同的專案、工作環境與職務內容逐步探索自身喜好的過程中，他發現自己的熱忱所在並非製造相關的分析，而是對消費者行為數據及其背後的故事充滿興趣，這也因此成為了他後續開展 Data Scientist 職涯的契機。另外，學長亦和大家分享了兩件他認為能對職涯產生顯著幫助的方法，分別是利用課餘時間多做 Side-Project 與加入相關產業的社群以建立人脈，前者可以大幅加速並檢驗自身硬實力的培養，後者則能搭建和業界的橋樑，以更好的和未來職場接軌。
2. 機器學習技術概念與 AI 發展
為了讓社員們對將來要學習的機器學習領域有基礎的理解，Dan 學長向大家簡單介紹了這項近期十分興盛的技術。隨著 GPU 運算能力、大數據存取量的大幅提升與深度神經網絡模型的表現愈加突出，ML 模型已經慢慢拉開和迴歸分析等傳統模型的差距，更成為了近年來各新興產業最為普遍的技術應用之一。而機器學習究竟是什麼？ 學長從基本概念著手，將機器學習分為 Feature Engineering、Model Training、Validation 和 Deployment 四個階段：
- Feature Engineering（特徵工程）：Features 為機器學習在訓練和推論期間用於預測的輸入，而特徵工程即是將 Raw Data 轉換成 Features 的整個過程總稱，除了基礎的離群值偵測、缺失值補值或移除外，亦可用離散化、標準化等方式做特徵縮放，其他像是 Label Enconding 等資料處理方法亦為此階段的範疇。
- Model Training（模型訓練）：根據訓練資料與模型預測誤差，進行參數的調整。透過不斷的迭代訓練，持續調整找到一個誤差最小的模型對現實狀況做預估。Cross-Validation（交叉驗證）：即檢驗模型訓練成效的方法，透過不同驗證方式（如 K-fold）以辯別出是否有 Overfitting 或 Underfitting 等常見問題
- Cross-Validation（交叉驗證）：即檢驗模型訓練成效的方法，透過不同驗證方式（如 K-fold）以辯別出是否有 Overfitting 或 Underfitting 等常見問題
- Deployment（部署）：機器學習模型完成之後必須部署模型至端點，才能讓其他人用於執行推斷
後續學長也針對 AI 這個許多人會和機器學習混淆的科技進行補充，並將重點放在兩者的差距與未來趨勢，其中提到了幾個重要的概念，例如 AI 的要旨為模擬人腦的思維模式，而 ML 則是 AI 的其中一個子領域，又可再細分為應用在行銷、股價、CTR 等預測系統的監督式學習，及常用於執行顧客分群的非監督式學習等。而長期來看，他認為 AI agent 的普及是無可避免的現象，將來更可能會出現第二次的數位轉型，因此，為了避免被時代的洪流淹沒，對這項技術有基本的掌握可謂是現代學生最重要的課題之一。
3. 過去專案內容與心得
結束了上述觀念的釐清後，學長接著以 LINE Shop 推薦系統與 LINE Today 的專案為例，讓大家具體了解推薦系統在實際應用中的多種模式與挑戰。他提到，推薦系統可以分為以下幾種模式：
• 隨機推薦：以隨機方式展示內容，滿足基本展示需求
• 熱門排行：根據時效性與熱門議題對內容進行排序，成效十分顯著
• 內容推薦：通過計算商品內容相似度來實現推薦，有助於解決冷啟動問題
• 協同過濾：結合 Model-based 與 Memory-based 方法（例如經典的 SVD、FM 模型）進行精準推薦
每一個展示的 Banner 實際上代表著一個獨立模型，強調企業在建立推薦系統時必須根據不同情境靈活調整策略。
此外，Dan 學長分享了在中華電信廣告專案中的實戰經驗，並提到利用客戶個資與瀏覽紀錄建立資料庫，貼上客製化標籤，進而精準地實現廣告投放的方法，最終有效落實「買人群」的策略。這些專案充分顯現了技術如何為實際決策帶來幫助，並為企業創造不斐的商業價值。
4. 職涯與能力養成建議
在 Dan 學長分享的尾聲，他再次呼籲想跨入資料科學領域的同學，在學生時期應抽出時間，透過 Side Project 累積足夠的實戰經驗及作品集，課餘時間則可透過線下社群或研討會與業界前輩交流，了解最新趨勢。心態方面，學長用「Be a yes man」這句簡短卻意義深遠的話勉勵大家勇於嘗試，他提到當時的自己也是秉持「Trial & Error」的學習態度，不斷嘗試、調整，最終找到最適合的領域發光發熱，並走出屬於自己的職涯道路。
Rei 學長
1.跨足商業的心路歷程
Rei 學長在一開始便提及他大學和研究所都是就讀數學系，在求學過程中，他意識到自己並不適合學術工作，因此萌生了轉往業界任職的念頭，而後續在發現數學背景所培養的能力對於機器學習工作有幫助後，因緣際會下進入了玉山銀行的資料分析單位任職，這也是他後續得以發揮所長，在 LINE 擔任 Machine Learning Engineer 的重要轉捩點。學長用這段故事告訴大家每個科系的學生都有著不同的素養，即使沒有一條直接的相關出路，也不需要因為科系領域就限制自己的職涯選擇，因為未來總是有無限的可能。
2. 金融業工作經驗分享
在玉山銀行的日子為 Rei 學長奠定了扎實的數據基礎，當時就職於集中式資料分析單位的他主要負責運用客戶資料來進行分析，工作內容涵蓋風險管理、行銷分析及信用卡行銷等多個領域，其中學長著重分享了自己透過 CRM 框架進行問題拆解與設定各項不同維度，從資料中找出信用卡商機客戶的案例，分享如何找出有意義且能創造價值的 insight。
- Acquisiton：指增加客戶數量（獲客），學長曾因台灣有法規規定不能針對循環利息做行銷，而想到用跨售的方式滿足需求，以開拓更多客源
- Up-selling：讓客戶在單一產品消費更多，和獲客為兩個增加 Revenue 最直接的方式
- Cross-selling：讓客戶購買更多種類的產品，可增加黏著度、降低流失的機率
- Retention：即留住客人的方式，例如透過簡訊或 Email 提醒回訪消費
上述四個點為當時專案所拆解出的策略面向，若能有清楚的目標定義和思考架構，則可以將「提升信用卡收入及知名度」這類模糊的目標建立一個清楚的框架，對發想可行且有說服力的解方有顯著的幫助。
3. 跨產業應用的差異與挑戰
許多社員皆在課前詢問學長關於產業差距的相關問題，學長在課堂中也以科技業、金融業為例，指出不同產業對機器學習的需求差異：
- 科技產業（如 LINE）：重點在於系統的快速反應與錯誤修復，由於消費者的感受度在問題出現當下即會受到明顯的影響，因此事前就必須建立起一套良好的排序機制，當推薦系統出錯時，必須根據優先順序進行調整，確保用戶體驗完整性。
- 金融業：對模型準確性的要求極高，任何微小偏差都可能大幅影響營收，因此需要極高的穩定性和精準度，即便對於錯誤修正的調整則不如科技業般有完整的應對措施， ML 在銀行中的應用仍然具有相當高的挑戰性。
Rei 學長還以 LINE 內部為例，分享如何利用 GitHub 共編文件制度促進跨部門溝通，強調團隊協作的重要性。另外他也補充道，公司有時候並不能一昧的追求最完美的結果，而是採用「先達成目標，再持續優化」的工作模式，例如客製化版位顯示功能異常時，為了極小化損失與客訴數量，可能會考慮用前一天的資料做暫時性的 Cover，不會馬上停機調整或修復模型，雖然後者看似才是解決根本問題的方法，然而若上升到企業層面來評估，此手段的花費時間與成本損失反而會對公司形象與利益造成較大衝擊，這亦是學生與業界人士視角的一個非常大的差異所在。
4. 職涯建議與未來展望
在課程最後，Rei 學長不吝嗇的為社員們提供了許多寶貴的生涯建議，包含培養自己成為 T 型人才、累積實戰與團隊協作經驗和練習提出有價值的洞見：
- 成為 T 型人才：
不僅要精通 Python、SQL 等核心技術，應積極拓展產業知識，了解不同領域的市場需求與運作模式，兼顧學習的深度和廣度，才能使我們累積龐大的知識量，並在競爭激烈的求職市場中更具優勢。 - 累積實戰與團隊協作經驗：
在實際工作中，團隊合作與流程優化同樣重要。學長建議大家參與更多開源專案和 Meetup，累積實戰經驗，同時學習如何在和不同群體共事的過程中，保持同樣高的產出品質與效率。 - 練習提出有價值的洞見：
求職時，除了準備技術測驗外，更重要的是需能夠清楚說明如何將技術轉化為商業價值，Coding 雖然是必備的技能，但能展示出自己對產業的看法與有效詮釋數據的 Storytelling 能力才是在面試中脫穎而出的關鍵，也是後續驅動決策落地的最大動力。
感謝 Dan 與 Rei 兩位學長在本次職涯社課中從不同角度解析機器學習在商業上的應用，不僅為 NTU DAC 的社員帶來一場內容豐富的分享，也讓大家對於接下來即將接觸的 ML 概念與應用有更全面的認識。
