[เนื้อหายาวมาก] เปลี่ยนสายมาเป็น Data Scientist เริ่มตรงไหน ทำยังไงได้บ้าง?
สำหรับคนที่ไม่ได้จบสาย Data มาโดยตรง ถ้าคุณสนใจที่จะข้ามสายมาทำงานด้าน Data แต่ไม่รู้จะเริ่มจากจุดไหน ดูจากโพสต์นี้กันได้เลย!
ข้อมูลทั้งหมดนี้มาจากไลฟ์ [ X Career : ข้ามสายTalk EP.5] “เปิดสูตรลับ ก่อนจะข้ามสายไปเป็น Data Scientist” กับอาจารย์ ดร.อรรถพล ธำรงรัตนฤทธิ์ หรือ อ.เต้ Lead Data Instructor at True Digital Academy โดย CareerVisa Thailand X True Digital Academy
หนึ่งในสายงานที่กำลังมาแรงมากที่สุดสายหนึ่งในปัจจุบันก็คือ งาน Data Scientist เพราะการใช้งาน Data ถูกนำมาใช้กับอุตสาหกรรมต่างๆ มากมายในปัจจุบัน แต่ว่างานในสายนี้จริงๆ ก็มีอีกหลาย Area ให้เลือกทำ
“Data Scientist” เป็นศาสตร์ที่กำลังกลายมาเป็นเทรนด์หลักของโลกใบนี้ วันนี้เราได้มีโอกาสพูดคุยกับตัวจริงในแวดวง Data Scientist อย่าง อ.เต้ ดร.อรรถพล ธำรงรัตนฤทธิ์ อดีตนักเรียนทุนรัฐบาลที่ได้ไปเรียนต่อที่มหาวิทยาลัย Stanford ในเอก Symbolic Systems จากนั้นก็ต่อปริญญาโทและเอกในด้านการประมวลภาษาธรรมชาติ หรือ NLP (Natural Language Processing)
มีประสบการณ์การทำงานเป็น Software Engineer อยู่ที่บริษัทใน Silicon Valley อย่าง Yelp และ LinkedIn ปัจจุบันเป็นทั้งอาจารย์สอนวิชา Computational Linguistics อยู่ที่ภาควิชาภาษาศาสตร์ คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย และ Lead Instructor ที่ True Digital Group
เส้นทางอาชีพกว่าจะมาทำงานในสาย Data
=========================
แม้เราทราบประวัติคร่าวๆของ Guest Speaker กันไปแล้ว แต่มีประเด็นดีๆ สนุกๆ ที่เราอยากนำเสนอเพิ่มเติมจากการบอกเล่าประสบการณ์ของอ.เต้
อ.เต้เป็นคนข้ามสายอย่างแท้จริง เพราะถึงแม้จะจบมาเป็น Software Engineer อ.เต้ ไม่ได้มาจากสายวิทย์-คณิต ด้วยซ้ำ ตอนเรียนม.ปลาย ที่เตรียมอุดม อ.เต้เรียนสาย ศิลป์-ฝรั่งเศส เพราะเป็นคนชอบภาษามาตั้งแต่เด็ก ตอนเรียนที่ Stanford อ.เต้เลือกเรียนในเอก Symbolic Systems ซึ่งเป็นสาขาที่ยาก ส่วนมากมีแต่คนที่เก่งอยู่แล้วมาเรียน แต่ด้วยความที่ให้ความสำคัญกับสิ่งที่ตนเองสนใจมากกว่าเรื่องเก็บเกรด ทำให้การเรียนรู้ไม่มีข้อจำกัด ด้วยความมุ่งมั่นประกอบกับความไม่ย่อท้อนี่เองทำให้อ.เต้ ได้เป็น Expert ด้านนี้ในเวลาต่อมา
อ.เต้ให้ความสำคัญกับการเรียนรู้ เมื่อมีโอกาสดีๆ ก็คว้าไว้อะไรทำได้ก็ทำ เช่น ตอนเรียน ป.โท ป.เอก อ.เต้ได้มีโอกาสเข้าไปทำงานที่แล็บของอาจารย์ที่มีความสามารถ ทำให้ได้ความรู้เพิ่มเติมมาเสมอ ระหว่างที่กำลังเรียนจบปริญญาเอก มีเพื่อนที่ทำงาน Refer งานที่บริษัท Yelp มา อ.เต้จึงได้เริ่มทำงานแรกในตำแหน่ง Software Engineer
เมื่อตอนทำงานใน Silicon Valley เริ่มจากที่ Yelp การทำงานจะเป็นลักษณะของการ Review Highlight ถ้านึกไม่ออกให้นึกถึง Wongnai คือ เป็นการดึงข้อมูลปริมาณมากจากการรีวิว มาจัดระบบทำเป็น Highlight เพื่อทำให้ร้านค้าหรือบริการนั้นน่าเชื่อถือ เพิ่ม User ให้เข้ามา Inform ถือเป็นการทำ Data Product อย่างหนึ่ง ส่วนงานแห่งที่ 2 ที่ได้เข้าไปทำคือ Linkedin ยังคงทำในตำแหน่ง Software Engineer แต่แค่เปลี่ยนรูปแบบข้อมูลเป็นทำเกี่ยวกับเรซูเม่แทน
หลังจากสั่งสมประสบการณ์ใน Silicon Valley อ.เต้ก็เติบโตก้าวหน้าในสายงานเรื่อยมา จนกลับเมืองไทยมาเป็นทั้งอาจารย์สอนวิชา Computational Linguistics อยู่ที่ภาควิชาภาษาศาสตร์ คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย และ Lead Instructor ที่ True Digital Group มาถึงปัจจุบัน
อาชีพในสายงาน Data มีอะไรบ้าง ต่างกันยังไง?
============================
1. สาย Data Analytics
คนที่นำข้อมูลจาก Big Data มาวิเคราะห์เพื่อช่วยในการดำเนินธุรกิจ หรือตามวัตถุประสงค์อื่นๆ ที่ต้องการ คนที่ทำหน้าที่นี้จะต้องสามารถนำข้อมูลมา Visualize เพื่อ Make Business Decision ได้ กล่าวง่ายๆคือ ต้องสามารถตั้งสมมุติฐาน หาคำตอบ และที่สำคัญคือมี Recommendation เพื่อที่จะแนะนำสิ่งที่ควรทำต่อองค์กรได้
2. Data Analyst
คน Define ปัญหา รู้บริบทขององค์กรที่ทำ สามารถกำหนด Metrics ว่าจะจัดการ Data ที่มีอยู่อย่างไร ดังนั้น ทักษะ Visualization และ ความรู้ด้าน Business จึงสำคัญมากสำหรับสายงานนี้
3. A.I. Engineer
คนที่อยู่ Back End ทำโมเดลเพื่อ Predict หรือสร้าง A.I. Product โดยจะต้องใช้ทักษะการ Prediction, การ Extract Skill เพื่อนำมาใช้สร้าง Product ที่ใช้ Data เยอะๆ โดย A.I. Engineer ต้องมีความรู้เรื่อง Machine Learning และต้องเขียนโค้ดได้เพราะต้อง Deploy Model เพื่อนำสิ่งที่สร้างไป Launch จริง
4. Data Engineer
คนที่รวบรวม จัดระเบียบข้อมูลจากแหล่งต่างๆ ให้เป็นระบบ ลำเลียง Data มาอยู่ที่เดียวกัน, Clean Data ทำให้ Data อัพเดต ถูกต้องอยู่ตลอดเวลา ไม่มีตัวซ้ำ ตัวแปลกปลอม เพื่อให้ Data Scientist สายอื่นๆ สามารถดึงข้อมูลไปใช้ได้ ต้องใช้ทักษะในการเขียนโปรแกรมเยอะ เขียนโค้ดเยอะ
ทักษะที่ขาดไม่ได้สำหรับ Data Scientist
========================
ความรู้ด้าน Business : (รู้จักที่จะ Provide Value ด้วย Data)
Machine learning (ต่อให้ไม่ใช่ A.I. Engineer ก็ต้องรู้ว่า Data จะถูกใช้ยังไง จะได้เลือกคลีนถูก จัดเก็บถูก)
การ Coding (เขียนโค้ด เขียนโปรแกรม เป็นภาษาที่ใช้ของงานสายนี้)
Statistics & Data Visualization (การคิดคำนวณไปถึงการนำเสนอข้อมูลด้วยกราฟ, สถิติ, Dashboard)
ซึ่งสกิลทั้งหมดไม่ใช่ทุกคนจะต้องเก่งทุกอย่างแต่ต้องรู้พื้นฐาน และวิธีการคร่าวๆ เพราะการทำงานจะต้องมีทักษะเหล่านี้มาเกี่ยวข้อง ซึ่งจะเน้นหนักไปทางด้านไหนนั้นขึ้นอยู่กับสายงานที่ทำ
สาย Data Analytics : เน้น Data Visualization และต้อง Expert ด้าน Business
สาย AI Engineer : เน้น Machine Learning + Coding แต่ถ้ารู้ Business ด้วยก็จะสามารถ Scope โปรเจค ช่วยเพิ่มความเข้าใจ Users ได้ดียิ่งขึ้น
สาย Data Engineer : ทักษะ Coding สำคัญมาก ต้องเขียนโค้ดเป็นและเขียนโค้ดให้สวย สามารถเอาไปทำต่อได้ง่ายด้วย นอกจากนี้ ต้องเป็นคนที่เรียนรู้ไว Adapt เร็ว รู้ System ดีๆ เพราะบางบริษัทจะใช้ภาษาคนละภาษา มีการเปลี่ยนแปลงตลอด ซึ่งจะมีความกดดันนิดนึง แม้ตัวทฤษฎีเหมือนกันแต่ตัว Implementation ของแต่ละโปรแกรมจะมีความแตกต่างกัน
เรียนอะไรมาเป็น Data Scientist ได้บ้าง
=======================
ด้วยความที่ศาสตร์ของ Data มันกว้าง อย่างที่กล่าวไปว่าสามารถทำได้หลากหลายสายมาก ดังนั้น ไม่ว่าเราจะเรียนอะไรมา ก็ยังมีช่องว่างที่ต้องเติมเต็มเพื่อมาทำงานในด้านนี้อยู่ดี ยกตัวอย่างเช่น เรียนสาย วิศวะ/ Computer Science อาจจะมีความรู้เรื่อง Machine Learning หรือ Coding แต่อาจจะขาดความเชี่ยวชาญด้าน Statistics, Data Visualization
เรียนสถาปัตย์ฯ อยากมาทำ Data Analytics ก็ทำได้เพราะมีสกิล Data Visualization ดี แค่ต้องฝึกใช้ Tools ให้ถูก รู้จัก SQL, Python ฝึกเขียนโค้ดพื้นฐานให้พอเขียนเป็นบ้างแต่ไม่จำเป็นต้องเชี่ยวชาญขนาดนั้นก็สามารถมาทำได้
เรียนสายสังคม ก็ไม่ใช่ว่าจะทำไม่ได้ สมมุติ เรียนจิตวิทยา ซึ่งเป็นศาสตร์ที่ใช้ทั้งสังคมร่วมกับวิทยาศาสตร์ ได้ฝึกใช้ Statistics เพื่อ Deal กับ Noisy Things ซึ่งเป็นทักษะตั้งต้นที่เป็นประโยชน์มากหากมาทำงาน Data แต่ก็ต้องเสริมทักษะการเขียนโค้ด ศาสตร์การ Engineer, Modeling, Business Data Visualization เพิ่มเติมเข้าไป
เรียน Business มาก็ทำได้เช่นกัน เพราะเป็นศาสตร์ที่คุ้นเคยกับการใช้ Data มานานแล้ว แน่นอนว่าจุดแข็งสายนี้คือความรู้ด้านธุรกิจ รู้วิธีทำยอดขาย มีการหา Metrics ที่เหมาะสมได้ เพียงแต่ที่ต้องไปเพิ่มก็จะมีการ Coding หรือถ้าอยากเขยิบไปเป็น Business Intelligent หรืออยากเป็น Advance Analytic Person ก็ต้องมีการเสริมเรื่อง SQL, Python, ฝึกโมเดลพื้นๆ ให้เป็น
สรุปก็คือ ไม่ว่าจะคณะอะไรก็มาทำงานนี้ได้ แต่ต้องฝึกฝนทักษะเพิ่มเติมด้วยตัวเองตามแต่สายงานย่อยที่ต้องการทำ ซึ่งก็มีความยากง่ายแตกต่างกันไปตามพื้นฐานความรู้ที่มี คนชอบถามว่าเรียนโทที่ไหนถึงจะดี อ.เต้บอกว่าจริงๆ แล้วมีโปรแกรมให้เลือกเรียนมากมาย ถ้ารู้อยู่แล้วว่าเราจะไปทางไหน เราก็ไปเสริมส่วนที่ขาด ไม่จำเป็นต้องไปเรียนให้ครบดีกรี หรือไปเรียนรู้ผ่านธีสิสอย่างเดียว แ
สำหรับคนที่มีทั้งเวลา และกำลังทรัพย์ ที่ใกล้เคียงก็แนะนำให้เรียนด้าน Computer Science Applied Statistics หรือ Business Analytics
คำแนะนำในการเรียนรู้สำหรับคนอยากข้ามสายงาน
=============================
สำหรับแหล่งเรียนรู้เริ่มต้น อ.เต้แนะนำให้เข้าร่วมกลุ่ม Community ต่างๆ เช่น กลุ่ม Facebook Data Science BKK มีหลายคนทำ Youtube สอนออนไลน์ฟรีมาแบ่งปันกัน บางคนทำแยกเป็นคอร์สๆ ก็มี ราคาไม่สูงมาก แต่ก็มีข้อเสียคือมันเยอะไปหมด ไม่รู้จะเรียนอะไรก่อน อาจจะต้องมีคนที่ช่วยไกด์ และตัวผู้เรียนเองก็ต้องมี Motivation ที่สูงด้วยเช่นกัน
สิ่งที่ยากที่สุดคือตอนแรกเริ่ม จำเป็นที่ทุกคนต้องมี Foundation ที่ดี ต้องรู้หลัก ว่าจะเรียนไปทำไมแล้ว จะไปต่อยอดเองได้ยังไง คนที่ทำงานอยู่ สนใจอยากเปลี่ยนงาน ข้ามสายงาน อ.เต้ก็แนะนำว่า อย่าเพิ่งออกจากงานเดิมมาทุ่มกับการเรียน 100% ให้หาคอร์สที่ตอบโจทย์คนทำงานที่สามารถเรียนไปทำงานไปได้
อย่างที่ True Digital Academy มีคอร์สที่อ.เต้สอนอยู่แบบ Part-time เหมือนเป็น Bootcamp สำหรับคนที่สนใจ ซึ่งเป็นหลักสูตรที่ดึงมาจาก General Assembly มีโปรเจคให้ลงมือทำจริง มีการวัดผล ลักษณะการเรียนจะใช้ระยะเวลา 6-7 สัปดาห์ เจอกัน 1-2 ครั้ง เพื่อมาพูดคุยให้เห็น Overview ว่าควรจะเริ่มตรงไหน คลาสไม่เกิน 30 คน พูดคุยปรึกษาได้แบบ 1:1 หรือคนที่ Background ไม่ดีก็แนะนำให้เริ่มที่คอร์ส Analytics ก่อน มีตั้งแต่ฝึกทำ Insight, Excel, Dashboard ฯลฯ เพื่อนำไปต่อยอดกับศาสตร์อื่นๆ เป็นต้น
นอกจากความรู้ที่ต้องศึกษา สิ่งสำคัญคือการเปลี่ยนความรู้จากนามธรรมให้เป็นรูปธรรม อย่างการทำโปรเจค เพราะจะเป็นสิ่งที่นำไปใช้พิจารณาในการสมัครงาน
Data ในชีวิตจริง Set ไหนเลยที่เหมือนกัน Skills ต้องกว้าง Experience ต้องมี ความสามารถแต่ละคนจะถูก Build ด้วยประสบการณ์ที่สั่งสมมา ในยุคที่ทุกอย่างเร็วไปหมด ทุกคนอาจจะอยากเก่งได้ทันทีทันใด จึงอยากให้ทุกคนมี Mentality ว่า การจะไปถึง Goal ที่ตั้งไว้นั้น ทุกอย่างต้องใช้เวลา และยิ่งด้วย Nature ของอาชีพนี้มีแต่หนทางยาว คือต้องเรียนรู้ไปเรื่อยๆ ไม่มีที่สิ้นสุด ดังนั้นจึงขอให้มีความอดทน และไม่หยุดที่จะพัฒนาตนเอง
คำแนะนำในการทำPortfolio และสมัครงาน
=========================
ถ้าในมุมคนเลือก การสมัครงานในสายงานนี้ Skills ที่จะวัดเป็นสิ่งที่คาดเดาได้ยากว่าเราอยู่ระดับไหน ดังนั้นควรต้องมีอะไรมา Convince ว่าเราทำได้จริงๆ และยังขึ้นอยู่กับช่วงของ Career Path ด้วยจะมีเกณฑ์การเลือกที่แตกต่างกันไปอีก
ยกตัวอย่างเช่น เด็กจบใหม่ ผลการเรียน/เกรดยังสำคัญ เพราะเป็นสิ่งที่แสดงความรับผิดชอบ ความเป็น Good Learner ตอนสัมภาษณ์อาจจะต้องเป็นดูรายวิชาเลยด้วยซ้ำ ว่าเรียนอะไรมา และสถาบันที่จบก็บอกตามจริงว่ายังมีผลเช่นกัน
นอกจากนี้การสมัครงานผ่าน Referral ก็มีโอกาสสูงกว่า เพราะจะได้รับความเชื่อมั่นในระดับหนึ่ง ดังนั้น การเข้าร่วมเป็นส่วนหนึ่งในคอมมูนิตี้ การแลกเปลี่ยนประสบการณ์ความรู้ แชร์ผลงานให้ตนเองเป็นที่รู้จักในวงการ Data ในไทย ก็เป็นสิ่งที่ควรทำ หากคิดว่าตัวเองขาดบางสิ่งในการสมัครงาน เช่น ผลการเรียนดีไม่สู้เท่าคนอื่น คุณก็ต้องเอาอย่างอื่นมาทดแทน ทำพอร์ตให้เยี่ยม มีพอร์ตอยู่บน GitHub แสดงให้เห็นว่า สิ่งที่คุณทำเป็นการบอกว่าคุณพูดภาษาเดียวกันกับเรา
สรุปสำหรับคนอยากทำงานในสาย Data
=======================
จะเห็นว่าศาสตร์ของ Data Science นั้นกว้างและหลากหลายกว่าที่คิดไว้มาก ไม่ว่าจะเรียนจบอะไรมาก็สามารถผันตัวมาทำงานสาย Data ได้ทั้งสิ้น แต่ในขณะเดียวกัน ไม่ว่าจะเรียนสาขาหรือวิชาใดก็ไม่สามารถเป็น Data Scientist ที่สมบูรณ์แบบได้ทันทีทันใด เพราะ Data Scientist ต้องรู้รอบด้าน จึงต้องเพิ่มเติมทักษะอีกหลากหลายด้าน ซึ่งต้องอัพสกิลมาก-น้อยขนาดไหนจะแตกต่างกันไปตามสายงานย่อย ซึ่งจะแบ่งเป็นสามสายหลัก ได้แก่ สาย Data Analytics สาย A.I. Engineer และ สาย Data Engineer สิ่งที่สำคัญของอาชีพนี้คือการเรียนรู้ที่ไม่หยุดนิ่ง เพราะการทำงานมีการเปลี่ยนแปลงตลอดเวลา คนที่ทำงานสายนี้จึงต้องอดทน เรียนรู้เร็ว และปรับตัวให้เท่าทันการเปลี่ยนแปลงได้นั่นเอง
ช่องทางการติดตามข่าวสารจาก CareerVisa
Website : www.careervisathailand.com
Facebook : CareerVisa Thailand
LINE OA : @CareervisaTH
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
