0:03 SPEAKER_01 用科技改变金融生活走在金融浪潮最前端大家好这里是马克解读金融科技一个专注于金融创新的创业者希望透过文字与声音让大家知道科技正一步一步地改变我们的生活欢迎回到马克解读金融科技我是主持人Mark
0:33 SPEAKER_01 我是主持人Debbie上一集我找了我其他一家创业公司梦想一号的伙伴一起上节目来聊聊当中我们探讨了P2P借贷的兴起与运作模式也分享了为什么选择P2P借贷创业的原因与合作的过程最后也探讨到了梦想一号未来的一个发展方向有兴趣的听众可以回到上集去收听
0:56 SPEAKER_00 好的那大家还记得我们在梦想一号的前面那一集我们访谈了资料科学家也就是GQ的小猪Joe那今天的节目呢我们要来到资料科学系列的第二集哦那在这个系列的第一集呢我们是跟Joe聊了资料科学应用在金融投资领域的概念方法还有门槛 那今天呢我们要聚焦在AI工具的蓬勃发展资料科学领域所受到的包含正面跟负面的影响我们会聚焦在人身上也就是说我们想要给对资料科学有兴趣或者是有意加入这个领域的大家可以一些往那边探索的想法哦
1:31 SPEAKER_01 我觉得啊资料科学这个议题啊近期其实变得非常热门嗯尤其是在这一个数据驱动的时代啊资料科学它已经是算是无所不在了对实际上啊我最近会对这个资料科学它这个领域啊兴趣大成的一个原因啊主要是我看到它在一个各行各业尤其是在金融科技领域的使用上跟影响上其实越来越多 那资料科学它不仅仅是关于数据分析它更是关于如何利用这些数据来做出一些更精准的测从我观察到一些现象来看会像我这种是因为我自己创业嘛有些产品或是服务上的需求那大家呢其实都是被这个领域它可以解决的实际问题跟能力所吸引到
2:09 SPEAKER_00 所以谈到资料科学跟Mark原本的金融科技领域其实也是一个跨领域的尝试那Mark作为跨领域的一份子相信是有非常深的体悟因为跟着社会的脉动随时去了解要加入一个领域所必须要拥有的技能其实是变化快速的现金我们每个人都应该要拥有的敏感度那今天我们要跟各位听众聊聊资料科学的现况那让我们欢迎资料科学家的工作日常的创办人维原 我是薇媛那我目前是一名擅长网站开发与资料科学的双期工程师很高兴有机会来参加这一场的podcast的录音我们也很开心可以邀请到就是第二位资料科学家他拥有多次大型技术会议的讲者经验持续发表对资料科学网站开发或软体质牙的议题那我觉得在工作之余经营知识性的社群应该不是一件很轻松的事情之所以会花心思经营社群里的动机是什么呢或者说是抱着什么样的心情在经营社群的
3:05 SPEAKER_02 其实很多人有问过那很多人看到我现在做了很多事情可能我有录直播然后我有录影片然后我有写部落格等等的可能会觉得就是做这件事情感觉要花很大的心力啊或很大的投入之类的但其实我一开始的初衷很简单就是我在准备面试然后会有一些作品然后会有一些整理那我就想说那这些整理难道只有在面试的那个瞬间有面试官看到吗那这样会不会太可惜了所以我就想说那我就不如方式就写一个可能两三次的部落格那 后来就发现好像只有分享才会有人看那没有分享就没有人看所以我就意识到流量这件事情可能是一个重要的关键所以我就开始就充当这个小编我就成立了一个粉团那从一百人啊两百人啊到现在大概两岁就在这个过程当中我比较像是有一个想法然后就开始做了然后再逐步的去点击各式各样的技能所以这边有个经验是像我一开始是经营部落格后来写Facebook
4:01 SPEAKER_02 然后后来就发现Facebook遇到瓶颈好像没什么人看然后流量变得比较低然后就说那我要经营一个Instagram看看但经营Instagram就很困难我是一个工程师出身的人所以我就情况要怎么做图然后就学了Canva然后就是一步一步这样的问题然后尝试解决然后去学一些新的东西然后慢慢的就变成像现在这样的这个社群的场域这大概是我一开始的想法所以 一開始的想法其實沒有什麼很大的目標就只是覺得它是一件好玩有趣的事情然後做的過程當中再去累積各式各樣不同的經驗然後卡住了再去嘗試不同的方法去解決那個遇到的點大概是我一路走來的一個心路歷程這樣到底是什麼樣的流量率讓你的粉專從一兩百人變成現在兩萬人我很想要知道
4:47 SPEAKER_02 这个问题其实我也想知道因为很多人在找我问问题的时候他们都问我说请问你的受众是谁然后打心人会比较喜欢看你的内容那一开始其实我的初衷很简单就是我觉得这件事情跟我没什么太大的关系就是想要持续分享我想分享就好但 经过这一段时间我发现我的社群有一个比较奇怪的现象就是大家可能会觉得讲那些很轻松的比较有趣比较生活感的东西应该是会比较多人观看但我发现我的社群的受众好像有点悖虐就是我反而是那种就是很硬的然后很数学的然后大家好像就会喜欢我觉得它有一种感觉就是不管我懂不懂我先按赞然后假装我很厉害发布才0.5秒怎么有人收藏了
5:32 SPEAKER_00 对对对我有发现有这样的这个现象这样因为我的大学同学其实就是我在做相关的资料调查的时候发现我大学同学也有追踪这样听起来是只要持续的去学习或是持续的去观察你的受众想要什么然后就可以慢慢让自己的社群经营起来这样子吗
5:50 SPEAKER_02 我觉得它可能是一个双向的就是一开始可能是我想要分享的东西当中我会慢慢的知道我闻到什么是有兴趣的逐渐的我觉得就会有一群跟你类似的人可能被你吸引然后跟你这个有相同的这个兴趣那 我有几段相对比较迷失的我好像会去追逐所谓的点赞然后会去追逐所谓的流量那在那个过程当中就会发现这个社群的接受度好像反而会不是很高就是会有一段的这个迷茫期那在经历了这段时间之后我发现应该就是把握两个点第一个是分享自己喜欢的东西然后试着去跟你的听众或你的受众有互动然后去找出这个到底大家喜欢的东西是什么这样了解
6:34 SPEAKER_01 真的很開心可以邀請維園來這個節目啊就我蠻認同園園剛才講的東西因為有時候上一整天我上班的時候然後我看到就滑個社群嘛滑FB然後維園因為我昨天是他的粉專他在直播哇這個也太拼了吧你可以看到說這個人其實他對他的社群跟經營社群這個驅動意識蠻強烈的再來就是說我覺得就剛才維園講的那一串我覺得經營一個社群覺得它不是一件輕鬆事因為剛才聽維園講就這樣啊我就不斷的這樣 其实光是持续的output然后持续的对你的社群关注让他成长其实他就需要很多时间精力那他同时又有挑战这个人他其实要本人生也要成长跟学习他不能说20年我讲两20个月都是一样的东西你的社群对你就没有什么影响
7:17 SPEAKER_01 所以我觉得另外一个好处就是他需要让这些来自各种不同背景的人那他不断的交流大家分享而不是单纯的只有你去output这些东西你的社群才有办法建立起来所以我觉得像我自己进这个社群我是看到大家有时候会互相帮助或是共同进步或分享东西出来给你们你们会分享东西出来让我知道所以这是一个很好的互动
7:37 SPEAKER_00 听起来社群就有点像是网路上的知识浮华期而且感觉是还蛮无怨否解的可以累积到很多不同的领域的人才OK那节目呢我们会跟各位听众聊两个重点第一个呢是聊一聊AI盛行之后对资料科学领域以及这个领域当中的人才它所带来的冲击包含正面的以及负面的那再来呢我们会谈回金融科技我们一起来讨论说科学应用在金融科技当中它的实际状况以及会遇到的困难
8:13 SPEAKER_02 好一开始呢我们当然还是请维原跟我们简单的科普一下所谓的资料科学到底是什么呢好啊那资料科学这个字啊我其实搜寻了很多它的定义那我觉得很多会写得很冗长啦但我自己归纳而来我觉得最理解最空俗的一个定义应该就是一种从资料中找关系的方法就是所谓的资料科学那你听起来可能会觉得它没什么了不起因为 但你细想之后就发现他其实有很多不同的面向可以去思考例如我们看从资料找关系的这个资料资料是什么资料资料可能是过去的资料现在的资料未来的资料资料可能是很大量的大数据很小量的
8:51 SPEAKER_02 sample data资料也可能是各式各样不同类型的文字型的资料表格型的资料影像型的资料所以我觉得相对来讲比较大的一个包山包海包了很多资料有关的东西都可以被收录在资料科学里面例如像 金融领域当中的资料它也是一种金融专用的这个资料分析嘛那或者是医疗产业里面可能也有专属于医疗产业当中的资料科学方法所以资料科学它可以作为一个领域它也可以作为一个方法那这个方法它很多变它可能碰到不同的领域的情境它就会有不同的变化这我觉得是我对资料科学的一个定义跟介绍
9:27 SPEAKER_00 我觉得还蛮好理解的就跟我们之前所听到的资料科学的定义差不多但是我觉得委员有把它分成更多不同的就是节点或是不同的分支来解释那在资料科学里面其实有一个还蛮重要的应该说技能吗就是coding我想要问说coding对于资料科学来说它所扮演的角色是什么呢那想要请委员跟大家举一下用Python跟JavaScript的应用案例然后来跟各位听众分享一下
9:54 SPEAKER_02 OK好那其实资料科学啊就像我们刚刚所提到的它是一种从资料中找关系的方法嘛那它其实不是一个很新或很潮的概念那它之所以会为什么在这集我们其实中间有一个契机或者我们所谓的现代化的资料科学的两个重要的技术关键一个叫做大数据一个叫做机器学习那 什么叫大数据呢就是你有足够大量的资料那我们发现在资料量变得很大量很多元的时候它能够隐含的关系就会是以前所找不到的那第二个就是透过机器学习的方法我们更能够从这些大量的资料当中去挖掘出大家的关系所以在这个大数据跟机器这两个技术的前提都是需要有一个这个量级上面的提升嗯
10:38 SPEAKER_02 这个量级上面的提升就是过去我们所谓的量化研究跟现在所谓的资料科学的一个很大的gap那这个gap的差别就是以前可能是人可以算数学家可以算统计学家可以算那现在你要到了大数据的时代就变成是人类算不完人类无法算的懂 那这个时候你就需要借用一个叫做电脑的工具那电脑的强项是它的能够算的比人类算的快能够记忆的比人类记忆的多所以我们这个时候就能够善用电脑这样的技术来帮我们去实现我们期待中的资料科学那这个时候程式就会作为一个工具来实现这件事情所以刚刚的问题是我们有两个语言一个叫Python一个叫JavaScript
11:21 SPEAKER_02 那我觉得其实对我来讲它就是一个程式语言那语言就是我们跟电脑沟通的工具所以我可以用这样的程式语言去请电脑帮我来完成什么样的任务那其实它并没有一个很明显的区分那Python只是因为它有很多资料科学的相关的工具你可以拿它来做资料分析资料工具 那JavaScript对我来讲它的用处是它本来是用于写网页做网页开发的那因为你的资料分析最终需要面对用户嘛那现在面对用户最常使用到的界面就会是网页网站过程当中扮演一个资料分析跟使用者端使用者界面的一个桥梁这样对对对
12:00 SPEAKER_00 嗯了解那相信大家都还蛮能理解的就是这个coding它在现今的时代或许会有另外一个帮手可以以更高的效率或是更好的准确度去事半功倍的完成那这个东西呢相信大家都知道就是AI人工智慧所以我们接下来呢要来探讨一下AI这个东西哦 那AI它就定是取代部分的工作还是它让部分的工作产生更高的价值呢那我这边想要跟各位听众分享就是维园之前有曾经整理了三个AI时代下的资料科学零件这三个呢分别是只会利用工具但无法解读分析结果的资料分析师
12:36 SPEAKER_00 第二个呢是只会徒手自干但是无法善用开源工具的资料工程师那第三个呢是只会模型理论但无法选择应用场景的资料科学家这三个呢是我之前在维原的访谈曾经听过说这三个是AI时代下的可能会有的风险AI对资料科学领域的影响我想要请维原这边大概念的跟各位听众分享一下他是怎么样加入资料科学领域的呢
13:01 SPEAKER_02 我想要先讲一件事情就是现在我们看到AI可能会觉得它是一个新的东西它是一个新的概念或一个新的方法但其实AI跟资料科学是脱离不了关系的这句话怎么说呢原因是因为AI它的想法是希望能够去透过程式透过电脑 透过算法去模仿人类或者是达到帮人类解决特定任务的工作那其实AI的发展很早它大概在四五十年前就有所谓的AI只是过去的 这几个世代里面我们的AI一直做不好那直到我们现在这十年的现在我们看到这个AI就是当代的AI它的全名应该叫做深层式人工智慧那它的想法就为什么叫深层式它其实是基于过去的大量资料去累积而来去达到模仿人类行为的所以刚刚讲到那个关键字叫大量的资料所以现代化的资料科学或者所谓的深层式的人工智慧它其实是
13:55 SPEAKER_02 基於我們所看到的資料科學的演進所推動而來的這是我第一個想要跟大家做的定義很多人可能不確定這件事情所以這邊就很有趣就是資料科學家我們研究這些大量的資料當我把這些大量的資料當成是人類的資料的時候其實我學出來或我找出來的關係就是人類行為的關係其實就是我們現在看到的人工智慧所以 资料科学家有点在做一件有趣的事情就是他试图想要发明一个工具然后来取代自己就是很多人可能从外部来看会觉得资料科学家是不是会这个就把自己取代掉的工作但其实这个我觉得是有一点这个焦虑大于这个实物的状况就是现实上他比较像是我自己做出了一个小帮手那我透过这个小帮手来辅助我拿辅助这个资料科学家比较不喜欢或比较不擅长的事情
14:44 SPEAKER_00 没错所以其实委员刚刚谈的都还蛮关照于就是AI对人的影响那我想要更聚焦就是Mark蛮多人想要加入资料科学这个领域不管是转职还是多一份职事呢那目前在这个AI的状态下他们就是加入之后会不会有什么样的需求或是什么样要精进的地方呢
15:04 SPEAKER_01 在金融业当中其实就包括连我自己的读者都会发现很多专业人士他开始想要进入这个资料科学领域对比较像是一些资产管理或是风险评估别人那 也包括了这些金融从业业者还有一些金融公司跟金融机构他们也开始在侦查上面有同样的相部分的需求出来那我们从事务的角度开始先来看吧那金融科技它发展其实近几年大家都会看到包括结合大数据跟继续学习它也让金融领域的一些应用变得不可或缺像是比如说透过一些继续学习来预测市场的走势或评估一些现代风险等等
15:39 SPEAKER_01 或是我们刚才之前上一集讲的进行一些高频的交易这些技术的应用它提高了整个操作效率也提高所谓的决策精准度我们从人的角度来看随着市场它对于整体的数学分析的能力需求增加像我刚才讲的一些金融的专业人士他开始在进修所谓的资料科学相关的课程跟技能他们希望他们自己本身的职业生产当中可以因为资料科学这个 引路或者是转职啊可以有更多的一些不管是在收入上啊或者是在呃植物上的一个提升甚至呢有不少人他甚至就是说哎那我愿意先花一点时间来做这一些相关的转职跟训练来进入所谓的资料科学领域嗯那
16:19 SPEAKER_01 这些东西我觉得他本身的背景的强项是他本来就是一个这种领域的人他有这个专业知识那他在加入这一个资料科学领域的一些知识的话他或许可以在这些数学决策上或者是一些insight的探索上会比别人更强势嗯 当然最大的推手就是金融机构因为他们很积极的开始在招募这些如何利用数据科学来解决复杂问题的人才那这个趋势也让我们今天所谓的金融业对资料科学的探索跟需求上不断的往上提升当中
16:52 SPEAKER_00 那或许各位听众在面对AI以及加入资料科学领域的状态我觉得可以想象成为原之前曾经提过的一个技能数划分的这个重点意思是说市场对同个领域的需求其实不会随着AI消失就是大家可能会探讨说AI的出现会不会取代我呢但我们可以回到一个重点就是这个市场对这个领域的需求是一直在的不会因为AI出现而消失 只是部分过去我们会写在技能数上面的点就是我们要用来供给这个市场上的需求的那些点其实现在变成是AI来完成的那其实我们有一个想法就是我们可以去扩充技能数的其他点啊所以呢我这边想要问委员说金融业想要进入资料科学这门领域的人他所需要具备的门槛以及他的相关的心理准备是什么还有能不能跟各位听众举例一下现在我们可以扩充的技能数
17:41 SPEAKER_02 好啊很多人也会来问我相关的问题然后我在思考了之后我其实觉得就是成为一个资料科学家就你依照那种坊间的课程或坊间的路径的话其实你有很多技能需要选但如果你跳入了这个传统的学习路径当中你就很有可能变成一个跟大家都长得一样的资料科学工作者只是你可能多了金融分析这样的背景那这样的话其实我觉得它就是所谓的风险很高因为第一你的程式写不赢这个工程师 然后你的数学也不一定有这些统计学家还要厉害那在这样的前提之下你如果落入了相同的赛道当中去做竞争那你的风险就会随之提高所以我常常会说过去十年可能是资料科学家或是工作者底层或基础的建设那当这些方法越来越成熟的同时它就大幅的拉低了这些使用工具的门槛
18:35 SPEAKER_02 所以像以前如果是一个金融分析的伙伴他想要去做一个金融资料的分析他的第一件事情可能是打电话给IT跟IT说我想要什么样的资料你可以帮我收集吗我想要什么样的资料你可以开权限给我吗可是这个技术我们叫做所谓的资料收集叫爬虫 那当这个技术你可能直接跟ChatGPT跟他说请你帮我撰写一段这个收集资料的程式甚至于现在有些工具是你直接输入网址他就帮你把资料收集回来的这种例子的情况下所以你会发现整个技能是在流动的流动的点在于当我的这些基础建设我的这些工具变得越来越强的同时越来越成熟的同时这些工具可能就会变得越来越简单变得越来越入门那
19:17 SPEAKER_02 对于一个外部想要进去想要顶级这个资料科学技能的人而言那这些工具你可能原本很难学你现在就很容易可以学得到你就可以自己来做不需要仰赖这些很难约的资料工程师或很难找的这些资料科学家那对于业内的人对这些资料科学工作者他就有一个风险风险就是如果这些原本我擅长的技能很简单很好学的时候那会不会那些原本外面的人他自己学一学之后他自己就能够学爬梭不需要他了这样 对就会有这种状况这个其实就呼应到我刚刚讲的那个高风险的资料科学工作者的那几种例子嘛所以其实我觉得这个就是一个时代变化或产业的变化那我觉得我们就刚好站在这个转接的这个角色就是所以我们常常会听到一句话嘛就是人工智慧可能不会取代你但是会人工智慧的人会取代那些不会人工智慧的人而且他能够有机会可以大幅的弯道超车我觉得这个比较像是
20:13 SPEAKER_02 我看到的一个现象跟状况那就比较像是说那现在这个时间点你面临不管是求职不管是技能的累积那其实它跟过去的路径就会比较不一样以前你可能会有一个比较明确的升迁管道那现在的小朋友现在的大学生他的能够学的东西就很多那如果你落入了这个同一个赛道里面我觉得他的 成长或成就就很容易会去跟前面的人做比较所以我蛮常鼓励大家的是你要先找清楚你的赛道你的东西你的专长你的强项会是什么你的优势会是什么所以在整个资料科学技能当中我觉得最不缺的就是技能
20:52 SPEAKER_02 所以你永远都一定有学不完的技能那你也不可能期待我要学完之后才跟别人做竞争才跟别人做比较但你可以做的事情是你可以找出一个专属于你自己优势的路径那这个时候可能就会跟别人有不同的赛道的区别那我举个例子好了就是像如果今天你想要面试的是科技公司 然后你原本是商管背景的好那你商管想要去面试科技公司的资料分析的工作那你面对的对手是谁可能是职工系职管系电机系的好那你怎么都不可能赢过他们好那相同的场景相同的工作我换到这个如果我想要面试的是一个金融产业或银行产业当中的资料分析师这个时候会商管背景的资料分析者他对于他的资料的掌握程度他对于他的知识的领域的了解可能会更高一点点
21:42 SPEAKER_00 那我觉得这个就是找出你的赛道找出你的优势的一个例子这样嗯了解那谭吉加入的优势跟门槛其实背后或多或少都跟跨领域者他加入一个领域他所需要花费的成本有关那我们这边就把成本限缩在时间上我想要先请Mark跟大家分享一下对跨领域者来说就是进入一个领域需要花的成本到底高不高应该是一件很重要的事情吧
22:06 SPEAKER_01 对我以我自己本身的例子来讲好我原本就是惦记领域的东西所以一开始我在跨领域的时候我选择的反而是稍微比较偏我觉得比较偏近我我不会选纯的那种金融科技领域对我来讲它还是有一个交叉点我还是比较容易跨进去的但不得不说我还是必须把金融领域相关的知识给补齐我才有办法在这一个跨领域的点上才能够比人家更多的一个优势在这个地方所以我记得我那个时候因为那已经 好几年前创业一段时间对创业一段时间我大概花半年到一年的时间去把这些知识或专业背景知识给建立起来因为在那个时代其实还没有这么多好像讲很老的事情但就是还没有这么多线上课程那个时候还不流行也没有这么多社群的工具大家会这样分享或是组建一个社群来说那我们学这件事情
22:54 SPEAKER_01 所以我觉得我那个时候其实这些知识背景就是我有多捞一些路然后花蛮多时间在上面而且像我很多时候的做法就是我既然有点不太清楚然后我也找不到人问我找不到适当的资源我就是直接做中学我就遇到问题然后我试做然后就有遇到问题那金融机关的规定是怎样那这个金融的特性是什么那我就从这个当中去吸取所谓的相关的知识背景出来所以 但我不建议大家这样做啦但我觉得说对我来讲这是一个蛮有效率的一件事情但我却觉得啊现在所谓的跨国理论它不是说比以前更简单我刚才可能讲了就是你现在有很多工具啊很多老师有像委员这样的社群那应该大家学这些事情都简单很多了吧对但我觉得这个还是在于个人自己本身你自己可不可以有效率的持续学习关注相对的议题能不能实际的尝一去累积跟验证一件资讯这个都是我觉得是反而更重要的事情
23:47 SPEAKER_01 虽然你取得这些资讯跟资料比以前简单多了但不代表会比以前更好的去学习使用到所以我这边其实想要问韦远因为如果他是一个在金融从业领域你是一个专业知识的人然后想要利用他对这个领域的知识的优势转换跑道到资料科学家那他就是不是城市他不是写城市的那一挂对对对那他这样子会怎么样的历程
24:14 SPEAKER_02 好那这个问题啊我刚刚提到成本嘛需要花多少付出这个可能是很多人在跨领域转职的时候或跨领域学习的时候的一个衡量对一个评估的标准好那我先讲结论啊结论就是我大概看到的例子就是你那种整个人跳过去然后可能全职学习的人大概会花大概六个月到一年这个大概是三年前的一个经验 那今年的话我觉得大概是要花一年到一年半才有办法从学习到找到工作我觉得他的思考会这样好不过我现在其实比较不建议大家是落实或者是全部的转到特定的领域当中
24:51 SPEAKER_02 会建议大家是做中学好那为什么会做中学呢因为我觉得我们要思考不单单是这个成本我们要思考的应该是机会成本那机会成本的意思就是你可能会想说我原本是什么背景那我想要跳到某一个领域当中那我需要花多少时间我需要学习什么好你可能会觉得这个东西很长那他的这个CP值高不高你会评估嘛 但机会成本的意思就是如果你不这样做那你的另外一条路的选择会是什么那以我自己的经验而言像我从一开始的工作就是在新创公司然后在这个一路这个工作到现在也是在不同的新创公司去做这个换工作这样好那
25:29 SPEAKER_02 我的机会成本就是如果我不走这条路那像我的同学他们可能会进哪些公司他的这个升迁的待遇可能会是什么那这个就是一个我在选择的指标或我在选择的评估的标准嘛所以像刚刚我们的听众可能比较多可能是商馆背景或对金融领域有兴趣的朋友们那你可能会思考就是说那 今天你在这个金融领域当中持续的深耕不同的技能或经验VS就是你去学习这些资料科学的方法或资料科学的技能的时候那你的优势是什么然后你这样做能不能对你走原本的条路得到更好的成就这可能是我会建议大家的一个想法这样
26:08 SPEAKER_02 那最近也很多人会问我另外一个问题就是如果走前面那条路我觉得它的风险会比较高或者它的难度会比较大原因是因为你走左边那条路你要竞争的就是在那个产业里面很有经验的人那 如果你要竞争在这些产业里面很有经验的人的话那势必的就是你会严谨然后走相同的路径然后去有点像是这个模仿吗对 接班梯队的概念就是你要往上爬你一定是要这个上面的人在往上爬一层一层的往上你才有办法出来嘛我觉得这个是在科技产业或半导体或是在大公司里面很常出现的一个现象好
26:44 SPEAKER_02 那我觉得如果你是这个可能五年前十年前的朋友们其实你已经在这个接班梯队当中是没有什么问题的 那如果你现在是一个小朋友你是个20岁刚毕业或20几岁刚毕业的大学毕业生的话那对于你而言你要加入到那个接班梯队当中还是你试图可以杀出一条邪路自己开一个队这样对就是你去找出一个可能你自己的赛道因为像现在很多这种跨领域的那这种跨领域它可能就是不是一个新的我们常常会说像现在AI刚出来
27:17 SPEAKER_02 那你现在学习AI你就是这个AI原生代嘛那这个赛道当中可能就没有你的这个前辈或前面的对手嘛或者像什么像是可能你觉得AI对人家太难那没关系啊你去做AI在金融领域当中的应用那这个时候你就会慢慢走出一条你自己的路嘛或者是慢慢的细分因为我觉得像现在是一个分众时代嘛所以除了你去看这些大家所学习的学习路径之外 那你要想办法去挂钩你自己擅长跟你自己独有的我觉得这个才会是一个更容易跳出来而且我觉得这个是我会对可能刚入行或者是更年轻的朋友的一个建议就是先想办法把你的技能数扩展然后有更广的选择之后你再慢慢的去聚焦在你可能对哪一个方面比较有兴趣然后再去深耕这样
28:01 SPEAKER_01 所以等于是就是尽量去多开一点然后最后再找一条属于自己的赛道然后在那边努力这样子吗嗯对对对大家听完委员这样讲我大概可以理解为什么我所接触的金融业的一些人啊都会想要转职到这条科学这个领域因为我觉得金融业在过去它是相对比较传统所以说甚至我们可以讲因为他们的过去金融业就跟我们讲你内部的工作其实都比较偏稳定或是一些东西因为它变成 也可以说保守啊但他们就是尽量不会让东西有太多的变化但近几年来你看Fintech兴起包括有一些银行开始在做数位转型等等让超快过来之后原本对于资料科学家的需求其实没有很大然后开始慢慢的这个需求开始变大之后他们会发现他们如果变成了资料科学家之后可以对不管是这个银行或他职务上的一个专业能力的改变的话都会是一个非常大的提升
28:52 SPEAKER_01 所以我觉得是因为刚好在这个时期一点金融业开始在做一个转型所以要刚好搭配这个领域的热潮之后所以整个需求能力起来所以才会有这么多原本他觉得他做的事情都是routine嘛就只是不断地看资料跟顾客交流等等他就会想要跨到资料科学的领域来
29:09 SPEAKER_00 好的那第一部分呢我们其实聊了很多概念上的知识节目的第二个部分呢我们要来聊一些落地性的事情究竟资料科学应用在金融领域当中会遇到什么样的困难呢那我们就从资料科学的领域切入来谈一下金融业在资料科学的应用尝试以及落地吧 那谈到资料科学用在金融交易当中我们来聊一下目前的状况目前银行业应用资料科学的法规面似乎遇到了某些困难哦那就请Mark跟各位听众分享一下
29:45 SPEAKER_01 对啊 资料科学它在金融领域它当然就是一个非常强大的工具但同时间它还面临很多法规上的一些挑战因为我们都知道金融业它其实是本身就是一个很受高度监管的一个行业那么新技术的应用它都必须要在我们的金管会的严格的法规跟框架下进行来保护我们民众在使用金融服务的一个稳定性跟不会被权利这些的问题可以确保整个市场的公正性还有透明度的问题 首先资料的隐私权的保护就是一个主要的问题比如说欧洲的GDP它就是对于数据的处理提出一个严格的限制要求机构在处理个人数据的时候必须能够保护消费者的一个隐私权来就我们谈到所谓的囤可解释性的问题当金融机构用比较刚才讲的一些复杂的算法跟继续学习的方式来做出所谓的比如说像是信贷决策或是风险评估等等
30:41 SPEAKER_01 这些决策的透明度啊跟可解释性就非常的重要那监管机构和消费者就需要能够理解说这模型到底怎么运作的你怎么从资料提来做这个决策的以及他的决策是基于何种标准来维护我们消费者一些权利来取得消费者的训论那这个最主要的要求是蛮为重要的那最后一个就是其实不只是台湾啊 他需要要求资料科学模型你必须公平不能对特定的族群或群体造成歧视那这个就是所谓的我们现在目前的金融机构他在设计跟部署的时候他就会思考这些问题好那委员过去你有听过这些困境吗
31:19 SPEAKER_02 好 我觉得在谈这个问题的时候我觉得比较严肃就是因为不同的产业它有不同的一些道德的标准或者是法规的标准那尤其在金融产业当中尤其在这个医疗产业当中都有类似遇到的状况就这种跟人跟钱比较有关的都会有这样的状况 所以我自己比较希望大家了解的比较像是说,我除了知道AI可以做什么,除了知道资料科学可以做什么,那更希望的是反过来知道,那到底他们不能做什么,他的边界是什么,他的限制是什么,那我从边界跟限制去思考,那到底我们能够做什么?
31:55 SPEAKER_02 我觉得这个是我们的另外一个可以思考的面向所以像我常听到在金融产业里面可能你不知道有在用但其实都有在用我们在做那个聊天机器人里面的可能客服或者是我们在做的是投资交易的建议就是这些东西啊以前可能需要有人需要有专业知识的这种金融的领域的判断但其实慢慢的大部分的银行都有类似的team会导入AI的方法或导入资料科学的方法 但他们共同面临到的问题就是它的不稳定性太高那不稳定性太高就是有的时候可能不好解释有的时候可能结果有错所以它很难直接被推到第一线的使用者面前那会有这个原因是因为发想这个题目或这个的时候它其实抱持的是一个我想要
32:43 SPEAKER_02 取代人或者我想要去取代现有的工具所设计出来的所以我自己会把它比较想象成是一个它可能是一个不了解AI模型或不了解资料科学的模型的情况下我们可能会基于原本的想法去设计出来的一个资料工具所以就会有这样的困境现在会比较希望鼓励的是大家去拥抱AI的同时然后我们去了解它的极限它的边界在哪里然后我们去找出说那 AI怎样跟这个人类世界共存那AI能够帮助人类做到的事情是什么所以我举个例子像现在大家有用过这个ChatGPT那大家从ChatGPT应该会有一个心路历程上的改变从一开始他很厉害什么都能够回答到现在会分成两种了一部分的人是发现他真的很厉害我会去使用他但是他的问题可能回答的不够好所以我就把他变成我能够用的
33:36 SPEAKER_02 那一群人就會發現他遇到問題他回答不好那我還不如自己研究自己上網Google我就會分成這兩派那我覺得像是現在資料科學或者是AI在各個領域當中所遇到的挑戰先了解這個模型它的限制跟極限在哪裡然後你才能夠把它帶到你想要它回答的問題然後把它轉個彎就可以解決你的問題所以像剛剛有提到可能像是 克服嘛那克服以前我们可能会期待的是这个AI工具他能够这个百分之百回答你的问题那在这样的前提的情况下他可能就很难做得很好那如果我们换个弯我们能够做的事情是他可能可以先过滤掉你的帮你筛选掉可能百分之多少的问题的时候他在进入到真人的时候那他这个时候他的效果可能就还是有一样的一定程度的提升所以我觉得比较像是
34:25 SPEAKER_02 AI工具他没办法马上取代人类那或者他没办法直觉的取代人类但是我们要去了解他然后试着把他换一个方向然后让他有帮助人类做的好这个比较是我会想的一个想法跟建议这样
34:40 SPEAKER_00 那Mark其实刚刚在就是提到困境方面有提到三个嘛包含隐私跟保护透明度跟可解释性还有非歧视的法规要求那想要问委员说针对这样的现状跟困境可以跟我们分享几个应用方法或是解决方法吗
34:57 SPEAKER_02 我觉得这个是一个矛盾就是你要用资料而且你要用大数据它本身一定就会有这种隐私的问题只是说这个问题不是只有我们会遇到就连OpenAI这样大型的公司它也会遇到所以这个我觉得比较像是从政策面或从法规面我们知道说它能够做什么跟它不能够做什么 有时候也需要思考说但是这个东西它是不是能够直接的面向用户或者是它需要做什么样的保护机制来避免哪些是不能让用户知道的我觉得它比较像是从这个制度上面去做一些防堵这样刚才听完无言这样讲我觉得其实我们可以把今晚会拉过来然后听讲讲
35:35 SPEAKER_01 没有我觉得有一部分其实像这些法规的需求就有一个是他想要找到谁可以为这一个做出负责任因为一旦出事了比如我们刚才讲的投资决策那他一旦出事了比如说客户赔钱了他就说为什么为什么你要做这个买的需求出来那我买了结果我赔钱那谁负责他就说这是AI负责 然后这件事情如果对于监管机构来讲他就说我找不到人负责这件事情其实他很恐慌因为过去他的角色来讲就是民众有问题我帮你跟金融机构惩罚他但问题是现在没有人可以被惩罚对金融机构说这是AI弄的哦泄露数据是AI泄露的哦不是我那等等那所以我觉得这个是有一个就是刚才委员讲的
36:14 SPEAKER_01 就是到底这个工具它使用边界在什么地方什么是可以什么是不行的我觉得这个是监管机构来讲它可能必须要能够体论跟学习的事情所以其实我们也刚好都在这个时代在我们的监管机构也必须要能够前进然后监管机构在前进所以我觉得应该会有一阵的磨起那目前看到这几个状况其实都是监管机构它基于它的监管要求所需要设定出来的条件那可能就是说未来就是我们在发展AI或是这些模型的过程当中它就会基于这一个所提出的限制跟部署的一个计划
36:44 SPEAKER_00 所以我想未来应该会越来越好那节目的第二个部分呢我们聊了资料科学在金融领域的应用会遇到的困难以及相应的想法节目的最后呢我想要请维原跟马尔分别给想踏入资料科学领域的听众一些建议或是探索的方向
37:00 SPEAKER_02 好那我先跟大家分享我的想法就是就像刚刚一直跟大家提到就是我觉得在整个资料科学的路上它的技能很多所以你一定永远学不完所以我会建议大家先开始学然后找出一条适合你的路径然后慢慢的点出一条专属于你自己能够看到你优势的技能数然后拉出你跟别人不一样的赛道这是我会给大家的建议
37:26 SPEAKER_01 那我的话呢我会希望如果读者对这个有兴趣的话你一定要去实作你不要只是读取或吸收知识强势地去参加一些合作的project会对你的成长蛮有帮助的OK那我们也非常欢迎听众从资料科学家的工作日常来获取新知哦
37:44 SPEAKER_02 之前比较多都是做Instagram或者是YouTube直播跟Facebook然后去年开始我做了LINE群跟Discord的社群就双向互动的讨论那我在今年也开始做了Podcast节目跟电子报透过资料人分享人工智慧时代下的所见所闻那如果大家有兴趣的话都可以欢迎去订阅追踪
38:05 SPEAKER_00 OK
38:05 SPEAKER_01 那今天的节目呢很开心可以邀请到网站开发与资料科学的双期工程师同时也是资料科学家的工作日常的创办人为人来到我们的节目哦各位听众如果对内容有任何想法与问题欢迎到Instagram搜寻马克解读金融科技留言告诉我们如果喜欢我们的Podcast欢迎按赞分享用科技改变金融生活 走在金融浪潮最前端我是Debbie我是Mark这里是马克解读金融科技我们下次见