EP12: Data Scientist 之 轉行怎麼辦？
危機四伏還指點迷津系列
「用聽的」
追蹤訂閱，不錯過數據女孩最新資訊
YouTube, Spotify, 小宇宙, Apple Podcast, B站, 小紅書, Threads, Instagram
「用讀的」
Amy: 大家好，歡迎大家收聽新一期的「數據女孩的中年危機」。我是Amy.
Stella: 大家好，我是Stella.
Amy: 感謝朋友們的喜歡跟支持，也歡迎新朋友們來聽我們聊天。大家在網上直接搜「數據女孩的中年危機」就可以找到我們了。在YouTube.各大Podcast平台，Spotify、Bilibili、小紅書、小宇宙都可以直接關注我們。我們會定期上線Podcast也會開放各種資源給大家分享。
Stella: 今天是我們DS之怎麼怎麼辦的第二彈。我們來回答一些我們在做Mentor的時候或者是很多朋友們在我們的Podcast上面留言提到的一些問題。
Amy: 對，我們今天稍微找了幾個留言區出現的問題，然後給大家整理，分享一下。
Stella: 第一個問題呢是來自我們在小宇宙上的一個聽眾。這個聽眾呢有提到說他現在馬上是 Data Science Master, 即將結束，然後對於接下來的職業選擇有一些困惑，比如說，是 Product DS 或者是 MLE- 這些不同的方向，他們相應的，這些 skill set 是什麼，以及大概的發展前景是什麼樣的?
Amy: 我看到這個問題我就想起來，我一開始出來工作的時候，Data Science Master- 連這個項目都是沒有的。
Amy: 那時候出來做 Data Science 的人，其實他本身可能念統計的。或者念數學CS的都還是比較算本業了，很多都是念別的專業的。
Amy: 他可能是念Life Science的啊，或者念其他工程類的。
Stella: 像Amy和我都是Statistics背景的，在我們那個時候找工作的時候，其實也看到很多candidates,他們，雖然不是相關的這個專業，或者說不直接是Statistics專業，但是他們在自己的學習或者是research,科研過程中用到的方法論，其實都是Data Science的方法論，就那個時候是很多這樣的背景的人來做Data Science這個行業。
Stella: 但是後來，就像Amy講的，越來越多的學校出現了Data Science的program,現在是不是也有Data Science的PhD了?
Amy: PhD?有點難以想像，我那時候有Data Science裡面。這些Master出來以後，我有看了一下Curriculum,它其實就很像我那時候去Bootcamp學的東西。
Amy: 呃，但當然也很快速，大概一兩年你就可以念完一個Degree然後出來。
Stella: 嗯。
Amy: 比起其他科系出來的Data Science Candidate,我覺得差就是差在說，Data Science Degree,它比較Focus在純粹的Data Science Tooling,就是啊，你A/B Test這樣做啊，然後你得學Python,你得學SQL,Data Visualization，但是它比較難有一個比較深的Domain的Exploration,這個跟其他系出來的Data Science就會差很多。
Amy: 因為其他系的，它比較像是用Data Science在研究自己的一個領域，然後學可能四年啊，或者是碩士學兩年出來。所以他會做一個Domain,還比較有一個背景。
Amy: 然後，In addition,他知道一些Data Science的Tools。嗯。
Amy: 但Data Science Degree的話，他就有點反過來了。他就是純粹學Tooling。對。
Amy: 但Domain的話就一般淺嚐即止，他不會很深。
Stella: 對，Amy，你說到這個，讓我想到前陣子。
Stella: 我在一個Data Science Leadership Community裡面有一個人問的問題。他是想招Geospatial背景的人去做Data Science的項目。
Stella: 他在那個Community裡面問，大家是應該去招Data Science背景出來，但是不知道Geospatial這個Domain的人呢，還是去招Geospatial Domain的人呢? 但是可能並不是 trained as a data scientist 的人。
Stella: 欸，我還挺好奇。就是，Amy，如果是你的話，你覺得應該是找哪一類的人。
Amy: 我不想得罪聽眾，把我推上斷頭台，哈哈哈哈。不過我的話，我可能會找對 domain knowledge,呃研究比較深的人，因為我覺得這個是比較難得，比較難找。
Stella: 嗯。
Amy: 然後data science 的各種 tooling 啊，這些 skill 我覺得都是可以後來再學，後來再 train 的。
Stella: 嗯嗯。
Amy: 但是對那個行業的直覺還有理解，還有熱情。其實這個是，如果你本身就是學這個行業甚至做很多年的行業很難替代的。
Stella: 那你跟我給出的答案是一樣的，我也是這麼建議那個人，那我們會一起被推向斷頭臺。
Amy: 哈哈哈哈。我們等一下會聊一聊就是怎樣 tell your story, 因為每個人他雖然你可能覺得自己知道的東西都很 general,但是每個人還是有不同的特色。
Amy: 你說有熱情的事情是不一樣的。 我們等一下可以聊聊怎麼去找這個定位。
Stella: 對 domain knowledge, 對於 data scientist 來講，確實是非常重要。所以呢，我們在這裡王婆賣瓜一下。
Stella: 這也是我覺得聽我們的 podcast 會給很多聽眾帶來的一個好處吧就是通過我們的聊天，這種比較輕鬆的方式呢 可以在半個小時或者是一個小時的時間內快速的去了解一個行業，他的一些 domain knowledge, 了解一些 context.
Amy: New grad 跟大學或者是碩士新生，出來找工作。現在非常困難。 他們很大一個迷茫的地方就是我是要找一個工作先，還是我要去一個我理想的工作?
Amy: 我一般對這個問題的回答還是覺得騎驢找馬比較重要。你可能要先把驢騎上去了呵呵，再去找馬。
Amy: 我當然希望你第一次就能進入你最理想的，最夢想的工作。但是每個人的運氣跟每個人的能力就是不一樣。
Amy: 就是你不一定能夠第一次就成功。但是設定一個目標以後你慢慢往那個地方前進。還是比較重要的 Data Science 還有現在 AI Engineering Tech, 這整個行業 in general.
Amy: 我覺得時間還蠻重要。你不想要花時間在家裡自己一直學習，但是沒有在累積工作經驗。
Amy: 所以去一個地方甚至是怕可能工資比較低啊，或者是暫時Volunteer,你能夠繼續積攢經驗，還是比一次在家努力找到那個你的Dream Job,我覺得比較有意義。
Stella: 我想補充一下，這個也讓我想到最近在ADPList上跟我聊天的一個Mentee,他的狀況。
Stella: 呃，這位同學呢，他其實是在他的PhD Program當中有非常多的這種Modeling和Coding的經驗，但是，因為現在的Job Market不太好，所以他就在想說，那找MLE的工作會競爭的非常激烈，那我要不要就是Focus在找，比如說這個Product Data Scientist,大家認為競爭會稍微好一些的職業啊。
Stella: 我是覺得呢，還是一方面是說你可能你要Prioritize找到一份工作，但是另外一方面來講，不要被這個就業環境嚇到，你可能會現在辛苦一點，需要多付出一些，多去投一些工作，但是不要，因為這樣就降低了你的要求。
Stella: 我覺得就是考慮到現在的這個找工非常難的狀況，你去多看一些不同的職業，這肯定是對的。
Stella: 但是不要放棄。你本來想做的那些工作，你還是要去投你想做的MLE,或者是想做的一些更偏向modeling或者是algorithm之類的工作。
Amy: 嗯，同意。那我再clarify一下，就是騎驢找馬，你還是要找一匹適合你的驢。
Amy: 就是你本身定位應該是比較engineering、比較MLE的人，你就不要覺得說，啊，因為product DS可能你看到的opportunities比較多，你就往那個地方衝，因為你不一定有那個優勢，而且也不一定適合你，做下去可能會不喜歡。
Amy: 嗯，那這樣也是另外一個形式的浪費時間。
Stella: 對。 這就說到我們也經常被問的一個問題，就是 Product DS 和 MLE, 它的 skill set 差別到底是在哪裡?
Amy: 嗯， 首先 Product DS 跟 MLE, 這兩個都只是一個 job title就是你還是要具體看一下這個 job description 裡面到底需要你做的是什麼那你自己去判斷這個是比較偏 Product DS 還是 MLE Product DS.
Amy: 我的理解啦， 這個每一家公司還是會有點不一樣。它可能跟 business 還有 product 的那個合作會比較緊密。
Amy: 它比較像是對 business 還有 product strategy 的一個 validation還有一個 assessment就是說 欸， 我現在有一個新的 product strategy首先我做下去之前我要去預判它做的 它的效果會不會好。
Amy: 它對這個產品到底會有什麼的影響 Product Strategy下去以後那我在assess說這個Product Strategy到底提供了什麼價值，就是對我們的產品有什麼樣的提升。
Amy: 這個是屬於比較Product DS的部分。所以它寫的code就不一定需要進Production就是不是說每個人進這個產品的website,你的model都會被trigger.
Amy: 不是這樣的。它比較像是一些分析啊，報告啊，然後去驗證一些假設然後去monitor產品的健康狀況。
Amy: 這樣那MLE就純粹比較像是software engineer,就是你是為model服務那model本身為產品服務。
Amy: 所以你essentially your model as a service inside the company.所以MLE,它的技術技術就比較講究嘛，然後它要跟其他的工程組合作。
Amy: 就到MLE的時候其實產品策略已經形成了，你是去完成它，這個產品策略的一個螺絲釘嘛，一個部分，對。
Amy: 所以軟技術當然還是很重要，因為你還是要跟其他的軟技術工程師啊或者是PM去溝通，來看這些可行性。
Amy: 但是它的生意理解比起產品DS就沒有那麼多的要求。所以我覺得兩種不同的職能其實需要的性格還有特長其實還蠻不一樣的。
Amy: 所以可以先看看。自己比較喜歡做technical的。problem,去solve technical problem,還是比較喜歡solve business problem,然後去選。
Amy: 呃，看你想往那個方向走，這樣。
Stella: 我覺得，如果是很少寫code的同學你想馬上去找MLE的工作，我覺得這個可能還是會稍微有難度一些的。
Amy: 嗯， 對， 我有做這個轉職的過程，過 MLE的面試我覺得基本上是純software engineer的面試。
Amy: 欸，我在感覺我的面試官他比較care我的code寫得好不好。嗯，他沒有那麼那麼care我以前做過的 data science, modeling，這些事情。這是一個實際的問題，因為你真的去上工了以後你是寫的code比較多，那你如果純做MLOps的時候，有時候你也沒有在參與modeling的部分嘛。
Amy: 所以你對那些模型的理解就是大概知道怎麼work就好了。你不需要方方面面都知道那你就純粹幫這一個模特做一個software engineer的pipeline,比較不是純data science。
Stella: 然後說到這個，讓我又想到之前。經常跟人討論的，進production的model一般都不會太fancy,或者不會是最fancy的model。進production經常是在被用的話， stability和scalability都非常地重要。
Stella: 一般來講，過於fancy的model在這兩點上都會稍稍有所欠缺，這可能也是比如說，剛畢業的同學。
Stella: 他們不太會注意到的一個點。
Amy: 對，實用性是最重要的。還有就是你提出一個solution, MLE其實還蠻現實的，就是說你提出一個solution,多少錢?多久能上線?能不能scale?就是這三個問題。你如果能夠快速上線，那他每個月燒幾萬塊AWS的錢的話，那也不行。
Amy: 那多快能上線，你比如一個很fancy的東西，你兩個月才能上線，測試，那也太慢了，這樣。
Amy: 最後就是它是不是一個Scalable,就是今天100個Visitor來跟100萬個Visitor來，你要怎麼去處理這種不同的Scenario,也就是所謂的System Design的問題。
Amy: System Design的問題其實又回歸到就是Software Engineering Problem了。
Stella: 關於ProductDS、MLE,我們聊了很多，希望對小宇宙上這位朋友，有所幫助。
Stella: 在其他的平臺上，我們也有收到一些關於其他的職業選擇的一些問題。比如說，有一位朋友問我們，是否推薦在三四十歲的這個階段，轉入Data Science這個領域， Amy， 怎麼看呢?
Amy: 我覺得你可以先問一下自己為什麼要轉很多人轉職到 Data Science。是因為他本業可能有一個瓶頸，然後他看到說這是一個新的趨勢然後或者是薪水比較高，最現實的就是我在這裡領五萬，我去那裡領十萬，那我要去領十萬，對不對?如果你想試試的話，我覺得還蠻值得，因為就是很好玩嘛。
Amy: 我們自己也很喜歡這個職業而且它確實也比較跟所謂的新科技比較有關係。所以試一試的話對長期你的職涯發展應該都是有幫助的。但因為尤其在亞洲可能年齡它是會有一定的限制的你太晚轉職的話你中間卡住了，那怎麼辦，對不對?
Amy: 你可能也有家庭的負擔等等的。所以可能要問的是你有沒有後路？可能你買很多NVIDIA,賺很多錢，那你有後路你可以試試看。如果你轉職不順利的話是不是可以回到原本的職業繼續做？
Amy: 我覺得都是蠻值得先考慮的事情。如果你安排好了嗯， plan A， plan B，那我覺得可以試試看。
Amy: 就算現在我們好像一直在說這個行業有一點下降的趨勢。但誰知道?
Amy: 你要是有足夠熱情就像前幾集ADPList的Felix講的你只要有足夠熱情然後投入足夠的努力，的話你還是可以是這個行業倖存下來的人。
Stella: 嗯， 我有另外一個角度啊。 data science這個事情我是覺得非常有趣的。
Stella: 我自己做的也是非常享受。但是，對於問我們這個問題的聽眾，你是不是只有選擇進入這個行業，這麼一個option呢。
Stella: 另外，一個選擇是不是可以是你自己學習一些Data Science相關的技能，然後應用在你自己的本行當中。
Stella: 因為我和Amy之前也有聊過，我們覺得Data Science這個領域是不會僅局限於Tech,我們現在也看到它在各個行業，傳統行業也都有應用。
Stella: 我可能會更加覺得Data Science在未來不太會是一個單獨的職業，它可能更像是一種很多人在不同的職位上都應該有的一個技能。
Amy: 對，我覺得，長久下來肯定是會像Stella講的，它會變成一個基本的素養。
Amy: 就像現在你去任何的Desk Job,你都要用一點Excel,用一點Google Doc或者是Word Document,這個在以前都算是技能的東西。
Amy: 但以後可能各行各業，它都要有基本的data的素養，它可能用chart, gpc做一些基本的數據分析，或者它就是用的軟件。
Amy: 裡面有一些data science的小tools,可以從這些先出發，不一定覺得說我一定要從scratch要寫code,要把所有的事情整套，整套地寫下來。
Stella: 但是話說回來，我們也還是非常鼓勵大家進入data science這一行的，我個人是覺得，不知道問我們這個問題的朋友是不是女性朋友，我個人也特別鼓勵女性朋友進入這一行，我其實覺得data science從各個方面來講，都還是蠻適合女性的一個行業。
Stella: 那說到這的話，如果大家想要轉行進入data science,是要去網上上課嗎，是要看什麼書嗎?
Amy: 我現在上網一查大家書單都很長，大家講的都一套一套的。就要按照這個學習journey下來。
Amy: 但是我發現很多人他會進入一個學課的螺旋。你可以說是imposter syndrome或者是他就是一直沒有辦法。
Amy: 有那個信心去真的去求職。嗯，他學了一堂data science課。他發現自己coding不夠好。
Amy: 他就又去學一些CS的課，然後再學一些visualization.你就進入一個學課的螺旋。
Amy: 你學課的話，這些網課也不會給你一個很明確的feedback.你把這些作業都做好了不代表你會做data science.
Amy: 所以我覺得最好的方法還是直接 go out there就看你要直接去面試還是你就直接去找一些有明確目標的project來做。
Amy: 先走一個流程。你才能得到feedback.你才知道說喔， 我可能還需要加強哪個地方。
Amy: 如果只是一直跟著書單去學課的話，其實也學不完。我自己的bookmark裡面就有好多，好多課，我只有看簡介。我也沒有學完。
Stella: 嗯。
Amy: 因為就沒有那個時間啊。你沒有辦法把所有的東西都裝到你的腦袋裡那現在，我覺得人的skill應該是找到問題的答案的能力，而不是把所有的答案裝在你的腦袋裡。
Amy: 所以學課的話就很容易。沒完，沒了。建議大家常常停下來想一下嗯， 我現在是不是可以再去試一個什麼了。
Amy: 搞不好，你就可以得到一個新的工作機會之類的。
Stella: 嗯， 是的，因為你學習東西在網上。學這些課最終的目的還是想要去實踐它。
Stella: 我有一個比較cynical的comment啊，因為我們家是有一個大學教授在教這樣的課。我經常有時候嘲笑他，說你自己去業界做，你能完成這些項目嗎?
Stella: 為什麼你在教學生?如果只是通過這些課程去學習的話，離實踐真的還是有很長的一段距離。那有時候有些朋友可能會問我們，我們在上這些課的時候做的一些project是不是有價值呢?Amy，怎麼看?
Amy: 這個看老師哦，我以前在UCLA上統計的時候，有些老師他就是同樣的東西，尤其是統計，我覺得use case,application還蠻重要的。
Amy: 有些老師，你會知道，說他教的這個教材還有這些case study可能就是幾十年就是大概就是用同樣的東西。
Amy: 但我們那時候有一個老師叫Miles他的話他就會自己去尋找一些比較新的，一些use case,然後他會把這些在根據這些新的東西去設計他的課程。
Amy: 所以變成整個統計的program下來。那一堂課就顯得特別特別的實用，因為那個跟你出來後遇到的很多東西都是一樣的就不會感覺拓解很大。
Amy: 所以呃，我覺得跟每個老師都有值得學習的地方。但是你，如果要講實用性因為我們今天在講轉職， 求職嘛講實用性的話，還是要對老師給你講的東西有一定的判斷，因為有些老師他就是比較學術一點。
Amy: 他就是在他的環境裡面做他做的事情。所以他教你的知識不是錯，而是說這個實用性可能就比較低一點。
Amy: 但有些老師他就希望你出去能夠順利的發展，能夠有 actually be useful,那他教你的東西就會非常的實用。
Amy: 我覺得，自己identify老師教你的是什麼，然後自己判斷說你要花比較多精力去做什麼樣的事情在學校的時候。
Stella: 下面一個問題也是關於轉職的，在data science.這個行業包括MLE,很多朋友現在也在想說要不要趁著這一波AI的熱潮，進入這一個領域。
Stella: 那麼，對於data science或是MLE這些領域的人來說，如果想要進入AI,我們的gap在哪裡?
Stella: 我們需要去補哪些課呢?
Amy: 補課，我覺得AI,LLM in general你要補課的話，因為他們很新嘛，很多課也還沒有出。
Amy: 所以你要補課的話， 其實一兩堂你就知道個大概了。不是說你就是expert了， 是說大家還在探索。
Amy: 你要說難度的話。我覺得你，如果是data science或MLE的話，要轉AI/LLM已經是比起很多其他行業的人簡單很多，很多了，因為它fundamentally還是一個model.
Amy: 是一個model 然後怎麼用model去做你的application嘛。所以，學習一個完全新的東西的態度去學它會比較好一點，因為LLM它運用起來很多事情還在figure out就市場上來講， 大家也還不知道具體要做什麼樣的產品，它會成功。
Amy: 所以，當大家在混沌的時候，你如果把自己挖空去看這個東西可能會比較容易一點，因為你不會被以前的產品設計啊，或者是被以前的data science流程去拘束你現在對這個東西應用的想像。
Amy: 所以難嗎?我覺得不難。就技術上來講它比起。我們做了很多模型的預測啊。
Amy: 這些問題都簡單很多，但它的不可預測性。它比較不穩定嘛。它要日新月異，因為每天就會出新的model.
Amy: 你要去跟這些趨勢。這是我們需要投入的功夫吧，因為它現在就不是一個有一個教科書。
Amy: 你可以把它讀完，然後就做好的事情。它是一個你要跟整個行業一起探索的一個行業。
Amy: 所以你要是要加入的話可能就要準備好說 OK, 我下個月就要否定上個月的自己。
Amy: 這樣可能會比較容易能夠接受這個行業的節奏。
Stella: 我覺得這個問題也有兩方面。一方面是怎麼去 Catch up,去跟進Gen AI或者說可能更多的是LLM,這些新的趨勢，新的知識。
Stella: 另外一方面可能也是在問說我，如果要找一個LLM Gen AI的工作的話，我應該怎麼去做?
Stella: 其實我也沒有答案以我的觀察來講Gen AI或者是LLM這一類的工作，它確實是total compensation可以是非常驚人的，所以與此同時，它的競爭也是非常的強的。
Stella: 坦白講，如果是要轉行的話，如果之前沒有做過這方面的工作，想進入這一行然後你又沒有人脈的話沒有去network,確實是會比較難的。
Amy: 我覺得這又是討論到入場點的問題，因為像一年前ChartGPC剛出來的時候你去找這個工作，你稍微摸過一下那個API.
Amy: 那個就是很初級的版本嗯，你稍微摸一下。你需要知道的東西還沒有那麼多你就可能可以找到一些工作。
Amy: 你就可以開始跟這些公司產品去試，那現在fast forward.已經一年過後了我開始覺得這個這一行要入行已經開始變難了，因為大家都摸過那些API了 然後各種一套一套的理論啊， 還有產品已經開發出來了。
Amy: 所以你要去catch up的事情越來越多。我對想轉AI LLM的人 in general的建議就是直接入場就好了。
Amy: 你就是先進去做，因為你catch up絕對是沒有辦法跟上這個行業變化的節奏的。你只能把自己丟在那個裡面。
Amy: 你不得不去catch up這所有的事情，你才能比自己進步，然後同時直接看到產品的發生。
Stella: 但是，對於很多人來講，他們的問題可能是如何入場?
Amy: 如何入場?我覺得就是要直接動手做欸。因為LM我覺得是標準的，用了才知道的東西。
Stella: 嗯。
Amy: 就是你看paper這些，人家問你一個logistic regression,你可能theoretically,你可以把理論講得透透的，你不用真的去做過，感覺也很懂。
Amy: 但是LLM它比較像是一個只能意會的東西。
Stella: 它真的就是一個工具。
Amy: 對，它真的就是一個工具。那你說它的code啊，它的infrastructure啊，有沒有比以前復雜?
Amy: 我覺得是沒有的，如果你不去直接去做foundational model本身的話，可能你整個 pipeline 的複雜度不會那麼誇張，但是它很多的。 我們所謂的不穩定性，這個是只能做過才能意會的。
Stella: 對對，呵呵呵呵。
Amy: 對 這就說到 domain knowledge 喔，你如果真的動手，去做一個 LLM 的 application,你既然在找工作，你就做一些跟你自己有關係的。
Amy: 例如你把所有的 job description 全部丟進去然後你找一些 match.然後你去做一個 chatbot 去問說欸，你到底是有什麼樣的工作啊，去 explore 這些 documents,你就會發現其實它沒有想像中的厲害那它的不穩定性在哪裡。
Amy: 當你把這些 pros and cons 稍微了解一下，以後你去面試就會有優勢很多，因為LLM只上談兵的人會比較難得到機會，我覺得。
Stella: 這又引出來另外一個思路，就是說，對於這些LLM,這一類工具的應用，即使你不是想入場AI,你去找Data Science之類的Job,其實你只是想找Data Science,這一類的工作也是非常有用的。
Stella: 如果你是一個New grads,之前沒有工作經驗，那你比如說自己去做一個LLM相關的side project,並且在面試的時候你可以把它講得很清楚，並不一定是說，你對這個Foundation Model有多了解，但是你做這個application,你end to end怎麼做，然後你有哪些收獲，這些都可以成為你在找工作的時候非常好的亮點。
Amy: 對，我現在就想到以前Data Science在找工作的時候，我就會勸說，自己也這樣認為啦。
Amy: 就是說你去做Data Science,你還是要對Model本身有一定的理解。你不能就調包嘛，像調包俠，對不對?
Stella: 呵呵。
Amy: 呵呵呵對， 可是LLM.我覺得就顛覆了這一個理論，就LLM.你其實調包是沒有關係的，但是你要去理解說，我要怎麼去Deal,怎麼去處理掉，用這些大模型出來的Output,你要怎麼去Post Processing啊，或者Evaluate它。
Amy: 這個變成是最重要的工作。你不需要真的是把這整個LLM,整個Model Infrastructure搞得清清楚楚的，因為那個等於是人家已經做完了。
Amy: 你就只是一個Consumer的角色。
Stella: 其實有機會，我們也可以跟大家聊一下我們做的一些LLM Application的工作或者是相關的一些Projects,可能聊一下大家就知道這個事情，其實一個是它並沒有那麼難。
Amy: 對。確實是沒有那麼難，畢竟你要end to end build一個data science pipeline,可能因為LLM現在還是early in the days,所以它還沒有很復雜，沒有那麼難。
Stella: 或者換個說法，說這個難度到底是在哪裡，它的挑戰的點在哪裡以及可以分享一下，讓大家感受一下，說這個領域現在真的是很好玩。
Amy: 不過人真的是想法會改變。我以前就覺得你搞modeling的肯定要知根知底嘛這個model.但現在LLM真的顛覆我這個想法了。
Amy: 那接下來，我們就來到具體找工作然後怎麼準備簡歷啊然後面試之類的問題。
Amy: 這個不只是在美國，不過我覺得美國特別重要就是你去面試主要在簡歷上或者是進去面試官的面試的時候最主要是How do you tell your story,因為美國還蠻強調每個人的獨特性的就是你的特長是什麼你的個性，是什麼你這整個人跟我的公司的理念是不是一致。
Amy: 那我們跟很多人聊發現大家對Tell your story這個部分有時候會有點困難。可能是不太確定自己的亮點在哪裡你的經歷哪裡有價值，那如果你要轉行的話需要去highlight什麼樣的經歷。
Stella: 或者說Hiring manager到底想看到什麼想從你的簡歷上獲取到什麼信息從這個角度來講， Tell your story就是一個非常重要的技能。
Stella: 比如說看你做過的每一個project.首先是你為什麼要做這個project.你在這個project當中承擔了什麼樣的責任當中遇到了什麼樣的困難。
Stella: 或者說你這個project有怎麼樣的難度。你是如何克服它的那最後達到了一個什麼樣的效果。
Stella: 那最終，這個效果可以是一個最好是一個business impact.比如說你幫助公司賺了多少多少錢，或者是提高了某一個efficiency,或者是performance by xx%。
Stella: 這種會是一個比較好的story.當然啦，我剛才說了這麼長的一串。你要在一兩句話把它講清楚。
Stella: 其實還是很有難度的。
Amy: 我覺得很多人可能他struggle的是他還沒有工作經驗，那我沒辦法寫說我幫公司都賺了多少錢， increase什麼by x%。
Amy: 那在這種情況下 呃 其實做project就面試官的角度而言， 他可以看得出來你什麼是真的有把這個問題想透，去做的。有什麼是你是為了把簡歷填滿而做的。
Amy: 就是你對一個東西，如果真的把這個問題想好了，就是problem definition.我今天就是想要做一個app來呃 predict說 我如果買一個二手車，我多少錢能把它賣掉?
Amy: 這個是一個很實際的problem那你從problem本身出發 然後去找啊，我得去找什麼樣的數據來解決我這個problem.
Amy: 怎樣去validate說我的預測是對的這個就比較有價值。雖然你可能覺得啊，這個跟公司有什麼關係，這個是一個personal question。
Amy: 可是，我從簡歷上，如果看到你做到這樣一個project的話， 我發現，你是從problem出發 而不是從solution出發，然後你確確實實的解決一個 maybe minor的problem.
Amy: 然後你也go above and beyond. 你不是說 啊，我去kaggle上面下載數據最簡單，而是你自己為了去解決這個問題。
Amy:你去收集不一樣的數據資源可能數據量很小，可是你真的真的在解決一個問題。
Amy: 這個是最重要的。
Stella: 對 剛才在Amy講的這個例子當中也是非常能體現一個candidate, 一個人的自主性。這個也是在美國職場非常看重的一個點。
Stella: 我有時候在幫mentee看resume的時候呢會看到大家在講自己的project experience的時候，會說我幫助，協助了某一個項目，或者是我support了某一個項目。
Stella: 在我看來，我個人意見是覺得這種經歷，首先是你可能要換一個角度講如何體現你在這個項目中的重要性。
Stella: 另外呢，如果你真的只是一個support role,其實還不如不放。
Amy: 呵呵呵，就是你自己看一句話，你要想說我，這句話講出去，它對聽眾的價值是什麼?
Amy: 它能夠體現我什麼樣的特質?它的impact可大可小?
Stella: 說到簡歷呢，還有一個很多朋友經常遇到的困難是不知道該用什麼樣的keywords去講自己的project experience。
Stella: 因為我們也知道現在很多公司，尤其是大公司，他們在篩簡歷的時候，很多時候第一輪都是機器篩，他就是找你的簡歷中有沒有他要的這些keywords。
Stella: 所以，如果你沒有寫這些keywords的話，很容易就被刪掉了。我經常給Menti的一個建議是，如果你想去投某一個職位，你去找找看在LinkedIn上能不能找到現在就在這家公司或者是類似公司做類似職業的人，去看他們的LinkedIn profile是怎麼寫的，他們用什麼keywords。
Stella: 如果你能把這些keywords套用到你自己的簡歷當中的話，會提高不少過機篩的概率。
Amy: 補充一下，你除了去看類似人的profile,你也可以就從工作job description本身去推。
Amy: 你就從那個招聘的人的workflow來推嘛。它肯定是先拿一個 job description然後用那個 job description 裡面的 keyword 去 match 你的簡歷。
Amy: 所以你的簡歷，如果跟那個 job description 越契合的話，那你可能所有的 keyword 就會 hit.
Amy: 到了這個要 generizable. 就是你不可能每一個工作都去客制簡歷， 除非你真的特別特別想要這個機會。
Amy: 所以你可能就是先收集10個、20個你覺得比較有機會的工作，然後把你的簡歷做一點關鍵字優化，把上面的東西都 cover 住，不要騙人。
Amy: 哦， 很多人很喜歡全部寫的。就全部 copy paste 上去。你不會的，就不會。
Amy: 你可以去學，可是你現在不會的話，就不要寫。
Stella: 這種情況，即使你過了前面篩簡歷的一輪，碰到 hiring manager 真的問到你簡歷上的東西你不知道這個是會留下非常不好的印象。
Stella: 現在這個 job market 確實是比較難。簡歷當然很重要，但是很多時候簡歷也只是非常 bare minimum.
Stella: 你應該要做到的部分那我們就不得不再強調一下 networking 是非常的重要還是要把 networking 作為一個 long term project 去長期的投入?
Amy: 嗯，對，多認識的人其實對自己肯定沒有什麼壞處啊。
Amy: 不一定是人家可以給你介紹工作啊或什麼的，而是你在家裡自己想，在網上看 YouTube video.
Amy: 不如你跟一個人實際的去了解現在他的行業在經歷什麼是不是有缺人，還是行情是什麼行情就是說 salary expectation 啊等等的。
Amy: 這個 networking 都非常的重要，因為有些話大家不會在網路上直接講。你真的是要跟人直接聊天了，他才能直接給你很多insight.
Stella: 過了簡歷之後呢，我們就要聊到面試了。我知道，Amy，最近有一些面試經歷，願意分享給我們嗎?
Amy: 我說的是我面試別人，最近有一些亂象，來給大家分享一下，給大家笑一下。
Amy: 我最近招人的時候，然後有一些工作，我就不講薪水是多少了，反正就是基本是market value以下，就是蠻低的。
Amy: 然後還蠻surprise,就是還蠻多人來面試的，四位數的resume,一千多個人來面試。作為所謂的hiring manager,我就當然先粗暴的把一些簡歷先塞掉。
Amy: 那我就突然很能夠設身處地想，因為我們總是在想為什麼人家不挑我的簡歷。因為當他需要deal with一千多份的時候，他只能用最粗暴的方法先篩篩篩篩到剩下幾十份，然後再好好看嘛那，你可能就用一些很judgmental的因素，可能是用地理來分。
Amy: 先把它篩掉一些，然後再看說學歷，經歷，符合不符合，然後就像剛才講的你的keyword optimization就是很多我們學校的skill.
Amy: 你這個簡歷裡面有沒有這些?先篩一輪，以後會剩下一些人。那最後就開始面試了。
Amy: 然後來了一個人，你就跟他說你現在有工作嗎?他就說沒有。然後就喔，沒有那現在這個工作 pay比較低耶，你還是願意來嗎?然後他說 我還是願意來的， 沒有問題。我說那你這樣還需要找別的工作嗎?
Amy: 就是你要兩個工作一起做嗎?他說沒有，我老婆賺很多錢。
Stella: 喔，哈哈哈哈。
Amy: 也不錯啊，哈哈。然後我就當場面試官人設就崩塌了。
Amy: 哈哈就笑出來說你老婆賺很多錢，所以你現在出來隨便找個工？可是就可以看得到整個市場的競爭就大家為了爭取一個機會會不惜的把這種話也講出來。
Stella: 哈哈。
Amy: 因為他想要讓你相信，說他願意來，他願意stay.他不會說來兩天就走了。
Amy: 嗯，本身工作是要provide people financial security的，但是現在那個candidate反而在prove their financial security to you.
Amy: 他才能拿到這個機會。
Stella: 嗯。
Amy: 呃。 所以也給大家想一想就是有時候從面試官的角度出發，你可以去想一下。
Amy: 他到底每天面對的是什麼樣的人那，當這樣的所謂的deal出現的時候他有沒有可能呃，就選這個candidate因為你的需求比較多嘛。
Amy: 所以不是說要大家降低自己的標準，而是說工作難找是有原因的。
Stella: 如果從Hiring Manager的角度給大家分享的話，首先這個篩簡歷的過程。當然每一家公司用的這個software不太一樣，但很多software.它基本上就是一個screen然後上面有兩個button,一個叉，一個勾。
Stella: 那Hiring Manager它大概就是有，像Amy說的，現在可能有上千個resume in the queue.
Stella: 那你就是要迅速的去點叉或者是點勾。大家可以想象，對每一個resume看的時間其實可能最多就10秒。
Stella: 如果他感興趣的話可能會看個半分鍾。但這整個過程是非常非常快的。所以你怎麼把自己的亮點放在你的簡歷?
Stella: 比較靠前或者是比較顯眼的位置。這個就是很重要的。那再說後面，這個面試的過程，首先從招人的人的角度來看的話。
Stella: 他是要招一個自己的同事。又要提到現在的這個job market.大家可能就不會特別願意說我要招一個非常green的人，非常沒有經驗，比較青澀的人進來。
Stella: 然後我慢慢教他坦白講現在很多hiring manager都是沒有這個耐心的了。那你在面試的過程中，你是不是就是要體現出自己是，即使你之前沒有比如說 full time 的工作經驗，但是你要表現出來說，我知道工作是怎麼一回事，我會是一個很好的 team player,就是這些是你除了你的 technical 之外的部分可以展現給 hiring manager看的地方。
Amy: 可是在簡歷上去 highlight 自己的 soft skills 其實還蠻難的。
Stella: 對，我不建議在簡歷上 highlight 自己的，我甚至不建議在簡歷上放自己的 soft skills。
Stella: 這個 soft skills 應該是你通過 project 去展現的一個表現。我剛才說的更多的是你在進入面試過程當中，這個可能就要說到我們有時候跟一些 mentee 聊天的時候，可能這些 mentee, 因為他一直待在學校裡面，所以他展現出來的整個人的狀態就是一種比較好學生的狀態。
Stella: 但我個人來講的話就是，如果你以一種好學生然後特別服從的態度，在美國的這個環境下去找工作的話，可能很多Hiring Manager他是不太會喜歡這種性格或這種人設的。
Amy: 對美國找工作，尤其是中小企業的話，好像還是比較喜歡有個性一點，然後那個個性是跟自己公司的Value,文化是比較像的。
Stella: 對，沒錯。
Amy: 現在找工作。你可能找到了，那有些人就特別崩潰，因為這跟當初Promise的都不一樣。
Amy: 在這兩年很明顯地看到薪資Package已經普遍地下降，就是你前幾年看到的這些很誇張的包，所謂的包，現在已經越來越少了。
Amy: 好像很多人在找工作。他沒有意識到說，現在的行情是不一樣的。覺得大家可以網上搜一搜看大家現在得到的package大概是怎麼樣。
Amy: 有一些網站啊。大家都會分享自己的經驗或者是你可以去levels.fyi然後稍微看一下近期一點的薪資水平然後去判斷。
Amy: 因為我覺得有些人他可能會抱怨就是他好不容易找到一個工作。人家給他一個薪水可能跟他心裡的數字差很多。
Amy: 他會覺得人家就lowball他了，瞧不起他什麼的。但是有時候去查一下這個真的是現在的行情。
Amy: 所以大家要有心理準備。
Stella: 對確實是這個對於很多有工作經驗的人也是過去一兩年在job market上一個比較共同的感受就是這個整體的薪資或者是總額有在下降。
Stella: 這個確實是在 tech recession 這個背景下的一個現實吧。
Amy: 那 Stella 的經驗，因為 Stella 一般是找比較 manager可能你的經歷也比較豐富了，所以朋友也比較多 managerial 的 level那大概薪資的下降的幅度會到什麼水平可以跟大家分享一下嗎?
Stella: 嗯， 這個可能很難用一個數字去概括，因為不同的公司，不同的行業其實 manager 或是 managerial roles 的工資差別還蠻大的，但是就我看到的來講在過去這一兩年來說，可能下降的會有百分之三十這個樣子。
Stella: 我甚至有一個朋友他是一個engineering vp,他有跟我分享過他們當時在招一個職位的時候，先開始開出來的價格可能就是和之前大家的expectation要相比要低一些，當時就有些人覺得工資太低了，不願意去，但是這些對工資的expectation比較高的人呢，他其實一直在市場上都沒有能找到符合他們期望的工作機會，那同時我這個做vp的朋友，他們給的給這個職位的salary也一直在往下調，就並不會因為沒有找到人而往上調，反而是一直在往下調，這個可能就是現在的一個現實，這個job market上實在是太多candidates了，也有很多非常有經驗的job candidates,現在肯定是一個買方市場而不是一個賣方市場。
Amy: 我個人， 我沒有在找工作，可是體感上就是因為會有人來 recruit 我嘛，我的體感是覺得好像三、四年前跟現在薪水是完全沒有往上的就是 呃，他給我的大概的 base salary 的那個 expectation跟三、四年前我收到的 message甚至比較低 或者是持平。
Amy: 他沒有上漲，那真的面試下去我也不知道最後可以拿什麼樣的 package.我心裡的期望已經大大的往下降了。
Stella: 呵呵對 他，其實就是在過去一兩年，兩、三年的這個 pandemic有一個快速的上升，就是這個整個行業的 total compensation,這個工資有一個快速的上升然後現在其實是回落了。
Stella: 所以大家也不要被前面兩、三年的這種特別好或者說是其實是一個比較不正常的狀態給呃誤導了你的Expectation吧就一方面你當然是要爭取更好的工資，更好的條件，但是同時也是要認清現實。
Amy: 大家還是做一點投資哦，以免不時之需。
Stella: 哈哈哈哈。
Amy: 領很多錢的時候還是要多做一點財務的分配吧就是，心裡知道說哦，這個錢不可能這麼一直領下去。
Amy: 這不是公務員。
Stella: 說到公司就又說到一個。我們在科技行業內經常討論的一個問題或者稱為是科技行業的怪象吧。我們很多時候發現同一個級別的人在同一個公司，甚至是同一個team,在這個team工作了很多年的人的工資反而沒有新招進來的人的工資高。
Stella: 這個很多時候就是受這種市場的supply demand的影響，嗯，這可能也是一個間接導致 tech行業大家就頻繁跳槽的原因，因為如果你呆在同一個公司，同一個team,每年你的工資漲個5%，可能好的時候漲個10%，但這個幅度是和你跳槽去另外一個公司帶來的收入幅度的上升，是完全沒辦法比的。
Amy: 對，就跳槽在自己的公司努力工作，然後爭取每年加薪，不如跳槽，這個是科技行業的怪象。
Amy: 我有一個親密的朋友在半導體業，半導體業其實比軟體業，呃，我不想speak for the entire industry,但是我覺得整體的薪資是比較低的，他每年漲薪水的話，可能就有點，5%以內蠻少的，甚至1、2%這樣。
Amy: 然後他還驚奇的發現。說欸，後來有一個實習生來了。如果按時薪算的話， 這個實習生薪水比自己根本是平起平坐的。
Amy: 那他已經公司工作五、六年了。所以這種科技行業的怪象也不得不讓大家，如果你想要追求的是薪水的話跳槽的誘惑還蠻大的。
Stella: 我以前有遇到過，就是我組上的人。我發現他的薪水不如新招進來的人高。
Stella: 其實差距還有點大。但是這個在組裡工作了很多年的人，他其實一直是一個高級表演者。我就非常努力地要去為他爭取一個大的薪水跳槽。
Stella: 但這整個過程，說實話還真的是不太容易，因為你在這個公司裡，他其實就是有一些非常bureaucratic的事情。
Stella: 你要如何去證明這個人他deserve,比如說，15%，20%的salary increase。
Stella: 因為其他的人可能就5%，10%，就需要manager以及這個人自己共同付出很多額外的時間，去寫Amy最痛恨的documents,或者是其他的這些material去證明說這個人是deserve這麼多錢的。
Amy: 嗯，manager很難做，你幫了這個人，那其他表現也還不錯的人怎麼辦?所以salary expectation現在要正常化，就是lower your expectation,但是salary進入行業的第一份工作， salary真的那麼重要嗎?
Amy: 還是我反正就想入行，我隨便一個package我就拿，就是了? Stella，你覺得要有一定的底線嗎?
Stella: 我是覺得在一個合理的區間內啊，就比如說，多個5000塊錢，少個5000塊錢，其實並不是很重要。
Stella: 但是呢，也是不要太低啦。很現實的問題是你在去找下一份工作的時候，很多公司他會要你上一份工作的這個pay stub,就是你的工資條。
Amy: 可以拒絕嗎?
Stella: 誒，這個我不知道誒，但是我是那種很老實的，每次都提供了。
Amy: 呵呵呵呵。是哦，我是不太會透露這種事情。
Amy: 我也沒被要過啦。
Stella: 啊，這個可能每個州還不一樣。
Amy: 哦，是嗎?
Stella: 有可能每個周不太一樣，對對對。但是有些公司他是會去根據你上一份工作的收入去看情況，給你現在的這個offer,給你現在的這個工資。
Stella: 從公司的角度來看，他就是在買東西嘛，他就是在買人力，這個說起來好像有點難聽，但本質上就是這樣。
Stella: 他如果能用更少的錢去買到這一個Human Resource的話，他肯定是會去避免花更多的錢的。
Amy: 如果有人知道這個問題的答案，可以跟我們講，因為我不知道說如果公司跟你一樣pay stuff,你可不可以拒絕。
Stella: 我想像你，應該是可以拒絕，但是如果你拒絕之後，公司也可以，因為現在的這個job offer都是at will,對吧?
Stella: 他也可以withdraw,所以可能很多job candidates他畢竟在這個狀況當中他還是一個弱勢的存在，所以他可能不太會去直接拒絕。
Amy: 那我知道大家也有很多問題。會想要一起討論，然後也想要分享，現在在這個情況下。
Amy: 趕著上岸到底要怎麼做。現在有很多討論，那我們決定在小紅書上面會開一個群給大家算是提供一個Networking的平台也可以互相交流信息這樣。
Amy: 那我們也是一直有在Thread上面提供各種各樣的攻略啊、分享啊也歡迎大家在Thread跟小紅書看，你喜歡用哪一個來關注我們。
Stella: 還有我們在其他平臺上的留言區也歡迎大家多多給我們留言。我們真的有看喔。
Amy: 嗯， 好， 那我們今天就聊到這裡，大家掰掰。
Stella: 大家掰掰。