Quantcast
Channel: 工程師 – TechOrange
Viewing all 585 articles
Browse latest View live

【數據科學 ≠ 數據分析】都是以數據解決問題,程式語言使用卻大大不同

$
0
0

【我們為什麼挑選這篇文章】在外界眼中,數據科學與數據分析乍聽之下可能有些相似,事實上兩者的確有共通點,不過數據科學更可說是數據分析的二轉。本文除了分析數據科學與數據分析之異同,更說明為何數據科學更勝一籌。(責任編輯:周庭羽)

數據分析

首先講到數據分析,數據分析師、業務分析師、商業情報分析師,甚至 Tableau 開發人員都可算是數據分析的其中一員。

數據分析的重點是描述和可視化數據所包含的訊息,再向非技術用戶傳達並做進一步的解釋說明。而數據分析與數據科學家雖有許多相似之處,但關鍵就是 數據分析並不是透過自動化、演算法化的方法來進行預測。

▌SQL

前文提到過數據科學家如何使用 SQL,數據分析師也會進行類似的操作。但是,SQL 對數據分析師更重要。數據科學家可能只是簡單地從表單中選擇列就可以了,而數據分析師卻要執行更為複雜的查詢操作(例如常用的表單表達式、數據透視表、視窗函數、子查詢)。

不同公司情況不同,有時候數據分析師更接近數據工程師,而非數據科學家。

▌Excel

雖然有些老派,但依然強大,你甚至可以用它做預測分析和趨勢分析。唯一缺點是跟 Python 比速度實在太慢。

▌Tableau

一種可視化工具,大多數公司都把它明確列為數據分析師的必備技能。

在 Tableau 中可以拖放數據到預設圖表,簡單強大;還有更多復雜的高級功能,比如計算欄位,連接到一個實時的 SQL 數據庫而非基於靜態的 Excel 表單進行分析。

所以說,數據分析師也要做很多事,只是主要負責:

  • 與相關部門定義要解決的業務問題
  • 獲取數據(使用 SQL)
  • 探索性的數據分析、趨勢分析和可視化(使用 Excel 和 Tableau),可根據工作場景,向有關部門展示從數據中獲得的發現,並提供可行性的建議

數據科學

再換一個角度看數據科學,這是一個實施自動化統計的行業,使用各種模型來進行分類和預測。

下面是成為數據科學家必備的一些技能:

  • Python 或者 R
  • SQL
  • Jupyter Notebook
  • 演算法/建模

▌Python

根據我個人經驗,大部分公司傾向於用 Python 而不是 R 作為主要編程語言。雖然職位描述裡可能會同時列出兩者;但是,我猜你身邊的大多數人,譬如機器學習工程師、數據工程師和軟體工程師,可能都不怎麼熟悉 R 語言。因此,要想成為一名更全面的數據科學家,Python 應該 CP 值更高。

▌SQL

乍看之下更像是數據分析師的技能,確實如此,但 SQL 仍是你從事數據科學必備的技能。工作中數據集往往不會直接發給你的,這跟學術界不同,你需要通過 SQL 獲得自己的數據集。現在有很多 SQL 的分支,比如 PostgreSQL、MySQL、Microsoft SQL Server T-SQL,以及 Oracle SQL。它們都屬於同一種查詢語言,形式接近,但平臺不同。因此,會其中任何一種就行,換到另一種 SQL 很容易。

▌Jupyter Notebook

數據科學家的遊樂場,既可以用於編程也可以建模。你可以把 Jupyter 當作一個研究工具,你可以編程、寫代碼、註釋掉代碼、調用 sklearn、pandas 和 numpy 這些資料庫來建模和測試。

▌演算法

數據科學家的主要職責是用演算法來快速準確地預測、分類,以及根據數據來給建議。每當你用新的數據來訓練模型,就會得到一些新的結果。關鍵的演算法通常分成兩大類:無監督學習(如聚類)和有監督學習(如分類/回歸)。

總而言之,數據科學家要做很多事,但主要職責是:

  • 與有關部門一起定義要解決的問題
  • 獲取數據(使用 SQL)
  • 探索性的數據分析、特徵工程、模型構建、預測(使用 Python、Jupyter Notebook、各種演算法)
  • 根據工作場景,將代碼編製成 .py 文件和/或用於部署的模型

兩者關鍵差異:能否以自動化進行分析

一部分差異主要在分析的自動化上,數據科學家 專注於使用 Python 等語言編寫演算法,進行自動化分析和預測 ;而數據分析師則 使用靜態的或者過往的數據 ,在某些情況下會使用 Tableau 和 SQL 等工具去做預測。

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈数据科学家 vs 数据分析师,到底有啥区别?〉。首圖來源:Unsplash,CC Licensed。)

(本文提供合作夥伴轉載。首圖來源:Unsplash,CC Licensed。)

你可能感興趣

▌ 【不要再說文組不能學 coding】《Nature》:語言能力越好,寫程式學習力更高
Stack Overflow 年度報告出爐:Python 跌到第三名,現在工程師最喜歡哪個程式語言?
▌    微軟工程師推出 Python 零基礎課程,用 10 分鐘的短片讓你輕鬆上手!


多雲平台管理不易,找出資安威脅難上加難

IBM 解惑如何善用「開源技術」自動因應網路攻擊

獲取 IBM 獨家白皮書


核心維護者都五六十歲了!Linux 之父感嘆:社群後繼無人

$
0
0
VMware 的 Dirk Hohndel(左)在虛擬開源峰會上與 Linus Torvalds 交談
VMware 的 Dirk Hohndel(左)在虛擬開源峰會上與 Linus Torvalds 交談

【為什麼我們要挑選這篇新聞】誕生於 1991 年的 Linux 即將後繼無人? 現今 Linux 社群面臨的挑戰又是怎麼來的?聽聽擁有暴躁脾氣的天才:Linux 之父 Linus Torvalds 如何看待 Linux 的未來 。(責任編輯:藍立晴)

上週在線上舉行的開源峰會和嵌入式 Linux 會議上,Linux 創始人 Linus Torvalds 談到了尋找開源核心未來維護者的挑戰。

「目前的維護者多是 50、60 後,社群面臨代際更新問題。」

Linux 真的後繼無人了嗎?

Linux:我們都五六十歲了,社區需要新老接替

和很多老一輩社區一樣,Linux 也面臨著同樣的問題:當前一代的維護人員老去甚至離開時,Linux 將會發生什麼?

目前,很多 Linux 的維護者和 Torvalds 一樣,已經五六十歲了,「在某種程度上,我們作為一個群體需要開始考慮新老接替。我們該怎麼辦?」

Torvalds 對此回應稱,Linux 社區作為一個整體並沒有那麼老。「很多不到 50 歲的新人;他們往往是真正在做事情的人。」(不到 50 歲的新人!)

不過,Torvalds 也指出了一個問題。「不太好找到維護人員,」Torvalds 說,幾年前他曾承諾不再對惹惱他的核心開發人員大吼大叫。

「作為核心工作維護者的缺點之一,是你必須一直待在那裡,」Torvalds 繼續說。「每天都是這樣枯燥乏味的工作內容。」

你讀電子郵件,回應電子郵件,你必須待在那裡做事。

「我們沒有足夠的維護人員。我們有很多人編寫程式碼,但是很難找到這樣的人,他們會真正地去看別人的程式碼,並將這些程式碼逆流而上,最終完善系統……這是我們面臨的主要問題之一。」

和 COBOL 工程師一樣的命運?

Torvalds 稱,最大的問題是,在社區中建立信任需要時間。「這不僅是來自其他維護者的信任,還有來自所有編寫程式碼的人的信任……這需要時間沉澱的。」

「30 年前我們剛開始的時候,還不需要考慮這些。就好比,這裡有個坑,你來了就能幹活。」

「現在很多人都依賴於核心,就不能像過去那樣隨心所欲了。」

編寫核心的大部分語言是 C 語言,它是否被 Go 和 Rust 之類的語言取代,以至於「我們有成為 21 世紀 30 年代 COBOL 工程師的風險?」

當主持人問道這個問題時,Torvalds 回答說:「C 仍然是十大語言之一。」

然而,他說對於那些「不是內核本身的核心」的東西,比如驅動程式,核心團隊正在考慮「採用接口來做這些,例如,在 Rust 中……我確信這將會發生。」

有史以來最大的發行版:5.8 背後的路漫長而又艱辛

在線上峰會上,針對即將發布的「非常重要的」5.8 核心版本,Torvalds 作出了以下回應:

「這可能是其中一個版本,因為它的規模很大,我們將不得不推遲最終版本的發布,並給它一個或兩個比平常更多的 RCs(候選版本),」Torvalds 說,並補充道,「但到目前為止,一切都很順利。」

Torvalds 說,Linux 核心既無聊又有趣。

「我說過,核心很無聊,但我的意思是,從某種意義上說,許多新技術應該更有趣。對我和其他很多人來說,沒有什麼比在底層與硬體交互並真正控制正在發生的一切更有趣的了。核心並不乏味,但大多數人卻認為它們應該乏味。」

在之前 6 月中旬,就 Torvalds 宣稱 5.8 是「我們有史以來最大的發行版之一」,據說有更新所有代碼中的 20% 部分。

即將發布的版本中有什麼?重點包括更新的驅動程式,對即將面世的 IBM / OpenPOWER POWER10 處理器的初始啟動支援,KVM(基於核心的虛擬機,Kernel-based Virtual Machine)的改進,包括對嵌套 AMD 即時移轉的支持,針對 Microsoft 的 exFAT 的三星支持的文件系統驅動程式的更新以及對 Habana Labs Gaudi AI 培訓處理器的加速器支持,Torvalds 提到的最後一個是佔大量新程式碼的原因:英特爾的 Tiger Lake 處理器也支持 Thunderbolt。

雖然 5.8 版本比 4.9 版本由更全面的發展,需要堅守崗位的維護人員也變得更多,但是這一切還是不能給 Torvalds 的真性情合理解釋。

「真性情」的 Linux 之父:從 91 年成立一刻都沒有離開過

Torvalds 似乎一直是以「真性情」出名,在壓力很大的時候,給熱心的程序猿(工程師暱稱)回一些帶有情緒的字眼,以至於演變成了 爆炸性的新聞 。還有人提交了一次令系統崩潰的補丁程式後,他的情緒在那會似乎佔了上風……

事後他向眾人道歉。

Torvalds 在道歉信裡表示,他不是一個具有同理心的人,他誤會了大家,雖然是在尋求更好的補丁程式中,但也不應該流露壞情緒,維護之路漫長而艱辛,他不想因為自己的壓力給大家帶來痛苦,並保證會學著如何理解情緒而不傷害他人。

他表示成立了近 30 年的專案,他需要在壓力爆棚的時候好好喘口氣,只有好好的休息,才能繼續前進。短暫的休息並不是要放棄該專案,他只是想要更好地繼續。

可以說,Torvalds 對錯誤程式碼的容忍度幾乎為零。為了保持廣泛使用的核心盡可能穩定和高效,Torvalds 在原則上堅持不退讓。

從 1991 年成立該專案開始,他一刻都沒有離開過,至今 Torvalds 仍管理著核心發行,所有核心發行均由來自全球 1,200 多個組織的 10,000 多個開發人員提交的原始碼精心製作而成,並通過一組維護人員進行審核,這些維護人員負責構成專案的各個組件--從設備驅動程式到記憶體管理。

所以下一位守護者到底在哪裡?Torvalds、Linux 還有用戶們都在等著你。

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Linux 核心维护者都五六十岁了,Linus 称社区后继无人 〉。首圖來源:Unsplash,CC Licensed。)

延伸閱讀

【從死對頭到好朋友】微軟宣布新版 Windows 將採用 Linux 特製核心
超狂工程師開發 Linux 電腦名片!連接 USB 就能啟動系統,不但可讀履歷還可玩遊戲
【微軟與 Linux 的愛恨情仇】微軟坦承:當年對開源的態度錯了

【工程師變 DIY 木工】他花 300 美元打造出樹苺派「手提街機」,隨時都能打快打旋風啦!

$
0
0

【為什麼我們要挑選這篇文章】工程師跟木匠能有什麼關聯?美國一位工程師利用「一卡廢棄皮箱」和樹苺派,打造出可以隨時隨地玩《快打旋風》的街機!

他是怎麼完成的?完成了這個超特別「專案」後,這位工程師又有何感想呢?(責任編輯:藍立晴)

工程師和木匠聽起來隔行如隔山,但工作的方式其實還是有不少相似的地方:都有固定的 workflow,都需要極致的耐心和一點創造力。

這不,一位來自美國的北卡羅來納州的工程師 Tyler Capps ,就為了完成一個 「復古手提街機」 的願望,跑去做了一段時間的木工,最後成功 get 了一隻 N 合一的可折疊炫酷街機,還成功愛上了木工這個手藝。

現在他甚至在自己的個人主頁上,把「木工」寫進了除了「電子設備」外的第二大興趣點,看來上癮不小。

一起看看他的製作過程吧。

時間要求:>16 個小時
難度:中
價格:300 美金+

工程師變身木工!復古街機製作過程全公開

不久前,我老弟想讓我幫他給一張玻璃咖啡桌改裝成一台 N 合一街機,我想,試試吧。

雖然我已經對 RetroArch 和相關模擬器很熟悉了,但這是我第一次嘗試用樹莓派來做。結果發現,樹莓派設置超簡單,比我想像中難度小很多。

於是我又想了想,「乾脆整個更酷的東西出來吧」我決定 給一個 可折疊攜帶的廢棄行李箱裡裝一個街機 ,這樣可以能提著到處走,打開箱子就能玩遊戲,簡直就是撩娃神器。

於是那段時間, 我就一直在找合適的折疊箱 ,但找了幾個星期後,我簡直就快放棄了,太難了。我發現找到的箱子要不就太小,要不就太大、太破、太貴、太厚、太薄,等等等,這簡直就是逼我手工魂上身,自己動手豐衣足食了。

我想了半天,在腦袋裡構思了一個箱子設計方案,還擬了個要求表,如下:

可折疊
輕,方便拿
小,方便放
又不能太小,導致功能不齊全
製作精良的木盒

這樣一列出來,突然發現給自己挖了一個大坑。因為我既無自己的工具,也毫無木工活經驗,只有一點點過時的電子知識。但是俗話說,自己挖的坑含著淚也得填上。

運氣特別好的是,正好我附近有一家非常棒的創客空間能提供各種手工工具。潛入其中後,在裡面一些哥們指導下(還看了很多 YouTube 影片),我給自己技能樹點上了 「基本木工技術」,還有 怎麼用 3D 列印機、雷射切割機、數控工具機以及做街機盒所需的一切其它東東。

以下就是成品所包含的主要零件,還有製作過程。

首先,我在 Adobe Photshop 和 Illustrator 裡,用自己選的街機控制器零件尺寸來 設計按鈕和搖桿的佈局

考慮到最後盒子的尺寸是 21×11¾×5⅜ 英寸(大約 53.3×29.8×13.6 厘米),我設計了各個控制項的整體佈局,當然其中還考慮了喇叭和其他組件。

盒子主體我是用勞氏公司(Lowe’s)的松木板做的。我先做了個框架,然後用鋸子把它鋸成兩半,分別用來做箱子的底座和蓋子。

接著我把頂部和底部的木板給粘上,乾了後,用 80 到 220 的砂紙一次對它進行拋光,弄完一下看起來就高級多了。

果然磨砂紙是提高一切品質的必需品,就是麻煩。

然後,我對盒子用了預染色護木劑、紅橡木染色劑,還有很多層其他噴漆。我知道很多木工不喜歡用化學染劑,但我還是用了,因為首先我想降低成本,而且我也不太相信自己的技術,怕給好好的木頭給弄壞了。

之後,參照在 Illustrator 裡設計的佈局圖,我用雷射從樺木膠合板上切割出了裝把喇叭、按鈕和搖桿等所有需要的孔。還用同樣過程切出了之後用來裝螢幕的木板。

接著我又用 Illustrator 給面板和螢幕板設計了保護板,以及為遊戲桿設計了受小精靈啟發的灰塵罩。我用雷射從超薄的樺木薄板上切割出了所有這些保護板,然後用噴塑粘合劑把它們固定在膠合板表面。所有的膠合板都用砂紙打磨過,接著還給它們噴了很多層漆,就完美了!

雖然我很熟悉電子產品和各種遊戲,但我不是所有程式碼都要從頭寫的工程師。所以裝遊戲的時候,我直接用了 RetroPie,一款專門在樹莓派上玩復古遊戲的開源軟體。我要做的就是下載一個 RetroPie 鏡像,用 Etcher 或其他 flash 軟體將其寫到一張 microSD 卡上,插入樹莓派,然後啟動。So easy.

因為我還想在盒子外預留兩個 USB 接口,所以我買了兩根 USB 延長線,還量了下母端的尺寸。然後我用這些尺寸在 Tinkercad 上設計了一個可連接 USB 線的接口,它能讓我從內部連接 USB 線,並且從外部看非常美觀齊整。接著同樣 3D 列印,第二次用比第一次熟練多了。

所有的控制都是即插即用。我所做的就是將每個按鈕和搖桿連接到控制器板上相應的插頭上,然後用 USB 將控制板連接到樹莓派上。最後再在 RetroPie 中配置一下控制項,一切都很順利。

關於顯示螢幕,我從一台壞掉的筆記本電腦上回收了一個 15.6 寸 LCD 螢幕。接著我在 eBay 上查了下型號,找到對應合適的 LCD 控制器板。這樣我就能用一根很短的 HDMI 線將螢幕和改裝過的喇叭連接到樹莓派上了。

對於音響方案,我也重複利用了下舊台式機的喇叭。首先給喇叭從外殼中弄出來,上老虎凳,哦不老虎鉗。

然而,當我給喇叭和電子零件弄出來時候,犯了一個大忌,零件動得太頻繁了。導致本不該動的電線被弄斷了。這時候又得召喚焊接槍,到處焊焊,再弄些熱膠補救一下。反正能用就行。

喇叭在盒子底部,面向上方。我設計(還是用 Tinkercad)並 3D 列印了一對可以安裝喇叭的升降台。這樣喇叭就可以固定在底座上,當它被放置到喇叭頂部時,它將將好和控制板齊平。

為了給這一切供電,我將一根三插頭延長線的頭部連接到一個街機電源開關上,該電源開關穿過盒子背面,通過一根標準 PC 電源電纜接到牆上的插座。液晶控制面板要 12V 1A 的電源,很容易就在一家舊貨店找到了,但我必須得改造一下讓它能放到箱子裡去。

這樣所有部分都搞定了,而且所有零件都測試能正常使用。剩下就是把箱子組裝起來。結果最後一步出問題了,我發現蓋子不能像我想的那樣蓋住搖桿。我已經用隔板把搖桿放得盡可能低了,但我還是發現無論我把螢幕設置成什麼角度,還是蓋不上。

然後我試著給搖桿球頂從柱子上擰下來,接下來見證奇蹟的時刻到了,蓋子合上了!而且螢幕和裸柱之間只有毫米級的距離,但這也足以讓它們永遠不接觸了。

因為還沒給盒子安裝把手,所以我的解決方案是在盒子的前面加兩根柱子,接著用拆下來的兩個球頂裝在上面,當作搬運把手。我不知道這樣是不是 OK,但這是我唯一的選擇。神奇的是,它居然符合人體工學的,拿起來還相當舒適呢。

我對最終結果還是非常滿意的。它就像我想的那樣能玩,我也已經讓大家在上玩了很多把《快打旋風 2》了。

雖然聽起來可能有些誇張,但製作這個街機箱的過程真的讓我感覺到人生受到了改變。因為這是我第一個真正意義上的專案,完成它是我生命中最有價值的經歷之一。

它給了我新的人生方向、新的想法還有新的奮鬥目標。在創客裡學習、解決問題、設計、工作讓我非常舒服,像是一種家的感覺,這真的很難得。

對我來說,有種自己生來就是為了做這些東西的感覺,現在已經忍不住想開始下一個專案了。

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈程序员变木工?树莓派 300 美元 DIY 手提街机,随时随地玩街霸 〉。)

延伸閱讀

工程師大哉問:想做數據分析,到底該用 R 還是 Python?
【半導體業今年最夯】台積電工程師年薪約 200 萬只排 14 ,IC 設計均薪逼近 300 萬
GitHub 數據告訴你:用哪種程式語言的工程師最快樂?

【幫這位熱血資安工程師 QQ】做資安做到離婚、網站還賣不出去,他為什麼要堅持下去?

$
0
0

不知道大家有沒有用過一個很厲害且實用的網站,可以幫你查你想使用的 e-mail 帳號、密碼是否有在其他平台上被使用過?

在這個網站的背後,有一個很重要的人物,也就是它的創辦人兼唯一員工—澳洲安全專家 Troy Hunt,他為了這個個資防護事業,可說是全心栽入,搞得自己無法負擔龐大的業務量,甚至和老婆離婚了。

帳號密碼有被駭嗎?這超強網站你一定也用過

Have I Been Pwned 這個網站主要透過許多應用軟體所提供的龐大數據為後盾,來分析所輸入的帳號和密碼,是否曾經在哪裡有人使用過,或是有多少人使用過。

簡單來說,這個工具可以幫你快速比對你提供的帳號和密碼,是否和清單裡的資料有相同的組合(雖然有些人可能對在這個網站輸入個人帳號、密碼存遲疑的態度),如果有的話,網站會跳出警告,希望你更改,雖然沒有立即的危險,但表示存在安全風險。

無敵狂熱的資安工程師 Troy Hunt

Have I Been Pwned 這個網站是由澳洲安全專家 Troy Hunt 於 2013 年創立,而早在他創立之前,他就是個不折不扣的資安狂熱者,熱愛鑽研網路資安問題。

早在 2011 年,他就自己觀察多起數據外洩事件,並將他的發現和分析撰寫成部落格文章。他的心得是,在這個網路世代,使用者常常為了避免自己忘記密碼,習慣使用同一套帳號密碼,因此只要一個平台遭駭,駭客等於變相蒐集到用戶在其他平台的資料。

隨後 Hunt 還分析多起大規模的資料外洩事件如 Adobe、Sony,Snapchat、Yahoo,他從中蒐集數據,用這些遭駭的帳號與密碼建立起龐大的數據庫,目前已累績上億筆資料,這也造就了 Have I Been Pwned 能成為大家檢查個人帳號密碼是否遭侵害的首選工具。

隨著 Have I Been Pwned 的知名度增長、用戶和規模日漸擴大,Hunt 仍然是唯一的經營者,他負責有關網站的一切事務,包括組織、加載數據到數據庫,以及決定網站要如何處理這些數據等,其中也包括了一些法律和道德規範。

有許多人好奇 Hunt 是怎麼做到的?Hunt 認為這是一個很敏感的話題,他也一向以「透明性」原則來回覆,聲稱他都以他認為合理的方式去處理這些外洩事件和個人數據。

當公益事業在做?Hunt 累了也癱了…

Hunt 表示,任何人,甚至是科技公司都能使用這個龐大資料庫,如瀏覽器製造商、密碼管理器商(如 Mozilla 和 1Password)已使用 Have I Been Pwned 的內建服務,防止用戶使用以前曾被攻擊的密碼,另外像是英國和澳洲等西方政府,也用 Have I Been Pwned 來監測網路違規行為。

而這些提供給個人、企業、政府的服務,全都免費。

對於一件事的熱忱可以支撐一個人做到什麼地步呢?果不其然,不以營利為導向的事業終究很難長久維持。Have I Been Pwned 營運了五年後,Hunt 撐不下去了,再也無法以一己之力支撐日益龐大的業務,他認為 Have I Been Pwned 若要成長,需要更多的資源及更好的資金架構來支撐,而這不是他一個人能辦到的。

因此 Hunt 決定發起 Svalbard 專案(Project Svalbard),出售 Have I Been Pwned,而在處理出售事宜的同時,他也經歷了與妻子分居,最後甚至離婚,看來他可承受了不少壓力呀!

求售路漫漫,Hunt 捍衛人類價值仍繼續投入

Hunt 已經和矽谷多位潛在買家進行面談,討論這筆出售交易,但到目前還沒有一個明確的結果。

這段尋找買方的旅程,不知道還會持續多久,或許是因為 Hunt 的堅持,因為他在尋找的是一家「尊重個人數據,並且能維持 Have I Been Pwned 聲譽」的公司。

即使 Have I Been Pwned 求售,Hunt 其實也不打算放手,他甚至公布了 6 大承諾,包括未來 Have I Been Pwned  仍將維持免費的搜尋功能,他自己也打算持續投入,計畫打造出更多更聰明的功能,期望觸及更多用戶,盡力改變消費者行為,讓全球組織都能因 Have I Been Pwned 受惠。

希望這位個資守門人,在熱愛工作之餘,可以多花點心思在生活上,才不會搞得身心靈俱疲,家庭與人際關係都搞砸了!

參考資料

(本文提供合作夥伴轉載;首圖來源:Have I Been Pwned 官網截圖。)

你可能會有興趣

Facebook 將依據在家上班的地點調整薪資,這會影響全球工程師的薪資嗎?

$
0
0

facebook layoff

科技巨頭 Facebook 在今年五月宣布,因為疫情影響,預期未來 5 到 10 年間,將會有一半的員工改成在家辦公。聽起來是否有點美好?不少人可能這樣想,那我就拿矽谷的薪資、在郊區工作吧! Facebook 隨即表示,他們將根據「所在地」調整薪資。

Facebook 工程師「根據所在地調整薪資」, 2021 生效

在發出聲明後,Facebook CEO 通過視訊會議,跟所有員工說明,Facebook 將會根據員工的「所在地」支付薪資,此外,若遠距工作的員工在 2021 的 1 月 1 日前搬到新區域,也必須要知會 Facebook。

祖克柏說明,Facebook 必須考慮各地不同的稅收制度,此外,他補充:「那些不誠實的人,將會有嚴重後果(severe ramifications)。」

其他矽谷公司也跟進嗎?

因為疫情關係,為了確保公司能持續營運,許多矽谷公司在這半年來陸續搬出裁員、減薪、留職停薪等等的政策。例如首當其衝的共享經濟三大巨頭 Airbnb、Lyft、Uber。根據 Layoffs.fyi 統計裁員的數據庫,目前(7/22)共有 537 間新創裁員,裁員人數高達 71569 人。

延伸閱讀

從年薪百萬到艱困求生,新冠疫情下的矽谷員工困境:裁員、面試取消、簽證問題

【來自矽谷 CEO 的暖心裁員法】Airbnb 大裁 25% 員工,但提供員工最有人權的完整補償

由於求職公司減少,就連已經被微軟收購的求職平台 LinkedIn,也在稍早(7/21)發表聲明,預計裁撤 960 個職位。美國媒體 CNBC 報導,裁撤 960 人,相當於 LinkedIn 全球人力的 6%。儘管 CEO 萊恩・羅斯蘭斯基(Ryan Roslansky)保證將會提供美國員工 10 個月的離職補助、健康保險,但此消息還是震驚了科技圈。

調整薪資跟裁員,都是以減少公司支出為目的做的調整,Facebook 雖然目前尚未大量裁撤員工,但以矽谷的狀況來說,或許可算是保全員工工作、維持公司營運的其中一種方式。(至於 Facebook 的營收是否因為疫情的關係而增加,則要另外討論了。)

依據工作地點調整薪資,是全球趨勢?

除了 Facebook 之外,辦公通訊軟體 Slack 跟另一個科技巨頭 Twitter 也宣布延長員工在家工作的時間、甚至「永遠」在家工作。假如 Facebook 開了「依據工作地點調整薪資」的先例,是否會影響其他的企業跟進呢?拿 Global pay 是否要成為過去式了?

延伸閱讀

【跟疫情無關?】Twitter 讓員工「永遠」在家上班,真相是跟政府喬不攏稅金?

Financial Times 報導,全球第一名的商學院,麻省理工學院(MIT)史隆管理學院(Slonane School of Management)的工作與就業研究所聯席主席湯瑪斯・柯漢(Thomas Kochan)表示:「因為人們住在成本更低的地方,就給他們更低的工資,這種作法很危險。」

對個人來說降低工作吸引力,對管理來說難以設定 KPI

從工作地點來看,美國城市與郊區的生活費用明顯不同、各州稅制也不同,Facebook 如果要根據地點給發薪資,就相當於想像自己在各州開了分公司,並雇用當地員工。以台灣人的想像來看,就像是 Facebook 雇用台灣人,用台灣的平均薪資給付薪水。

好處是 Facebook 能減少薪資部分的開銷,也增加僱用員工的彈性,而壞處則是破壞了原有的科技圈「行情價」,這樣在 Facebook 工作的吸引力也會大幅下降,勞動市場改組,就像是為了破除第一志願的迷思,而採取高中社區化一樣。

美國科學類知名教科書出版商 O’Reilly 總裁羅拉・鮑德溫從員工表現上提出質疑,他問,如果希望團隊中每個人都有一樣的產出,那為什麼有的人就能高薪、有的人低薪呢?在哪個地點工作得到相同成就,跟薪水有什麼關係呢?

Facebook 是不是又一次錯誤宣傳了?

目前 Facebook 無法估計這樣的調整能為公司節省多少開支,大眾只知道目前 Facebook 遇到的管理假訊息難題、廣告商抵制,現在它發出的種種宣言不只動輒影響政界、廣告界,現在也要影響勞動市場了。

Financial Times 引述法國商學院 Inasead 營運管理副教授 Sameer Hasija 的話:「雇用各地區的員工在家工作的確能創造更大的人才庫,但員工也將有更多雇主選擇,最終還是要取決於供需市場的競爭方式。」

參考資料

Financial TimesCNBCMarketWatch

(本文提供合作夥伴轉載。)

你可能有興趣

【數據看裁員】新創公司盤點支出規劃,忍痛開刀業務跟工程師
【來自矽谷 CEO 的暖心裁員法】Airbnb 大裁 25% 員工,但提供員工最有人權的完整補償
【在家工作也不讓你摸魚】這款 AI 系統可潛入電腦,考評工作績效,還會給老闆打小報告

【土木系轉行矽谷工程師有多難?】她看著一歲女兒學步,發現學程式一點也不難!

$
0
0

【我們為什麼挑選這篇文章】記得幾年前在網路上流傳著一首叫做《每個人都有自己的時區》的詩,內容大概在說其實每個人都在自己的時區裡走著自己的步程,鼓勵大家不要受他人影響,勇敢做自己想做的事。

本文作者 Vanessa Wang 為台大土木系、馬里蘭大學小說創作雙碩士,她自學程式,現為矽谷軟體工程師,將透過本文分享工廠工讀生、嬰兒、產線工人對她「轉行」的啟發。(責任編輯:賴佩萱)

2018 年在我女兒九個月大的時候,我辭掉了幫工程師寫技術文件的工作(technical writer),在家靠網路上的教材自學寫程式。經過九個月的努力,我成功轉行成為矽谷的全職軟體工程師。

中年轉職需要勇氣,你敢承擔這個風險嗎?

轉行是一件具有風險的事情,而我當初在做個決定的時候,和許多人一樣,很害怕放掉過去累積的年資、害怕轉行不成兩頭空。這個風險是一個事實,是每個人必須自己承擔、衡量的事情,不管誰跟你說什麼「人生只有一次」、「做就對了」,這個風險都是不變的。

我想寫這篇,不是要說轉行很簡單、誰都可以或什麼的。這篇是要紀錄我現在一歲的女兒、一位工讀生以及特斯拉工廠的工人們在我轉行之路上扮演的角色:是他們讓我找到轉職的勇氣、教導我用正確的態度面對中年轉行這件事並且顛覆了我對「時間」的理解。

心中對另一個人生充滿無限想像,卻總能用各種理由打消「轉職」的念頭?

我在加州矽谷特斯拉汽車工廠擔任 technical writer 的第一個禮拜,旁邊坐了一位剛從麻省理工學院畢業的女孩,她是機械工程師,小我七歲。在工作上,她負責找出解決問題的方法,我負責將她的解決方案紀錄下來。我知道我的工作也很重要,但我總想著, 我以前念的也是工程,難道我做不了她的工作嗎?我難道想不出改善電動車生產線的方法嗎?

但我打消了那個念頭。我心想,我在剛讀完土木工程學位時沒有立刻去當工程師,現在過了那麼多年了—工程那麼「硬」的學問我哪做得來?就算我做得來,誰要給我這種機會?

每次幫別人寫工程文件時,我總想著他們提出的解決方案可以怎麼改善;我總想跟工程師討論他們是怎麼決定各個解決方法的。 有時候我幻想著再次去投土木工程師的職缺,但我還是不敢做出改變,覺得自己已經錯過做改變的人生時機了。我總能用各種理由打消自己再次嘗試當工程師的念頭 ,例如:「我不行的啦!以前結構學修得那麼爛。」「我還是比較適合這種能夠結合我寫作能力、軟實力的工作吧!」「工程師要一直加班,我這個工作比較輕鬆。」等等等。

但我還是想著,會不會有一天我還是可以回到工程師這條路?心中永遠掛著一個 what if…

時間過著過著,然後我就懷孕了。

別人能做到的事,你也可以!

在我請產假的期間,是一位化工系的工讀生替補我的工作。工讀生除了幫我做我的工作以外,也幫我們組的工程師做非常多事情,做得人人滿意。當我產假請回來的時候,我發現工讀生在短短幾個月之中從幾乎什麼都不會已經進化到可以獨當一面用 CAD 設計機械零件、聯絡廠商製作零件、安裝到生產線上,進而改善生產流程。

那時我領悟到, 如果一個工讀生可以在我請產假的五個月中學會那麼多事情,沒有任何理由我會學不來 。事實上,工讀生讓我領悟到了,在我猶豫不決想著「我行嗎?」「可以嗎?」「有希望嗎?」的幾年間,足夠我轉職四次有餘了。於是我跟我的老闆說,工讀生學的、做的,我要依樣畫葫蘆,全部交派給我吧!我終於鼓起勇氣跟老闆說,我的職涯目標,就是做工程師;我跟他說我以前就是讀工程的,我相信我可以學得來的。

做自己真正喜歡的事,即使無敵累,你也會笑著繼續做

產假請完回去上班的那半年我過得非常充實。我每天都練習用 CAD 畫圖;每天大家經過我的辦公桌前都會看一下我學得怎麼樣了,給我一些指點。我跟著其他機械工程師開會、想工程解決方案、設計可以改善生產線的機械零件、聯絡廠商訂購現成機械零件、跟著技工把那些零件在機械房裡照著設計圖做出來。當然,我還是得完成我自身寫文件的工作。

那段期間是小孩三到八個月的期間,我每天都睡不好、上班要擠奶、半夜要餵奶,但我的心靈很充實,因為我有了人生目標,而且我再也不用畏懼地想 what if 了; 我用行動代替所有的空想,我知道即使必須從零開始重頭來過,但只要我每天都在學習、在進步,那又如何?

當我敞開心表達我的學習意願後,我跟辦公室裡許多人的關係拉近了。我發現有好幾個人都是很晚才開始學當工程師;他們或許是年輕時太早生小孩以至於三十幾歲才去讀大學,或者是身體不好一直出入醫院,一直沒有辦法好好完成學業。但他們最後都做到了他們想做的事情。 我一直擔心如果我嘗試學習會被笑,因為萬一我學不來呢?會不會被比我年輕的人看不起?但事實證明只要願意學習,大家都會尊敬你虛心求教的精神

我還發現了一件事,就是我很喜歡「解決問題」的過程,也很喜歡邏輯推理,但我不喜歡機器、機器人。我對於零件長什麼樣子、功用是什麼沒有什麼熱情。那段期間我開始在線上學寫程式,發現比起土木工程、機械工程,我更喜歡軟體工程,於是我下定決心轉行軟體工程師。

打破「時間」的框架!認真想想,其實有很多事可以做

以上就是我轉行的契機和原由,而帶給我勇氣啟程這條路的人,除了工讀生,就是我的女兒。在她身上,我對於「時間」有了全新的認知。

那時初為人母的我每天看著嬰兒神速的發展,我突然對於自己的不上進感到很羞愧。

嬰兒學習的速度是非常驚人的:他們出生時幾乎什麼都看不見,只能靠嗅覺找到媽媽的乳頭。但是不用一年的時間,他們就學會翻身、坐、爬、站、走、跑… 他們甚至可以表達他們想要什麼(就算不會用講的他們還是能用其他方式表達)、聽得懂大人講的話。

我不禁想, 如果人類在出生的第一年之內就已經獲得大部分生存的技能的話,我們接下來的人生到底都在幹嘛?而我停駐在躊躇不前、不敢踏出轉行的第一步的三年期間又在幹嘛?

年紀、年資只是數字,以「嬰兒」的姿態虛心向學才能進步

一方面我感到羞愧,另一方面我心中也燃起了希望。「原來人類學習的潛能是這麼巨大的!」我們常常覺得「時間不夠」、幾個月的時間不足以完成什麼,但對於嬰兒而言,一個月 30 天之中,能夠學習的事情實在太多了! 你一定聽過「七坐八爬」這個詞:上個月只會坐在那裡的嬰兒,下個月已經可以滿屋子到處爬行了。能夠進步地那麼快,無非是因為他們每分每秒都不斷地在練習新的生存技能,絲毫沒有浪費時間。

我沒有看過哪一個大人的學習意願比嬰兒強的:嬰兒一旦學會坐,他們就迫不及待要學站;一旦會站迫不及待便想要走路。他們想要學習的那個意願是誰也擋不住的,因為他們一心一意就是想要進到下一個階段,有時候白天練習不夠,嬰兒半夜還會爬起來練習站、走路。一天中他們練習這些技能多少次?我親眼看著我的孩子扶著東西站起來、跌倒、再站起來多少次?這些都來不及數,因為她根本不在意跌倒,她壓根沒想過跌倒會被笑這種事,所以在你還沒意識到她摔下去時,她早就再站起來了。

這就是我在嬰兒身上學習到的: 如果不停地重複練習、不害怕跌倒、不在意他人的眼光,一年的時間可以完成非常多事情,而美妙的是,我們每個人都曾經是嬰兒,我們每個人都擁有這樣的學習潛能

跟嬰兒比起來,我們世界上每一個人都太遜了。既然我們「每個人」都不如一個新生兒,轉行期間必須從零開始、從當實習生開始、從最底層開始,那又如何?連我不到一歲的女兒都是我的人生導師了,那如果我要向比我年輕的人學習、向實習生、大學生請教,那又算什麼?從那時候開始, 我知道年齡、年資這種東西是沒有什麼意義的;如果我真正想要學習,我必須放掉對這些沒有意義的數字的執著,虛心求教於任何比我厲害的人,而且不要畏懼從最底層開始重新往上爬

唯有再次把自己虛心定位到一個什麼都不懂、什麼都不會的嬰兒之姿態時,我才有可能真正的學習、真正的進步。

沒金錢煩惱、生活比別人優渥,但你有善用時間與資源來提升自己嗎?

在特斯拉工廠工作的三年中,我看到了很多不同的人生型態。大部分的工人日復一日做著一模一樣的工作,每天來上班鎖的是同樣一根螺絲、焊接車子同一個部位。有些人做到退休還是在同一個職位,因為那個循環很難打破:許多人通勤單趟就要兩小時,回到家的時候已經累癱了,什麼都無法想了,只能快點睡覺因為隔天還要早起、五點到工廠打卡,但如果不住那麼遠的話,要怎麼負擔矽谷昂貴的租金、養家糊口呢?某一天我早上九點到工廠的時候,有一位工人跟我揮手說再見,因為他已經要回家了,他每天三點就上班了,那天他是特地提早下班趕去參加他兒子的幼稚園畢業典禮。

這樣的情景每天圍繞在我的身邊。我很佩服這些人的耐力和毅力,他們認真地上班照顧一家人,就像你和我一樣,我不覺得我和他們有任何差別。其實我又何嘗不是每天上班做同一件重複的事情、鎖同一根小螺絲、困在同一個無限循環裡?

我知道唯一不同的是我比較幸運:我成長的環境讓我有機會和資源讀完大學,讓我上班的時數短一點、讓我不用每天花四小時通勤,讓我可以每天在上班之餘有多一點點喘息和思考的時間,也因為這樣,我比他們有時間和機會去打破自己所在的無限循環裡,我有時間和機會去進修、學習、增加自身價值。

問題是, 我有這麼做嗎?我有好好地利用我每天比他們多出來的那點時間嗎?

想要改變生活,除了努力,還要堅持與毅力

由於生產業工人是一個非常勞累的工作,大部分的工人下班很難有餘裕去想人生下一步怎麼走、如何改善生活品質,但我還是認識好幾個工人在上班之餘在職進修大學學歷。在美國讀大學非常不容易,因為實在太昂貴,大學文憑幾乎成了有錢人的專利,有些工人是利用退伍軍人的福利才能修課。

我問這些一邊工作、一邊讀書的工人他們怎麼做到的?用什麼時間讀書?

「很累,但我就是想著我的目標。反正就是四年,撐完就對了。」

有人跟我說讀完大學他要當專案管理師;有人跟我說他要當護理人員,因為加州護理人員的時薪很高。他們都很清楚自己的目標,知道自己是為了什麼而犧牲睡眠、犧牲娛樂的時間。

我們組上的一位機械工程師,就是從最底層的工人,靠著一邊工作、一邊學習,用四年的時間以學徒的方式先成為技工、再慢慢被升到工程師的。他沒有讀大學,從高中開始就是半工半讀。這不是他的錯;他跟我說他生長的環境惡劣到如果你沒有一個「老大」可以依靠,走在路上隨時可能被抓去揍。他的父親酗酒,因此他高中就得出去賺錢、以自修的方式補完高中文憑,但他的工作態度是最好的;他比任何人投入更多時間、更多努力,他什麼都願意做、願意學,也因為這樣,許多跟他同時期進到特斯拉的工人四年後還是做著同一個職位,他卻已經變成工程師了。

四年的時間可以完成大學文憑;四年的時間一個小孩可以長到差不多什麼都會了;四年也可以一事無成。 無論過得很累或很輕鬆、無論是要為夢想賭一回或躊躇不前,每個人時間流逝的速度都是一樣的;人生是不公平的,但時間是公平的

天下沒有白吃的午餐!想獲得什麼,就要做點什麼

我很感激身邊不同的人教導我用不同的角度去理解「時間」。常有人會問「我都這把年紀了,想去完成 XX 夢想,還來得及嘛?」這真的是一個很難的問題,我也沒有答案。但或許你可以去思考時間對你的意義是什麼?四年後,你希望你的人生是長什麼樣子?

有句話說:“If you always do what you’ve always done, you’ll always get what you’ve always got.” 如果你想要你的人生有所改變,那你必得做出一些什麼才行。

(本文經 Vanessa Wang 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈這麼老了轉行還來得及嘛? 一歲女兒顛覆我對「時間」的理解 〉;首圖來源:unsplash。)

你可能會有興趣


TO 的 Twitter 上線囉~ 大家追蹤起來 https://twitter.com/TechOrangeTW

【混血王子掰掰】推不動 7 奈米製程,英特爾開鍘年薪 2700 萬的首席工程師

$
0
0

【為什麼我們挑選這篇新聞】英特爾近期新聞連連。6 月中才剛走一個技術高層(Jim Keller),這個月首席工程師 Renduchintala 也宣布離職。加上早前蘋果正式與英特爾晶片說再見、 7 奈米製程晶片難產的消息,英特爾是否陷入了前所未有的危機中?這次進行內部組織重整與換血,會是執行長史旺改回 「純血」(英特爾自家培養的工程師)傳統,扭轉劣勢的第一步嗎?(責任編輯:何泰霖)

英特爾周一 ( 27 日) 拋出人事震撼彈,宣布首席工程師 Murthy Renduchintala 將離職,技術部門將分為五個團隊,是英特爾上周財報揭露或將晶片生產外包之後的最新動向。

7 奈米晶片難題,傳新任團隊將委託台積電代工

在英特爾有 24 年資歷的 Ann Kelleher 將帶領 7 奈米和 5 奈米晶片研發。英特爾上周表示,7 奈米 CPU 將比預定時間晚六個月推出,而且為了維持產品競爭力,不排除委外代工生產,市場看好台積電將受益。

英特爾正在整頓技術、系統架構暨客戶群,新團隊的主管將直接向執行長史旺 ( Bob Swan ) 匯報。

人才外招失靈?首席工程師推不動 7 奈米晶片製程離職

編按:根據 聯合報報導 ,Murthy Renduchintala 的離開,是因為 7 奈米製程將延後至少 6 個月,研發技術進度落後於同業而負責。據傳,他的薪資水準也是英特爾最高的主管之一,在截至 2019 年底的年度總薪酬達 2,688 萬美元。

Renduchintala 原本負責廣泛業務,於 2015 年加入英特爾,被視為權力僅次於史旺的重要主管。他曾擔任高通執行副總裁,而且從 2018 年 4 月就擔任 Accenture ( ACN-US ) 董事至今

英特爾素來以內部培育和拔擢人才著稱,而 Renduchintala 是少數從外部招攬的高階人才,當時英特爾為了把業務重心從 CPU 擴大納入更廣泛產品,而找上這位矽谷老手。他將在 8 月 3 日離職。

英特爾去年以 10 億美元價碼,把手機數據晶片業務賣給蘋果。此外,去年 11 月,史旺向投資人表示英特爾將在 2021 年初趕上 7 奈米製程腳步,但這個計畫上周因為製程落後而被打亂。

(本文經合作夥伴 鉅亨網 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈英特爾人事震撼彈 首席工程師離職 技術部門一分為五 〉。首圖來源:鉅亨網)

你可能感興趣

【全球伺服器版圖生變】中國龍頭「浪潮集團」帶軍方背景,傳英特爾暫停供貨
英特爾初期的主力產品是 DRAM,為何要退出晶片事業投身 CPU? 晶片產業的「楚河漢界」:為何稱霸 PC 的晶片製造商,跑去做手機晶片就會失敗?

【投稿】退伍當天就到新加坡工作、熱愛商業分析的台灣囡仔:BA 是一個絕對不會讓你無聊的工作

$
0
0
所以,商業分析師在做什麼?求職者們注意了
圖片來源:Hunters Race on Unsplash

【為什麼我們挑選這篇文章】近期商業分析師 Business Analyst 是相當熱門的職業,許多商管學院、工程師人才也會為了成為商業分析師而出國深造。不過,商業分析師並不是會 coding、懂 data、會分析就好,更要融會貫通,才能真正替公司帶來正面影響力。

本文作者整理自己在三間企業擔任商業分析師的經驗,點出 BA 的角色、責任、影響力、甚至申請前的注意事項,希望對未來有志成為商業分析師的讀者們有所助益。以下為作者第一人稱敘述。(責任編輯:呂威逸)

看到 PTT 這篇 才知道原來現在去美國念 BA 有這麼夯,回想四年前本來也是以 Michigan State Master of Business Analytic 為目標準備 GMAT & TOFEL,結果三戰 GMAT 分數還是不夠理想,只好先出來找工作,沒想到誤打誤撞卻來了新加坡,並轉職成當年夢寐以求的 BA。

開始擔任 BA 後的日子裡我從一間 Agency 跳到了旅遊獨角獸,現在則是準備加入一間荷蘭的支付公司,雖然說產業跟公司規模都大不同,但也讓我發現 BA 是個很有意思的工作,除了每天都有新挑戰之外,在工作中所接觸的對象幾乎橫跨所有的團隊(尤其是新創公司),儘管 BA 不像是 Sales 能夠四處跑,但工作本身也絕對不會無聊,加上幾年前 Big data 大爆發之後,大部分的公司也開始意識到數據的重要性,如果能在這時候搭上 BA 或是其他數據相關工作的的熱潮幫助公司進行數位轉型(digitial transformation)我覺得對職涯發展都還是很不錯的經歷,底下我會分享 5 點我對 BA 的觀察,對 BA 有興趣的人也可以看看是不是適合自己。

1. 身為 BA 你該永遠記得—「不要變成 Data ATM」

一般來說,BA 能接觸到的人和數字都非常的廣,從員工 KPI 一直到公司大大小小的數字都有機會碰,在這樣的生活中,收到同類型的需求早已是見怪不怪,甚至有時只是因為日期不同就得重做一次報告,但若每次收到需求就重做一次,那本質上你的工作還是不斷的重複相同的事情而已。所以如何讓自己的努力不要白費,從中想出更聰明的辦法,我認為也是 BA 該練習的事情。

還記得剛加入 Klook 的時候,Analytics team 處理的需求都是零碎的而且沒有延用性,所以時常花了一大堆的時間幫各部門抓數據,在不加班的前提下根本沒有時間做自己的 project,久而久之老闆也不知道你在忙什麼。

發現這問題之後,我們意識到我們必須開始做一些「只有 BA 能做的事情」,於是和 Data engineer team 引進了 Tableau 並一起提升公司的 data visibility。將以前那些 one-off 的需求整併成一個 customisable 的 dashboard 並設定不同團隊的權限讓大家一打開就能馬上看到自己所需的數據,最後成功取代了過去大量重複性很高的 report 以及沒有意義的需求討論時間。

2. BA 的影響力—「這大概是 BA 最吸引人的地方」

BA 的影響力可大可小,尤其在這個人人都把 Data driven 掛在嘴邊的時代(笑),公司的任何一位員工/老闆找上分析師都是一件很正常的事,而且一般情況下公司的分析團隊規模也不會像 BD 或 Marketing 那樣龐大,所以每個分析師都能夠有相當的影響力。我在 Klook 的時候,BA 除了固定和 Data engineer/Data science team 開會之外,和 BA 合作過的團隊橫跨 BD/Ops growth/Marketing/Product 部門;層級從 CEO、 manager 到各國家 Local 的 BD team。而沒有開會的時間就是想辦法建立新的 Data practice 或提出一些新的 insight,可以說沒有一天例外。

在這樣的工作環境下,身為一個同時兼顧 Business 和 Data analysis 之間的角色,BA 會有大量的機會訓練自己「見人說人話,見鬼說鬼話」的能力。舉例來說:你不能夠期待一個 planning team 的 VP 會看聽的懂你為什麼是這樣寫你的 SQL query;也不能覺得 Data engineer 就該理解為什麼 Business team 要求看一些很難拿到的數據;更不用想說你要拿一個充滿細節的 slide 報吿給你的 CEO 看,因此能不能 用對方聽得懂的話,去告訴他不懂的事情 就很重要,越能夠將這能力發揮的 BA,在公司也就能產生越大的影響力。

3. BA 的責任—「幫公司創造 revenue 很好,但改善效率也很重要」

身為 Data 和跟 Business 之間的橋樑,BA 必須有能力將複雜的數據轉化成 Business impact,這裡的 impact 指的不一定是 revenue 這種可量化的指標,也包含一些流程的改善,或是一些 data practice 的建立。

以前還在航空公司客服部門做分析的時候,整天都在想怎麼樣用 Data 幫公司節省成本,但實際上客服早已是個相對成熟的產業,不論是人力配置或是客服系統市面上早就有很好的系統能管理,所以並沒有太多能夠發揮的地方。直到有天發現客服人員流動性很高的這個現象我才想到:

「如果我們有一套能提高客服解決客人問題效率的方法,那豈不是在管理上會很有幫助?」

於是我把資料庫所有的通話數據進行分類並計算平均通話時間(例如:行李丟失、改機票時間、兌換里程… etc,  當時為了排除 outlier 拉高平均的情況,最終採用了中位數計算),最後再依照員工年資設定 benchmark,並設計了 Tableau dashboard 讓 manager 能夠很快找到每個客服人員擅長與不擅長接的電話並針對性地去訓練,雖然這整個 project 沒有減少實際的人力成本,但客服中心的 service level 卻顯著提高,在管理上也提高了效率。

4. 申請 BA 的時候該注意什麼—「先練好技術,再來想 BA」

如果你曾經在 Linkedin 上搜尋過「Business Analyst」,應該就會發現 BA 是蠻熱門的職缺,原因是只要任何有用到數據解決問題的工作都可以叫做 business analysis 所以很多人都覺得自己可以勝任 BA,而很多公司也都認為只要是跟數據相關的工作找個 BA 來就對了,但實際上這些 BA 的工作卻可能相差甚遠。

跟身邊的分析師朋友討論過後,我們認為底下四個技能是一個好的 BA 該具備的基本能力,有興趣的人可以參考看看:

1. SQL
必備,必備,必備

2. Visualization
Tableau/Power BI/Looker

3. Python/R (Optional)
Coding 需求會看 BA 在公司的定位,所以 BA 不一定要會寫 code

4. Excel/Google Spreadsheet 

以上的技能會因為公司不同導致比重不同,有些公司也會額外要求 BA 要會一些行銷工具像是 Google analytics,但目前觀察下來大都只是加分項,所以想申請 BA 的人可以先從上述四個硬技能下手(如果想找尋學習資源,歡迎參考我的 Linkedin 證照區

有順利拿到面試的人,首先要認清 BA 的工作內容就是無法被清楚定義,因此在面試的時候我建議不要請面試官給你一個很具體的方向,因為他真的很難給你一個明確的答案,我會推薦用以下的題目取代:

1. Analytics team 成立多久了?這次的招募是替補還是擴編?

如果才剛成立,可以猜測的是你會著重在 Data visibility 的提升、建立 roadmap 以及跟老闆討論未來分析團隊的走向;相對的,如果是已經成立一段時間,應該就會著重在 project management 或思考新的 business insight。

2. Analytics team 使用的工具有哪些?

原則上,在上述提到的四個技能裡面至少要有 2 個是每天都會使用到的,對未來的職涯會比較有幫助。

3. 你加入的是公司的 central analytics 團隊,還是各部門底下的 analytics team?

這題就直接牽涉到未來的工作將會是往「廣」還是「深」的方向發展。

4. Analytics 在公司的定位是什麼?

這題適合問層級比較高的老闆, 因為公司重不重視數據是一個文化 ,原因是很多公司都認為 BA 只是個支援性質的角色,如果對方卡住或是覺得 BA 就是個 supportive 的工作,那建議你重新考慮。

可以發現光是第一頁的截圖,有在找 BA 的產業就包含銀行/保險/電商/外送,點開後也會發現要求的技能都不太一樣,所以找到適合自己的定位也很重要

5. 未來的 BA&總結

長遠來說,我認為 BA 最終會發展成 Business Analytics + Project Management 的角色,也就是除了分析能力以外也需要具備相當的專案管理能力,比較複雜的數據分析會交給 Data scientist 執行,BA 會成為公司最主要的 Data consumer,專注在用 Data 解決問題並提供 Business Insights,把數據變成會為業務帶來影響力 的工作。

會這樣說的原因是 BA 在長期與不同團隊的 stakeholder 合作溝通下,會很了解各團隊最在意的東西是什麼;另外在每天接觸各式數據報表的情況下,BA 也會很清楚公司現在的狀況以及未來老闆可能採取的行動;隨著 Data 在企業扮演越來越重要的角色,仰賴數據管理會成為趨勢,最終 BA 慢慢加進 PM 的身份只是必然的結果。

之前在江湖人稱 S 姊的分享會上看到這張表,BA 跟 PM 都被歸類在創新單位
最後分享一段我很欣賞的一個 BA manager 說的話:

如果你想每天輕輕鬆鬆上班不用帶腦袋,安安穩穩的做到退休,那你就絕對不要做 BA。因為你每天都會投入在不同的 project 思考怎麼去解決問題,絕對不會有兩天是重複的,曾經做過的分析也早就應該自動化或是應用在 business 上了。

BA 也必須要比其他職位更快了解 business,加上處在這個人人都在喊 big data 的時代,隨時都有新的知識或是工具得去學習,單靠學校的知識一定不足夠讓你在這行業生存,因為你幾年前學的東西,已經沒人在用了!

換言之,你要有長期學習的心態,不斷在空閒時間去學習新的知識,才能在這行業長期立足。

作者簡介:
宋柏陞 Tom Sung
退伍當天就飛來新加坡工作的台灣囡仔,現於一家金融科技公司擔任資深商業分析師。 長期關心資料分析在各種產業上的應用,並始終相信 Data 始終在企業裡扮演關鍵性的角色。休閒時間除了嘗遍島內各個角落的 brunch 之外,偶爾會彈彈鋼琴或與朋友一起旅遊,目標是 30 歲以前走完東南亞所有的島嶼們。

(本文經原作者 宋柏陞 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈 所以,商業分析師在做什麼?〉;意投稿者可寄至:edit@fusionmedium.com,經編輯檯審核並評估合宜性後再行刊登。)

你可能有興趣


  想看更 ㄎㄧㄤ 的 TO?來 Twitter 就對了 -> https://twitter.com/TechOrangeTW

【天才 or 花瓶?】演算法「極限學習機」被熱烈吹捧,但解決不了複雜問題的它註定沒什麼前途?

$
0
0

【為什麼我們挑選這篇文章】極限學習機 ELM 是一種新型的快速學習算法,由黃廣斌提出用來求解單隱層神經網路的演算法,計算上誤差更小、減少運算量、速度更快,吸引了不少「粉絲」。

支持者們堅信它是「有史以來最天才的神經網路之一」;反對者卻不以為然, AI 卷積神經網路之父楊・勒丘恩(Yann LeCun)還罵它「簡單到愚蠢」。簡單錯了嗎?究竟 ELM 是什麼?(責任編輯:鍾佳瑀)

編譯:悅嘉、Andy

史上最天才的網路「極限學習機」(ELM)?

有一些狂熱者們相信,極限學習機(Extreme Learning Machine, EML)可以算是有史以來最天才的神經網路之一,以至還專門搞了個研究 ELM 結構的會議。

支持者們認為,ELM 可以在只有很少訓練數據情況下,以超級快的訓練速度完成任務。

但是反對者們卻表示,橋豆麻袋(啾抖媽ㄉㄟ),我有一言。首先說它爆強,為啥在機器學習領域卻鮮有耳聞,況且一些深度學習大佬還對它有各種批評,包括勒丘恩大佬(Yann LeCun),都認為 EML 宣傳和可信度都言過於實了。

但儘管如此,無論對它看法如何,人們一般還是會同意這還是一個蠻有趣的想法。

ELM 的隨機性,具備通用近似定理的能力

ELM 結構由兩層網路組成:第一層先隨機初始化然後固定住,而第二層則是可訓練的。

大體上來說就是,首先網路隨機地將數據投影到一個新空間,然後執行一次多重回歸(輸出當然過激活函數)。隨機投影相當於一種降維(或升維)方法,用隨機矩陣乘以輸入,這個想法乍一聽可能很奇怪,但實際上卻會很有效(稍後可以通過直觀類比來理解)。它通過某種形式的隨機失真來施加噪聲,之後讓網路其餘部分來學習適應,從而為學習機會打開了新的大門。

事實上,正因為這種隨機性,極限學習機已被證明具有通用近似定理(Universal Approximation Theorem)能力,同時在隱層中只需要相對較少的節點。

但實際上,在 20 世紀 80-90 年代,在神經網路發展早期,隨機投影的概念就已被探索過了。這也是為啥有人批評 ELM 一點也不新,僅僅只是一個新瓶裝舊酒的東西。而且像很多其他結構,如 echo state machines 和 liquid state machines,也都有用隨機跳轉連接和其他來源的隨機性。

ELM 不用「反向傳播」

然而,ELM 和其他神經網路結構最大的不同或許在於它不用反向傳播 。而因為其可訓練部分只是個簡單的多元回歸,所以參數訓練方法和回歸中擬合系數的訓練方法差不多,這也以為著其訓練方式的根本不同。

對於反向傳播,幾乎是從最原始人工神經網路來,幾乎每個神經網路都是通過這種,在整個網路中向前或向後來回傳播訊息信號,迭代更新的方式進行優化。由於這種方法存在很久了,大家也想當然地假定它肯定被各種驗證分析過,是最佳方法。但研究人員還是不得不說,標準的反向傳播還有很多問題,比如訓練速度很慢,或是容易進入不太好的局部最優。

使用更數學化的公式設置權重

另一方面,ELM 使用了一個更數學化的公式來設置權重, 當然也沒那麼深入。可以認為隨機層是用來取代更需要計算的細節部分。從技術上講,現在都用的 Dropout 層其實也可以算是一種隨機投影。

由於 ELMs 同時採用了隨機性和無反向傳播算法,它們的訓練速度比標準的神經網路要快得多。

當然,它是否表現得更好就是另一個問題了。

有人可能會提出這樣一種觀點,即 ELM 比標準神經網路更能反映人類的學習方式(儘管兩者都可能差得遠),因為它僅需幾個示例就能非常快速地解決簡單任務,而迭代更新的神經網路則要來回不斷,起碼要成千上萬的樣本訓練才能泛化表現良好。而與機器相比,人類雖然有其弱點,但在示例學習率上(示例表示學會所需的例子數),人類絕對是不可匹敵的,這一點也可以說是我們真正被稱為智能的地方。

極限學習機的基本概念簡單到「愚蠢」?

極限學習機的概念非常簡單——簡單到有些人可能會稱其為愚蠢了。計算機科學家、深度學習先驅楊勒丘恩(Yann LeCun)就說 「隨機連接第一層是你可以做的最愚蠢的事了」,在此論點之後,他列舉了很多高級些的方法來非線性地變換向量的維數,例如通過用反向傳播進行定位,進一步加強 SVM 的核方法。

勒丘恩還說,其實,ELM 本質上是一個具有更差轉換核的 SVM。而用 SVM 可以更好地為 ELM 能解決的有限範圍內問題進行建模。而對此唯一的辯駁可能就是用「隨機核」而不是專用核計算效率更高一些,因為 SVM 是眾所周知的高耗模型。這裡,ELM 可能帶來的性能降低是否值得,則又是另一個值得探討的話題。

然而,無論是否像 ELM 一樣,根據很多其他實驗,在簡單的神經網路中使用隨機投影或過濾器以及其他模型已在各種標準訓練任務(現在可能都是「簡單的任務」),如 MNIST 上有了驚人的表現。儘管這些方法性能不是最好的,但一個方法能經過嚴格審查,即使看起來很荒唐,但也能在排行榜上佔據了一席之地(此外,有更輕量級的體系結構和較小的計算量),這本身就讓人很感興趣。

為什麼固定隨機連接有效?

這是一個非常關鍵的問題:很明顯,如果 ELM 的性能與普通的反向傳播網路一樣好(甚至更好)的話,那麼就說明 ELM 中的隨機連接是有效的。雖然從數學上難以理解,但極限學習機的論文原作者黃光斌(Guang Bin-Huang)講了一則寓言來舉例說明瞭這一概念:

你現在想用石頭填滿一個湖,直到石頭填充至水平面,接著就能通過石頭看到空湖的底部,這是條曲線(代表數據的函數)。工程師們仔細計算了下湖泊的大小、填充湖泊石頭的大小以及在優化任務中起作用的眾多微小因素。(優化適合該功能的許多參數。)

給石頭倒到湖中是一項糟糕但還能接受的工作。

另一方面,鄉村老農炸掉了附近的山,開始往湖里扔石頭。當農民撿起一塊石頭(隱藏層結點)時,他不需要知道湖或石頭的大小,他只需要隨意地扔石頭並將石頭鋪開。如果某個區域的岩石開始堆積到地表上方時,那麼農夫就會用錘子將其砸碎(β 參數-各種規則化處理),以平整地表。

當工程師仍在計算岩石的高度和體積以及湖泊的形狀時,農民已經填滿了湖泊。對於農夫來說,扔多少塊石頭都沒關係:他更快地完成了工作,可以提早下班回家吃飯了。

儘管將這個類比直接用於不同場景時存在一些問題,但這是對 ELM 的本質以及隨機性在模型中所發揮作用的一個直觀解釋。ELM 的本質在於,naive 並不總是件壞事:簡單的解決方案可能能更好地解決不太複雜的問題。

總結雙方爭議關鍵

極限學習機使用的是固定且隨機的第一層和可訓練的第二層兩層網路結構,這本質上是一個隨機投影,緊跟一個多重回歸。

支持者說,ELM 在簡單的場景(如 MNIST)中能夠借助非常少的示例、非常快速地學習,其優點是易於程式設計,而且無需選擇諸如網路結構、優化器和損失函數之類等參數。

而另一方面,反對者認為,SVM 在這些情況下會更好,ELM 不適合解決更複雜的問題,而且它僅僅只是一個新瓶裝舊酒的概念。

ELM 通常無法處理好複雜的任務,但它在較簡單的任務上表現良好,這也為探索更多輕量級的體系結構、非反向傳播模型擬合和隨機投影提供了一個好的示例。至少,極限學習機(或任何一個你想取的名字)是每個深度學習愛好者都應該瞭解的一個有趣想法。

你對 ELM 有何看法? 相關報導

(本文經大數據文摘授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈被狂热追捧,也被 Lecun 骂宣传过度,史上最具争议的神经网络诞生 〉。)

你可能有興趣

香港科學家打造光纖神經網路,未來將出現用「光」做運算的人工智慧!
工程師用 Python 寫了能辨識動作的神經網路,只因為懶得爬下床關電燈!
美國科學家在玻璃置入「神經網路」,只要照光就可以執行圖像辨識運算!


  想看更 ㄎㄧㄤ 的 TO?來 Twitter 就對了 -> https://twitter.com/TechOrangeTW

【一定是這張圖創造了矽谷】80 年代的人「穿泳裝進機房」?先別急,這不是工程師招募廣告~

$
0
0

大家對機房的印象,通常都是「24 小時不間斷的冷氣房」、「全公司最冷的地方」吧。由於機房內的設備在運轉時會使房內溫度上升,但過熱卻會導致設備無法運轉甚至故障,因此機房內通常都會用對流、空調與機房專用空調等方式讓機房降溫。總之,機房的冷氣不是給人吹的,機房通常都冷到需要穿外套。

所以不過看到這張圖,應該都熱起來了吧?或是有了轉職工程師的想法呢?

以前的人都穿泳裝進機房?不冷?這誤會大了啊

先別急,這可不是工程師招募的廣告啊。

這張圖片出自於 80 年代的機房專用冷氣廣告,完整的廣告如下:

小編從廣告中的文字尋找蛛絲馬跡,發現這是一間專門製作機房空調的公司,Airflow Company,他們在 1982 年 註冊 了 DATAC 的商標,而 DATAC 主要提供的就是「機房空調」服務。

由於過去冷氣還不夠普及,因此許多資料中心是沒有冷氣的。沒有冷氣便無法有效降溫機房內的溫度,因此機房內非常高溫,而使得硬體設備容易過熱而無法運轉。這廣告就是要講他們家的冷氣很棒啦。

想當然爾,就算很熱,以前的人也不會這樣上班,吧?

現在的工程師怎麼看?

如今這張圖在網路上又流傳了起來,現在的工程師是怎麼想的呢?

網友 表示,「最好是進機房穿這樣啦,就算是七月進去也是要穿薄外套」、「所以都穿泳衣了,為什麼要穿皮鞋?」、「一定是這張圖創造了矽谷」、「沒有乖乖,不專業」。

不過,最引起共鳴的還是這則:

「別想了,資工都男的。」

參考資料:Zass17PC 舊遊戲時代World of Engineering

(本文提供合作夥伴轉載。)

你可能有興趣


  想看更 ㄎㄧㄤ 的 TO?來 Twitter 就對了 -> https://twitter.com/TechOrangeTW

【非本科工程師轉職 Roadmap】程式初學者為什麼最好從 Java 開始?

$
0
0

為了符合更多跨平台的需求,程式界經常有新的語言誕生。前一陣子 TO 向讀者介紹了新一代的程式語言 Kotlin,在讀者間引起了廣泛討論。

文章傳送門:【App 工程師簡直相見恨晚】Google 上架整套 Kotlin 免費課程,初中高階教學影片超完整 

在 Android App 的開發上,有人認為 Kotlin 的確好用,比起 Java,Kotlin 更簡潔、更有效率,但也有人認為 Kotline 無法替代 Java,粗暴地引入另一種語言可能造成專案混亂。

目前 Java 從開發到現在已經 25 年了,Android 開發者也仍有 80% 以上仍透過 Java 寫程式。本文將比較 Java 跟其他語言的差異,並討論 Java 語言為何是適合程式初學者的語言之一。簡單來說:省時、省錢,是學習 Java 的兩大誘因。

Java 的好用在於可跨平台

先建立一個觀念:不同的程式語言各有優缺點,各擅勝場。

例如 Python 適合做數據分析,還有方便豐富的函式庫,對有興趣處理人工智慧、機器學習發展的工程師來說是非常實用的語言工具。目前 Google、Facebook、YouTube 都採用 Python 做開發。

另一個常見的語言則是 C 語言。一般大學資訊相關科系,通常將 C 語言列為必修,但這並不是因為 C 語言最實用、最方便,而是因為 C 語言過去曾經是許多驅動程式、作業系統的工具。它的過去的風雲地位,正代表一個十年的資訊背景知識。

Java 呢?

Java 在 1995 年誕生於加州,曾被評為 90 年代最重要的資訊產品,具有多種顛覆過去程式語言的性能。最常見對 Java 的稱讚包括:跨平台可攜性(portable)、分散式(distributed)、安全(secure)。

Java 創建的宗旨是 WORA(Write Once Run Anywhere,程式碼運行無邊界)

給學 Java 的新手,網路資源夠多

半路出家學程式的理由五花八門,可能是一個想把好點子做出雛形的渴望,有可能是追求多元職涯發展的契機。面對迷茫的程式「後進」們,許多過來人通常推薦 Java,作為初認識程式語言的敲門磚。

首先是 Java 資源豐富。

TIOBE 是業界熟悉的程式語言排行榜,定期以各搜尋引擎的網路課程數量、第三方廣告商做統計;換句話說,TIOBE 的排名反映出在「補習」界的程式語言熱門程度。

在最新的 2020 TIOBE 程式語言 8 月排行榜中,Java 排名第二,僅次於 C 語言,Python 則是第三名。這個排名反映出目前在市面上,學習 Java 的資源較多、社群龐大。

網頁開發「輸入即見到」,對新手相對友善

許多新手對於程式矇矇懂懂,最快速的方式就是從一個網頁開始,投入之後馬上就能看到做出來的成效,也能快速累積成就感。因此,在 Web 開發上深耕市場多年的 Java,此時就成為新手選擇的另一個大原因。

也別忘了 Java 的跨平台協作性。Java 常用來寫一般的程式,因此在呼叫函式庫時,多少能減少銜接上的問題,對新手來說降低了不少盲目摸索的時間門檻。

最後總結一下。

省錢、省時,是推薦新手學習 Java 的兩大原因。如果可以接受以英文學習,網路上有不少 Java Bootcamp 學習包,還可以幫助收束重點,鎖定開始學習。

透過外媒 TNW 網站購買 ,享有限時優惠

如果是對程式語言有基本認識的人,也可以從 codecademy 和 udemy 尋找適合課程。關注平太不定時的優惠,常常能撈到價格不到台幣 300 元的整套課程!

當然,如果能在一開始就清楚學習的目標了,自然會更加事倍功半!想轉職/開始學程式的人,不妨從了解各大軟體工程師的職業開始囉!

參考資料

TNWTIOBE

(本文提供合作夥伴轉載;首圖來源:Pixabay。)

你可能有興趣

Java 蟬聯 14 年「最多工程師用的語言」,為何會在 5 年之內被 Python 打敗?
【App 工程師簡直相見恨晚】Google 上架整套 Kotlin 免費課程,初中高階教學影片超完整
【工程師界的創世神】近 50 年來最有影響力的 10 種程式語言,到底是誰發明的? 

【演算法讀不懂『否定詞』?】工程師在 Amazon、Google 搜「無條紋襯衫」,結果都是有條紋的!

$
0
0

【我們為什麼挑選這篇文章】大家在搜尋引擎上搜尋關鍵字時,會有找不到自己想要東西的時候嗎?一名工程師試著在 Amazon 上搜尋「無條紋襯衫」,出來的結果卻都是有條紋襯衫,接著在 Google、Bing 上搜尋也都是同樣的結果,這些搜尋引擎的自然語言處理發生了什麼事?(責任編輯:賴佩萱)

本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請連繫出處

作者:量子位

說到工程師的衣服,大家會想到什麼?

自然是格子襯衫了。

但一個國外的工程師,對此感到厭倦,他不想再穿格子襯衫或條紋襯衫,於是他打開了亞馬遜網站,輸入了關鍵詞「無條紋襯衫」(shirt without stripes),結果卻是這樣的:

找件「無條紋襯衫」那麼難?

為什麼幾乎全部都是帶條紋的襯衫啊?

「一定是我打開的設定不對!」或者只是亞馬遜的自然語言處理(NLP)技術不夠好吧!他又接著嘗試了谷歌和微軟的搜尋引擎,結果卻還是這樣:

反正結果就算不是襯衫,也一定帶條紋,甚至還搜出了球衣。

如果把關鍵詞換成「沒有格子的襯衫」(shirt without plaid),結果還是讓人失望。

是不是感到這個世界滿滿的惡意?工程師想買個沒有格子的襯衫怎麼就這麼難!接著,這位工程師把搜尋結果上傳到 GitHub,短短十個小時就獲得了 300 星。

更讓人沒想到是,這件小小的事情影響範圍還在擴大,幾個小時就在 Hacker News 上帶了 400 多條評論。

看來有相同槽點想吐的人,並不少。

Siri 也出問題?

並且事情也「鬧大」了!

大家發現,何止搜尋引擎,現在你只需一個「不」就能讓 AI 助手變「人工智障」。

打開你的 Siri,和它說「不要告訴我天氣」,但 Siri 還是義無反顧地告訴了你天氣狀況。

那麼問題來了:為什麼 AI 會犯如此低級的錯誤呢?

人工智慧無法分辨否定字?

無論是搜尋商品圖片還是詢問天氣,加上了一個「不」或「無」字,就變得複雜起來。這個「不」到底是哪個部分做出否定,可能人類也說不清楚。

這類問題屬於「歸因」問題,可能是統計學方法不能解決的,這就觸及到機器學習的盲點了。

在上面的問題中,處理一個「不」還算比較清晰,但是在一些對準確性有要求的領域,會有很大的問題。比如「無癌症證據」,到底是得到了沒得癌症的證據,還是根本沒有證據呢?

這還算是比較簡單的,人類語言中還有很多雙重否定,有時候連人自己表達的時候都會犯錯。

演算法想學人類語言,必須先懂語言學

處理這類問題,不能使用過去的統計方法,而需要更多關注語法內在的邏輯性,語言學中的喬姆斯基學派的研究者就是這麼認為,但是涉及此類算法的研究很少,甚至很多從事算法的人對此並不感興趣。

一些從事機器學習研究的大型公司,他們研究的算法具有很大的適用性,但是在歸因等情況下,他們的語言模型可能會失敗。

而且神經網路尚未顯示出對此問題的改進。在說「不」這個問題上,各家的 AI 都不能通過圖靈測試,甚至顯得愚蠢。

加入自然語言處理後,搜尋引擎變聰明了嗎?

所以是不是「另有隱情」?是不是因為谷歌沒有在搜尋引擎裡用上 NLP 技術,所以才導致錯誤的結果?

實際上,谷歌去年 10 月就已經在英文版的搜尋引擎裡用上了 BERT(Bidirectional Encoder Representations from Transformers)。

過去,谷歌的搜尋更多的是基於單個單詞的理解。比如「2019 brazil traveler to usa need a visa」,以前的谷歌搜尋會基於 visa、usa、brazil 這幾個關鍵詞,而英文結果裡更多的是美國人諮詢去巴西,所以搜尋結果往往是相反的。

更新後的谷歌能夠理解「to usa」的含義,才能識別正確的結果。

於是這讓一些網友覺得,谷歌、亞馬遜研究多年的 NLP 技術不過如此,要理解人類語言還有很長的路要走。

不過,經過努力,電腦已經能夠搞清楚英文裡的「無癌症證據」(No evidence of cancer、Evidence of no cancer)兩者之間的差別。

Google 作為最大搜尋引擎,有可能帶頭解決嗎?

當然,還有一些技術之外的因素。任何搜尋引擎都繞不開 SEO 和廣告問題。

那些賣條紋襯衫的商家會透過各種優化手段,霸占「條紋」和「襯衫」這兩個關鍵詞的頭部位置,結果導致「no」和「without」之類的關鍵詞被忽略。

一些網友認為,是 SEO 的垃圾訊息毀了搜尋引擎,同時廣告還是谷歌搜尋的重要收入來源,谷歌自己可能也無心解決——這一點自然無法妄加揣測。

不過,我們也用最大的中文搜尋引擎試了試,發現也是一樣的結果:

但往好的一面看,這也意味著時代之問有解了。之前,總有人「抬槓」,在人工智慧的時代裡,你無法判斷跟你交流的是人類還是 AI……

但現在,關鍵來了:機器是不能說「不」的。

(本文經 AI 新媒體量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈程序員:我只想買件沒有格子的襯衫,怎麼就這麼難?〉。)

你可能會有興趣


TO 有 Twitter 了 -> https://twitter.com/TechOrangeTW

工程師寫程式,意外發現 Uber Eats 少算 21% 里程的薪水

$
0
0

外送經濟當道,許多人會去當 Uber Eats、foodpanda 的外送員賺外快;然而美國有 Uber Eats 外送員寫追蹤程式,發現 Uber Eats 少給外送員 21% 里程的薪水。

工程師寫程式,發現 Uber Eats 少算薪資

各個外送平台的薪資計算方式都不同。以台灣常見的 Uber Eats、foodpanda 為例,foodpanda 主要以「接單數」算薪資,每單薪資包含單件金額、廣告費用、接單獎金等等;然而 Uber Eats 薪資包含取餐費、送餐費與「里程費」,再扣掉 25% 的平台費。其中最關鍵的就是里程費,送餐距離愈遠, Uber Eats 外送員就能得到更多的薪資。

美國有位名叫 Armin Samii 的自駕車工程師,兼職 Uber Eats 外送員,並寫了 Chrome 擴充程式 UberCheats,幫助外送員追蹤自己的里程與訂單,意外發現 Uber Eats 少算了外送里程。Samii 接受外媒《Business Insider》採訪時表示,根據 160 位外送員的資料,Uber Eats 平均少算了 1.3 英里(約 2.1 公里)的里程,占總行程的 21%,也就是說,Uber Eats 少給了 21% 里程的薪水。

Samii 表示,Uber Eats 坦承是系統的問題,也補償少算的薪資。但根據程式取得的數據,Sammi 認為這個問題的影響很廣泛,而 Uber Eats 並沒有相關的修正方案。

Uber Eats 回應:外送員的實際路徑未必會與預期的一致

Uber Eats 的發言人則表示,系統會根據最佳化里程等資訊,計算出預期薪資給外送員,作為接單的參考;雖然「外送員的實際路徑未必會與預期的一致」,但會儘量提供完整的資訊。

這不是外送員第一次對薪資有爭議,外送平台常因為薪資計算不透明而被詬病。在美國,批評者認為外送平台提供低於最低基本工資的薪水;而在疫情之下,部分外送員表示,薪資被壓縮得更嚴重。在台灣,2020 年初發生 foodpanda 外送員罷送抗議事件,原因就是 foodpanda 更改薪資計算方式,讓平均每單的報酬降低。外送平台提供一個賺外快的機會,但外送員需要清楚了解薪資計算機制,避免讓自己的權益睡著。

參考資料

Business Insider

(本文提供合作夥伴轉載;首圖來源:flickr CC Licensed。)

延伸閱讀

Uber 收購美食外送平台 Postmates,豪砸 26 億美元只為確保「不出局」!
戶戶送宣布退出台灣市場,將在 10 日下午 3 時終止外送服務
Uber 如何運用 5 分鐘到達的優勢,顛覆運輸與外送產業?


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列! https://www.linkedin.com/showcase/techorange

【AI 工程師淪為數據打雜工?】過來人親曝血淚史,破解業內五大謊言!

$
0
0

【我們為什麼挑選這篇文章】當一位機器學習工程師會遇到什麼困難?又有哪些業界工作者才知道的真相?Reddit 機器學習社群上有網友給了切身的分享,可以給想從事/轉職機器學習領域或正在機器學習界苦惱的讀者參考。(責任編輯:賴佩萱)

本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請連繫出處

作者:量子位

機器學習工程師崗位,還吃香嗎?

在培訓機構或求職網站隨便一搜,機器學習簡直不熱。

近日,國外的同行們在一則 Reddit 熱帖上,吐槽揭露 ML 工程師「表面光鮮,實際搬磚」的一面,說出了培訓機構不會告訴你的機器學習業內真相。

那這些「過來人」怎麼掉進一個個暗坑的?他們的經歷對你有什麼警醒借鑒的意義呢?

怎麼樣避免淪為打雜人員?

Reddit 熱帖下,網友們吐槽最多的,就是學習和工作的巨大差距產生的幻滅感。學了一大堆高上大的理論知識,以為自己能上手酷炫的神經網路,調參、訓練、部署一條龍,但實際上,這些內容大概只佔全部工作的 10%-20%。

而且在一些團隊中,會有專門的崗位來負責這些工作。

其餘大部分人的職責是收集數據、給數據打標籤、處理數據質量,或者用 Python 寫基礎架構。

當年夢中的那個引領 AI 潮流的少年,就這樣成了數據標註師。

但是,網友也承認這一點確實是業內的普遍現象。而且,剛剛工作的新手,從低層技術開始做起,也是符合常理的。

大家的建議是: 面對這種大量重複勞動,先別急著上手,去查一查資料,很多類似工作已經有成熟快速的方法

當你跨過了基礎工作這一關,要面對的,是 ML 項目中可能出現的各種令人頭疼的問題,而這,是考驗你能否成為優秀機器學習工程師的重要挑戰。

機器學習路漫漫,要怎麼不吃虧?

哪些在工作崗位上很重要的東西,是機器學習課程不會教你的?

網友們總結了最重要的 4 條:

  1. 正確認識業務
  2. 處理凌亂的現實世界數據集
  3. 工程導向,而不是在 Jupyter Notebooks 中編寫研究程式碼
  4. 資料可視化

這些都是網友們在工作經歷中吃了很多虧後,總結出的經驗。

比如,很多 ML 工程師只有給定一個抽象化的問題才能上手,缺乏應對實際工程問題的能力,但一個合格、被業內認可的機器學習工程師,他可能並不精通演算法的數學原理,而是 能夠在約束條件眾多的實際情況下應用演算法解決問題

比如,在很多情況下,普通的舊演算法(例如 K-Means,高斯混合的 EM 等)非常有用,燒 GPU 並不是唯一辦法。

避免紙上談兵,是機器學習工程師正確認識業務的一部分,除此之外,重要的還有合理的工作時程規劃,和良好的溝通能力。

機器學習工作變數多,心臟要很強!

規劃傳統工程項目時,設定里程碑、期望值是(相對)簡單的,但對於機器學習專案來說,在最初目標和前期階段之後,很難給出具體的計劃,因為變數實在太多了。

這就需要在專案初期階段就保持頭腦清醒,不要給自己挖坑,同時也要和 boss 以及同事說明溝通。

一位網友談到了切身體會。他放棄了機器學習演算法職位,原因是老闆根本不關心他為了完成演算法細節付出的艱苦勞動,只看最後的可視化效果。

當 boss 發現可視化效果並不高級時,認為他一直在浪費時間沒好好工作;所以, 比其他軟體工程師更強的抗壓能力,也是你必備的

如果你能抗過以上所有挫折和困難,還有艱難的一關要過。

打破機器學習界的謊言

  1. 任何人都可以輕鬆成為數據科學家/機器學習工程師
  2. 軟體工程師可以輕鬆成為數據科學家
  3. 學習應用「現成庫」就可以輕鬆上手搞 AI
  4. 搞 AI 無需學習高等數學/統計學
  5. 一種特定演算法可以應用於任何領域並獲得成功

這些,就是 Reddit 網友當年少不更事是信過「鬼話」、踩過的坑。

那麼,真下決心走機器學習這條路,應該相信什麼呢?

首先是要對行業現狀有大致了解。對於普通開發來說,機器學習崗位數量要比其他開發崗少很多。網友反映,在北美地區,100-150 個後端開發的公司可能只有有 2-5 個搞 AI 的人。

其次,是很多有 AI 需求的公司沒有必備的 GPU 等基礎設施,你去了才發現只能使用免費的 Collab。

從個人求職角度講,ML 專案大多比較專,比較小眾。你之前的專案經驗,全國可能只有幾家公司感興趣。

明白了這些,你還要清楚怎樣正確地踏入機器學習的門。

除基本數學能力外,持續精進專業知識和跨領域的能力很重要

多數有 AI 需求的公司,要求的是後端+DevOps+AI+前端這樣的一體化崗位。這就需要你的整體能力。

編寫,測試,部署,在生產中追蹤模型、構建大規模數據是一個競爭力出眾的機器學習工程師必備的。

而這些能力的基礎要求,就是數學。你當然不需要像搞科研那樣精通數學。但紮實的高數、概率論、統計學基礎必不可少。

對於有些課程打出不需要任何基礎就能上手 AI 的,Reddit 網友直接說:「沒有數學基礎和過往程式經驗的人,寫出的程式是十分可怕的。」

當然,數學基礎再好,程式寫得再漂亮,也只是一個優秀的機器學習工程師。真正的大佬,是不會止步於此的。

一位現在在搞神經科學的網友給出了獨到的建議:如果想做真正創新,有趣的工作,那麼僅憑機器學習知識是不夠的,還需要其他專業知識。

在特定環境中,清楚需要用那種 ML 演算法來結解決問題,並且能高效處理數據,這樣才能讓你做出行業內獨樹一幟的先進成果。

以上就是 Reddit 機器學習社群的過來人給大家的忠告。

(本文經 AI 新媒體量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈「表面光鮮,實則搬磚」,機器學習社區自嘲不為人知的 AI 工程師真相 〉。)

你可能會有興趣


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列! https://www.linkedin.com/showcase/techorange

DevOps、SRE、Op 維運工程師的未來:要繼續建置基礎架構還是培養新職能?

$
0
0
(圖片來源:Proxyclick Visitor Management System on Unsplash

DevOps、SRE、Op 這些工程師,常常會面臨:身為維運工程師,常常花費相當多的時間、經歷跟注意力在基礎架構的建置上,而壓縮了協助企業用基礎架構設計軟體服務、提升使用者體驗的時間。然而兩者皆同樣重要 。

不過現在,維運工程師的工作內容逐漸改變了,變得更加細分:建制基礎架構、程式系統應用。

前臉書產品工程經理 Charity Majors 以他過去的經驗觀察,分析維運工程師的角色將如何轉變、如何未來可能遇到的困難等等。

工作內容的轉變

從整體性(Monolith)變成追求「微服務」(Microservices)

由於使用其他功能會牽涉到網絡躍點的問題,因此即使是 debug 裡最瑣碎的問題,也必須列入維運考量。微服務使得維運工程師的工作內容從過去「建設程式碼」變成「建設程式系統」,亦即會有更多 coding 加入維運工程師的工作中。

練習轉變角色:從觀測到觀察

觀測(Monitoring)是確認企業的基礎架構是健康的,並且找出應該採取哪些行動讓架構維持/變得健康;但更進階的維運工程師,還應該要能做到觀察(Observability)並瞭解使用者、用戶與程式碼之間的關係,並且將三者的關係變成可以提高 商業價值 的體驗

採用新的測試工具,但也不要忘記工作目標

雖然 Autoinstrumentation 工具可以幫你快速、自動地建構程式碼,但這些程式碼背後的商業目的、業務目標,這些工具是不會懂的,工程師得自己來。

未來的 Ops 工程師更細分,每個人都會做到 Ops 的工作了

在基礎架構的建置及開發上,有越來越多的雲端平台服務或是 API 提供相關的服務,工程師可以利用這些服務,解決基礎架構的問題或是加快建置的流程。對建立基礎架構相關問題有興趣的工程師,可以選擇如:AWS、Azure 等企業,將設計的服務產品出售給其他人。

若對「應用」更有興趣的維運工程師,則可以選擇另一條路:建構程式系統,並進一步協助工程團隊設計延伸軟體服務,創造商業價值。也就是說,自建基礎架構的工作內容將會越來越少。那空出來工作內容,會是什麼?

1. Vendor engineering

未來,企業將會把建造基礎架構的工作內容外包,因此一個能夠整合所有架構的工程師,將會越來越被重視。身為一個 SRE,你可以從下列這些面向學習:

  • 學習如何評估供應商提供的組件,確保基本架構的相容性及整合性。
  • 計算團隊的工作時間及人工成本。為了專注於核心業務,盡力減少多的工作。
  • 學習管理成本,並在企業內部倡導、教育正確的解決方案。

2. Product engineering

基礎架構產品最大的問題之一:在使用多數建設工具時,都需要無止盡的培訓學習和認證,因為工程師設計產品時並沒有和設計師和產品管理討論。

你可以做的是:

  • 參加速成班。讓自己進入一個 B2B 或 B2C 的團隊裡,學習配合對方節奏、語言,你需要其他人來豐富你的觀點,正確地建構程式系統。
  • 向產品管理經理學習如何與其他團隊建立好的關係,並對產品的生命週期有足夠的了解,進一步幫助進度停滯、或歪掉的產品設計團隊。

3. Sociotechnical systems engineering

SRE/DevOps 越來越需要設計出有效且高效率的社會技術系統回饋(sociotechnical feedback),找出方法協助團隊達成目標。

  • 學習如何部署人力。
  • 設計並優化輪調系統,讓人力可以公平且可以不間斷地工作,同時不使員工感到精疲力盡。此外,設計出一個好的回報系統,讓發現問題的人有權力、也願意去解決問題。
  • 培養一個好的公司氛圍及員工的責任感,使人感受到歸屬感,並協助他們在工作上的問題。

4. 管理技術性投資的投資組合

  • 可執行性(Operability)是最長期、也是最主要的技術性投資,沒有人比維運工程師更適合這個項目的管理了。
  • 在交接的時候,把問題提出來。
  • 不要寫非必要的程式碼, 或是增加多餘的工具。面對這種要求的時候,你就回對方:「這個工具的維運計畫是什麼?
  • Operability 至上,讓整個團隊接受這件事。(可以應用在升遷制度上)

產業的趨勢不斷轉變,工程師的職責也會隨之移動。面對未知的新事物,找出適合的協助、方式與工具,就努力去 Debug 吧——這是你身為工程師的天命啊!

參考資料

The Future of Ops Jobs

(本文提供合作夥伴轉載。)

你可能有興趣


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列! https://www.linkedin.com/showcase/techorange

【靠 AI 拯救瀕臨絕種的大象】工程師團隊開發動物追蹤系統,還將技術全開源!

$
0
0

大象,是現存最大的陸生動物,主要生活在非洲撒哈拉沙漠以南、南亞、東南亞至中國西南邊境的熱帶及亞熱帶地區,它的牙齒,也就是象牙,是一種珍貴的稀有材料,可用來製作製作牙雕、假牙、骰子、裝飾品等。

雖然國際上禁止象牙貿易,但仍有不少非法份子秘密進行象牙買賣,如果不正視這個議題,大象在不到 20 年將瀕臨絕種,而許多國際組織、工程師團隊正利用自身的知識與技能,試圖用 AI 來拯救大象!

別再獵捕大象!已經快要絕種了

Wildlife Conservation Society》指出,在過去一個世紀中,因為殘酷的獵人、不肖商人和組織的非法獵殺貿易,世界的大象數量已經減少 97%,這樣的象牙貿易光在非洲一年,就導致 35000 隻大象的死亡。

2017 年川普政府取消狩獵大象的禁令,允許大象遺骸進口到美國,其中全球最大的快遞商優比速(United Parcel Service)就將大象的身體部位運送到美國來做牆壁裝飾。

近日 People for the Ethical Treatment of Animals(PETA)也發布一項 秘密調查 的影片,這個影片顯示一名加州男子在南非的克魯格國家公園(Kruger National Park )外槍殺一隻大象。

這些都只是被爆出來的例子,其實在越南、緬甸等國仍存在非法交易的象牙市場,如果不加以規範取締,長期獵捕大象將對該物種造成災難性的影響。

開源項圈計畫追蹤大象蹤跡

許多國際組織如 Save The Elephants、The World Wildlife Fund、Vulcan’s Park Ranger 和 PETA 都積極在為象群報保育努力,希望提升大眾的保育意識,拯救大象。

目前拯救野生動物最引人注目的計畫便是由 Tim Van Dam 和 Laurens de Groot 領導的荷蘭工程師團隊 Smart Parks 發起的 OpenCollar.io 計劃,該計畫主要在為動物的追蹤器提供一個開放的原始碼資料庫。

透過開源,OpenCollar.io 將用於環境和野生動植物監測的追蹤項圈免費與眾人共享,提供項圈的軟、硬體設計,支持和部署,在他們的  GitHub 與 WildLabs.net 開放項圈論壇  裡都有詳細的資訊。

如此一來,保護專家、研究人員和開發人員就可以共同在一個社群裡討論,協助開發、訂製更適合用於不同動物(如大象)的追蹤系統;同時,這也意味著任何人不用花費大量資金就能設計項圈,還可生成更多數據,創造更有操作性的情報,一同保護野生動物與自然世界。

用機器學習開發大象追蹤器

另一個組織則是 Hackster.io,作為一個知名的開發者社群,網站上擁有 150 萬會員和 24,000 個開源項目,Hackster.io 也將其注意力轉移到野生動物保護上,希望可以出一份力保護大象。

其中 Project ElephantEdge 是一項開放、多人協作的計畫,將透過「機器學習」來設計世界上最先進的大象追蹤器。具體來說,ElephantEdge 專注於打造可以在 Hackster.io 與合作夥伴開發的新型硬體上運行的軟體,包括透過 Avnet 開發的 Edge Impulse 遙測儀表板模型,這個模型提供許多有效的追蹤如動物聲學、運動、環境異常等偵測。

與任何現有解決方案相比,這個方案有更好的電池壽命、更長距離的偵測與更準確的精度。

ElephantEdge 開發的軟體和硬體也將在 OpenCollar.io  上開源,藉此實現未來的擴展和創新,他們預計在 2020 年底前,展開與世界野生動物基金會(World Wildlife Fund)的合作,預計生產未來十代的大象項圈,並已選定在一些非洲公園中部署。

小小的參與,大大的改變

ElephantEdge 負責人認為,大象是生態系統的園丁,因為它們本身的漫遊為其他物種的繁衍創造了空間。

然而牠們每天卻遭受棲地破壞和被獵殺的威脅,如果有更精準的傳感器,就能讓人類更了解牠們的生活行為。這兩個計劃恰巧都是透過科技技術的導入,甚至開源的方式來系統性追蹤大象,期望透過世界上各地高手一同投入開發,為大象保育再盡一份心力。

參考資料

The Next Web

(本文提供合作夥伴轉載;首圖來源:unsplash。)

你可能會有興趣


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列! https://www.linkedin.com/showcase/techorange

【工程師協作效率 Level Up】Microsoft 整合 GitHub 功能,在 Teams 上就能評論 Pull 請求

$
0
0

(本文經 unwire.hk 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Microsoft Teams 整合 GitHub 功能 提升開發者合作效率 〉。首圖來源:https://github.com/)

【為什麼我們挑選這篇文章】先前 Microsoft 收購 GitHub 時,有不少開發者都反對,不過時隔兩年多,Microsoft 公布將在  Teams 加入 GitHub 的整合功能,幫助開發人員就問題、Pull 請求、部署狀態和其他更新進行溝通,全程無須離開  Teams。(責任編輯:呂珈寧)

Microsoft 收購 GitHub 之後維持其獨立營運,同時陸續增加與本身服務的整合。最近 Microsoft 就公佈指,將會在 Teams 加入 GitHub 的整合功能,讓用家可以直接在 Teams 上處理 GitHub 項目。

新的整合功能將幫助開發人員就問題、Pull 請求、部署狀態和其他更新進行溝通。 連接 GitHub 和 Teams 帳戶後,您可以關閉/重新開啓問題並對問題/ Pull 請求進行評論,全程無需離開 Teams。在 Teams 上,開發者可以直接獲得特定組織和 Repo 的更新通知,以及查看 GitHub 活動的詳情。

對於使用 GitHub 的開發者而言,這樣的整合功能自然相當實用,也成為了 Microsoft Teams 的一個獨有優勢。在 Microsoft 收購 GitHub 的時候,有不少開發者都反對,不過時隔兩年多,看來並未有對 GitHub 造成太大的打擊。

(本文經 unwire.hk 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈Microsoft Teams 整合 GitHub 功能 提升開發者合作效率 〉。首圖來源:https://github.com/)

你可能有興趣

【開源程式最佳保存法】Github 將 21 TB 的程式碼轉換成「膠捲」,送到北極永凍層冰封 1000 年
GitHub 數據告訴你:用哪種程式語言的工程師最快樂?
【GitHub 熱門】中年工程師自創「面試寶典」,苦練 8 個月轉職 AWS 拿百萬年薪


《TO》品牌活動「CONNECT」上線!

主打「強 AI、精準醫療、5G、邊緣運算」四大專題,點擊 馬上報名 獲取最新深度報導!  

【名副其實的灌籃高手】軟體工程師打造「百發百中籃板」,背著身也能隨便投進 3 分球

$
0
0

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈閉著眼睛都能投進!3D 遙感、軌跡追踪,這個小哥做了個“百發百中”籃球框 〉。)

【我們為什麼挑選這篇文章】在每日繁忙工作之餘,你還會花時間做自己喜歡的專案嗎?美國軟體工程師 Shane Wighton 為機械工程背景出身,並繼續以電腦科學深造,今年三月他開設個人的  YouTube 頻道,在上面分享他 DIY 的專案,其中這個可自由移動的籃框近日獲得網友廣大回響,到底有多厲害?(責任編輯:賴佩萱)

《灌籃高手》的夢想每個男孩都有,不過,投球老進不去怎麼辦?

這不,除了自己勤學苦練技巧,一個名叫 Shane Wighton 的技術小哥想從「籃球框」入手,試試能不能讓它自己來接球。

投籃投不中只能狂撿球?百發百中籃板讓你信心大增

5 月份,一個「籃球投籃」的影片爆紅,瀏覽量接近 50 萬。不過讓這麼多人來看可不是因為 Shane 的投籃技巧,而是因為這個籃框實在是太特別了:只要你能擊中籃板,這個籃板就能透過神奇的力量讓球進框!網友們親切的給它去了個名字—— 百發百中籃板。

這版籃板上的每個弧線角度都經過了精密的計算,利用了蒙特卡羅法和最小二乘法,大幅提高進球率。影片裡 Shane 最初的想法非常簡單,就是覺得要做一個「曲面」的籃板,讓打在上面的球都能被彈到籃框里。

不管你投中籃板的哪裡,球都能靠著曲面籃板,順利進框。

不過,Shane 對這個命中率並不滿意,畢竟這球還是要先砸在籃板上,還不是真正的「百發百中」。於是下一版影片裡,他就又更新了裝備,利用電腦視覺和軌跡追蹤,製造了一個可以上下左右靈活移動的籃板。

你沒聽錯,這是個能主動為你的球調整自己位置的籃框,就像這樣:

這個籃板的後面安裝了 3 個微型電機,每個電機控制一個連桿,因此這個籃板有三個自由度。同時,這個籃板還安裝了攝影機,可以識別擊球人,只讓固定的人進球;並且透過軌跡追蹤,在球脫手的短時間內做出判斷,如何調整位置才能增加進球率。

因為有了一定的挪動範圍,這個籃框讓接球的半徑範圍擴大了不少,也讓「百發百中」更加名副其實了。

不過,小範圍的挪動還是沒能滿足小哥,畢竟有些球偏得太遠,連球框的邊都碰不到。他希望做一個活動範圍更大的籃板,能夠做到在籃球不觸碰到籃板的情況下,直接完美進球。

最近,Shane 重新更新了這只籃板的設計,這次,籃板可以在整面牆自由挪動了!

自由移動的籃框怎麼做?

讓球框配合遙感相機移動,做個自由移動的籃球框這麼難嗎?

在開始整個計畫之前,我們先把整個思路理一遍。首先,需要一個 3D 遙感相機,負責監看整個場地,包括球的運動軌跡,然後籃球框追蹤籃球,自動地上下左右移動,實現完美投籃。

最最關鍵的就是這個能夠自由移動的籃框了,為了加快球框的運動速度,Shane 盡可能少地用到一些重的材料,整體輕便才是一個靈活的的球框該有的樣子。

不過要讓它自由移動也沒有那麼容易,這需要支撐籃框的橫豎兩軸足夠靈活和耐力,Shane 選擇了兩根長炭纖維棒作為兩軸。其餘的滑輪和防滑釘之類的裝備也無需專門購買,可以用 3D 列印加工製成,安裝在兩軸上。

兩軸端接上一個超重電機,這些電機具有超強的扭矩,這也是球框得以快速運動的關鍵。

但是這帶來了一個問題,用於保證電機靜止的皮帶可能會因為過度的摩擦繃斷。現在 Shane 用了一條完整的長皮帶,在背板上下也都進行了連接,要讓球框傾斜接球的話,需要這樣一推一拉搭配進行。

不過,還需要考慮的一點是,如果球框向上移動,根據運動規律,球框會自然向下垂,同時,不管是移動傾斜馬達還是位置馬達,球框都會根據慣性移動,不會保持在自然狀態。

停,我們先模擬計算一下?線性代數在這裡就派上用場了。

關於程式碼的部分,Shane 也在之前的基礎上進行了修訂和調整,來適應最新的要求。

不過,在進行最終的測試前,我們先來看看把這個自動籃球框的所有零件組裝起來之後會發生什麼,比如,我們現在試著讓它移動 5 mm:

emmm 別慌,小場面,只是皮帶黏合處斷了而已。經過了幾天的修復和整理,終於,我們能看到黑眼圈超重的 Shane,和一個正常移動的籃球框了。

讓遙感相機追蹤所有投籃訊息,命中率更高

接下來就需要對遙感相機動手了。現在,雖然遙感相機能夠告訴你一些距離訊息,但它還不能辨別方向,也不認識球框:

為了解決這個問題,Shane 做了一個校準程序,讓相機去主動識別球框牆面以及地面,然後選中球框為中心位置。

為了確保萬無一失,實際測量全都是 Shane 自己手動完成的。

好了,差不多就完成了,我們現在來測試一下:

????

而且系統也顯示已擊中:

但是籃球框完全沒有移動。費了好久的勁,怕不是做了個寂寞……不過好在,經過一番檢查,Shane 發現其實不是球框沒移動,而是移動太慢了:

因為他把數量單位弄錯了!切換回來之後,我們可以看到球框的移動速度終於可以跟上球了。

不過還剩下最後一步,你可能也注意到了,這個球框其實還沒有裝上真正的球框。

Shane 用超輕的玻璃纖維和泡沫製作了背板,籃圈也選擇了超輕的材料,既保證了硬度又保證了重量。

這下終於算是完成了,我們來膽戰心驚地看看效果如何,我們來看個特寫機位:

甚至,背著身也能隨便投籃 3 分笑傲全場。

coooooooool!!

Shane Wighton 是何方神聖?

2011 年,Shane Wighton 從北卡羅來納大學夏洛特分校畢業,讀的是機械工程專業,隨後他繼續在母校獲得了電腦科學碩士學位。從 2012 年至今,他一直在 3D 列印技術開發商和製造商 Formlabs 公司擔任軟體工程師,也有自己的團隊。

Shane 是一位才華橫溢、熱愛製造的工程師,在他看來,創造各種各樣的事物,並用有趣的方式來分享是一件很快樂的事情。雖然他的大部分作品是一些製造項目,不過他也寫軟體、製作電子設備等。

Shane 把他平時製作的小項目都以影片形式發表在了 YouTube 上,除了「百發百中的籃板」系列,他還為幫助盲人避障在 iPad 上做了一款便於在室內行走的工具:

iPad 上配置了一個像保溫杯一樣的東西,其實這可是整個導航系統的關鍵,包含微處理器、藍牙連接模塊,以及馬達驅動器。

疫情期間,Shane 還突發奇想做了一款可以足不出戶就能剪髮的機器人。

在影片中,Shane 介紹到,這個剪頭髮機器人總共由三個部位組成:類似於人的手指,用來夾住要剪的頭髮;用來控制剪刀移動的部分;用來操作剪刀的部分。在髮型設計上,他還利用 3D 建模,用顏色的深淺表示頭髮的長度,比如讓機器人知道劉海應該橫著剪,耳邊周圍的頭髮要沿著耳朵剪。

這樣的剪髮機器人,不知道你敢不敢用呢~

Shane 於 2020 年 3 月開通了自己的 YouTube 頻道 ,現在粉絲已經有 82 萬了!另外,他首頁已有不少作品,對於一個「硬核」發明創造的 YouTube 經營者來說,更新頻率已經很感人了!

感興趣的朋友可以去他的主頁看看!

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈閉著眼睛都能投進!3D 遙感、軌跡追踪,這個小哥做了個“百發百中”籃球框 〉。)

你可能會有興趣


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列 https://www.linkedin.com/showcase/techorange

【和一瓶水一樣便宜】印度工程師為阿公阿嬤打造世上最廉價助聽器,還能防水抗震!

$
0
0
印度工程師為阿公阿嬤打造世上最廉價聽器,還能防水抗震。

若家中有聽力不好的長輩,應該都知道一款品質良好的助聽器所費不貲,一位印度工程師同樣遇到了這個問題,阿公阿嬤的聽力漸漸受損,但市面上的助聽器價格卻高得嚇人,這位工程師於是開發出了一款只要 1 美元——大概是一罐礦泉水的價格——的助聽器,預計可以幫助到數百萬名因年齡漸大而聽力損失的人們。

這名印度工程師名叫薩阿德·巴姆拉(Saad Bhamla)是喬治亞理工學院的助理教授,他受到自己的阿公阿嬤以及其他聽力受損的同事所啟發,與團隊共同著手開發這款廉價的助聽器。

薩阿德·巴姆拉(Saad Bhamla)受到自己阿公阿嬤以及其他聽力受損的同事所啟發,他與團隊共同著手開發廉價助聽器。

這款名為 LoCHAid 的助聽器所有零件都是現成的,巴姆拉及其團隊將麥克風焊接到一個小型的電路板上,以抓取附近的聲音,並且添加了放大器、頻率濾波器等,並將高音調的音量提高至 1000 赫茲以上。

接著,團隊再加上了音量控制鍵、開關以及用來插入標準耳機的插孔、電池座等,最後再加上 3D 列印的外殼,這樣一來,世界上最廉價的助聽器就誕生了。

能過濾狗吠、汽車喇叭聲,外型看起來像普通耳機

LoCHAid 的大小和火柴盒相同,可以像項鍊一樣佩戴,佩戴時看起來就像在用耳機聽音樂,LoCHAid 製作成本不到 1 美元,這些零件不但取得容易,且將它們組裝起來所花的時間不到半小時。

這款助聽器還能幫忙過濾掉干擾、突如其來的巨大聲響,如狗吠、汽車喇叭聲,並且防水抗震,也能增加佩戴者與他人對話的品質。

唯一可惜的是,LoCHAid 助聽器並沒辦法滿足佩戴者的個人化需求,也無法適應其他聽力問題,這些零件也會在一年半後就磨損掉了。

至於 LoCHAid 助聽器的體積,巴姆拉說,團隊現在正在開發較小的版本。

工程師:希望能幫到其他因年齡漸大而聽力損失的人們

全世界有 2.3 億 65 歲(含)以上的人因為年齡問題而面臨聽力損失的情況,高音調的聲音變得難以區別,例如電子蜂鳴聲,或者語音聲音(s 或 th),這些聽力受損的情況,可能加速認知能力的下降。

不過目前市面上的優質助聽器每對將近 5000 美元(約新台幣 150,000 元),低價的助聽器儘管便宜,但卻無法訂製,價格仍高達 500 美(約新台幣 15,000 元)。

巴姆拉說,在中低收入國家,此種與年齡有關的聽力受損患者,僅有 3% 有戴助聽器,而在美國等國家,這個數字約為 20% 左右。他認為,主要原因是許多人沒有意識到自己可能有聽力障礙,而且佩戴助聽器仍然存在社會污名。

巴姆拉說,他希望廉價、外型色彩艷麗的此款設備流行起來,使更多認知能力正因聽力受損問題而下降的人們受益,也盼望生物醫學設備最終可以像消費性電子產品一樣便宜且易於使用。

在 LoCHAid 助聽器通過臨床測試之前,在大多數國家都還不能將其作為「助聽器」出售,巴姆拉的目標是要使該設備獲得批准,無須處方即可販售。

(本文提供合作夥伴轉載,首圖來源:喬治亞理工學院 。)

參考資料:Sciencemag

延伸閱讀

專訪微軟醫療事業體首席設計師 Moni Wolf:同理患者的心情,設計師要讓醫療產品看起來很「一般」
世界上第一台可攜式「磁力共振機」問世,未來救護車上就能做掃瞄檢查!
3D 擴增實境全息投影出「整顆病人心臟」,協助醫生找出手術死角!


科技報橘 LinkedIn 上線!

最新科技產業動態、技術新突破、專業職能技巧提升 ....... 鎖定 TO  LinkedIn 專業品牌,提升職能與產業 Know-how,躋身產業菁英之列 https://www.linkedin.com/showcase/techorange

最受工程師歡迎的程式語言是什麼?網友統計八年使用數據:第一名從沒換過人!

$
0
0

【我們為什麼挑選這篇文章】GitHub 上最受工程師歡迎的程式語言是什麼?有部落客透過使用數據統計了八年來程式語言的變遷史,在隨著使用需求變化,越來越多新的程式語言加入的激烈競爭環境中,竟有一人的地位不搖穩坐寶位!猜猜是哪位?(責任編輯:賴佩萱)

本文經 AI 新媒體量子位(公眾號 ID:QbitAI)授權轉載,轉載請連繫出處

作者:量子位

最受歡迎的程式語言是什麼?

還是得用 GitHub 來統計才合適。

最近,一位部落格主 PieChartPirate 統計了從 2012 年 6 月到 2020 年 6 月 GitHub 上最受歡迎的程式語言,看到了整個語言的變遷史,一直穩居第一寶座的是 JavaScript。

這一結果分享在 Reddit 上,三天就獲得了 30.7 K 熱度。

編按:GitHub 是一個軟體原始碼代管服務平台,除了允許個人用戶或組織建立和存取程式碼以外,它也提供了一些方便共同軟體開發的功能,也就是一般人口中的社群功能,包括允許用戶追蹤其他用戶、組織、軟體庫的動態,對軟體代碼的改動和 bug 提出評論等。 GitHub 也提供了圖表功能,用於概觀顯示開發者們怎樣在代碼庫上工作以及軟體的開發活躍程度。

有網友驚訝,R 語言竟從沒有出現過「其他」的行列。

還有人為 Python 打 call~

八年程式語言變遷史

大致看來 ,即使陸續有新語言的加入,但是三強鼎立的局面並沒有太大的變化。老大哥是 JavaScript,Python,以及 Java,而 JavaScript 學習成本低、應用場景多元,地位逐漸得到彰顯,甚至一度占據總使用量的 28%。那時,Python 也大約才到它的一半而已。

但在最開始,局面還不是如此的。

從 2012 年到 2013 年,前三名還是 Puby,Python 和 JavaScript。而 Python 也一度佔據了 18.1%。

PHP 也算是巔峰了。

隨後 2015 年,Java 一路攀升,超越 PHP、Ruby 成為程式語言的前三名,而  JavaScript、Python 則保持穩定,使用比率沒有太大的改變。

到了今年,可以看到前十名的名單已经出現了很大的變化,Go 语言、C++、TypeScript 都 超越了 Ruby 和 PHP。

數據怎麼做出來的?

部落客說了,數據採用的是 GitHub 的公共倉庫,並沒有針對私有倉庫,所使用的工具是 Python 和 TKInter。

其數據源於一位工程師做的 GithHub 語言統計 — GitHut 2.0。

從 2012 年到現在,他共統計了 44 種程式語言,包括 Pull 請求、星星數、Pushes、Issues,數據也按照「季度」實時更新。

而此次數據則採用的是 Pull 請求的統計。

那麼,你最喜歡的程式語言是什麼呢?

參考資料

reddit》、《Github

(本文經 AI 新媒體量子位 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈我從 GitHub 上看到了編程語言八年變遷史| Reddit 30.7 K〉;首圖來源:unsplash。)

你可能會有興趣


《TO》品牌活動「CONNECT」登場!

本周主打「Marketing Intelligence」專題,看企業如何激發數據無限錢力! 馬上報名 獲取最新深度報導。    
Viewing all 585 articles
Browse latest View live