IT 人會不會被AI人工智能取代？近年來，隨著人工智能技術的不斷發展，許多人擔心自己的工作可能會被AI取代。目前，許多AI技術已經能夠完成軟件開發的某些部分，因此有人認為，軟件工程師的工作可能會被AI取代，飯碗也可能不保。 AI 人工智能會取代IT人的想法，可能源自於大家對軟件工程師工作及AI的理解不夠充足。 AI技術的發展引發了對於軟件工程師職業前景的擔憂。然而，軟件工程師的工作並非像一些人想象的那樣容易被AI取代。讓我們嘗試解釋為何AI無法取代軟件工程師吧（至少不能大規模地取代）。 要了解AI 人工智能能否取代IT人，首先我地要知道AI 是如何學習的。AI學習是透過大量相似開源數據學習相對重覆的事物，請留意重點，是「大量」，「相似」，「開源」數據。例如認人，搜尋法律案件，分析病人身體數據，等能力。但如果一個只被訓練認人的AI，見到一張猩猩的圖片，它未必即時辨認到這張圖片中的不是人類。又或者一個被訓練分析香港法律的AI，突然香港有需要增加一條法例，AI並不能夠根據一條新的法例提供準確意見。 以上東西都可以有大量數據的原因，是因為人像相在網絡上可以輕易找到的。法律判刑及理據大部份都是公開的，而判刑準則大都依照以往例子。病人數據當然並非完全公開，病人個人資料是絕對保密，但除去個人資料後的血液數據或X光片等不同資料，則有醫學及研究作用，而醫生分析病情都是根據某病人的數據或檢查結果，比對以往類似病歷的病人，而得出某一病人是健康或生病以至於哪一種病的理據。以上的例子都是AI人工智能能代替人類工作的最佳例子，透過「大量」，「相似」的「開源 」或「開放」數據，而「得出結論或結果」的工作。 再以作曲為例子，AI人工智能可以透過大量例如廣東歌，再透過告訴它哪一首歌最大熱，它便可以透過以前流行大熱的歌中找一些相似的「Pattern」，例如這些歌大部份幾分幾秒會去到副歌，副歌多長，通常每段配搭多少個音節，或者靠寫該AI 的人告訴它，還有甚麼因素及Pattern能影響一首歌會否大熱，它再嘗試根據這些條件或Pattern寫一首歌。但它寫不到新的風格，或者它隨機寫到新的風格之後，它無法估計這首歌有否大熱的機會，最終仍是需要人類作最終決定。 了解到AI的原理後，我們可以再了解一下大部份IT人的工作。 軟件工程師大多數需要開發全新的系統，這樣的系統需要獨立的設計和編程，而不是重複的或者標準化的。即使有一些重複的部分，軟件工程師也需要不斷地進行優化及改進，以確保系統的安全性和可靠性。而AI技術目前主要應用於需要重複性工作的領域，例如圖像識別和語音識別等，並不適用於複雜的系統開發。 其次，企業使用的系統往往非常複雜，後台系統可以是由數十個甚至數百個系統組成的。這些系統之間需要進行數據交換和互通，且每個系統都具有獨特的特點和功能。因此，AI技術需要大量的數據來進行訓練，而企業的後台系統大多是獨一無二的，因此無法從其他系統中學習。此外，軟件工程師需要對系統進行深入的了解，才能夠開發出高品質的軟件。而AI技術目前還無法完全替代人類對系統的理解和分析。 最後，世界上大部份的IT開發都是以創新為主。例如，二十年前的Mobile Apps開發，IT人為世界創新出一系列如Uber， AirBnB，Facebook，Netflix 等全新技術，有關創新技術不但沒有「大量」，「相似」的系統或代碼 （Source
有圖有片有真相這個說法在現今世代已經不再成立。隨著AI 急速發展、deepfake 技術盛行，連烏克蘭總統都遭殃，於俄烏戰爭初期受虛假散佈的 deepfake 影片誤傳投降消息。到底 deepfake 是何方神聖？它是怎樣操作的？Deepfake 與 machine learning有何關聯？ Deepfake 是甚麼？ Deepfake （深偽技術），又名深度偽造，是利用 AI 中的 deep learning（深度學習）影片中的人物表情，將已有的圖像或影片覆蓋到目標圖像或影片上。加上聲音偽造即可以假亂真，製造出讓任何人說出任何話的虛假影片，就如烏克蘭總統的投降影片。 Deepfake 透過自動編碼器（Autoencoder）生成，加以融合生成對抗網路（Generative
以前我們說「電腦會否取代人類」，但現在我們說「AI (人工智能)會否取代人類」。前者多年前經已被廣泛地討論，多年來「電腦」一直協助人類工作做得更好。直至 AI (人工智能) 的出現，我們再次響起「會否被取代」這個警號。 以往我們會書寫信件與朋友來往，快則兩天，慢則十天八天。現在我們只要利用科技，便能與朋友即時通訊。人類對科技經已變得非常依賴，沒有再好得過「既方便又快捷」。 科技有很多好處，不僅減少過程中的複雜性、避免錯誤，還能減少資源浪費。更重要的是現今我們均追求「速度」，我們比起以前更沒耐性，什麼都要「即時」。 科技融入生活細節，加速了我們的生活節奏。而科技技術更不斷進化，功能更上一層樓，講求「自動化」，比起「方便」更加「方便」。自動化的科技使人類生活逐步走向 AI (人工智能) 的時代，AI 的設計能夠輔助一些重複性的工作、複雜性不高的職業。我們試試留意身邊的生活環境，便能察覺到其實 AI 技術已經慢慢逐漸滲入我們的日常生活之中。例如，飲食業出現智能機械人，酒店 Room service 亦有機械人代勞了。 另一個被 AI 影響的例子，便是我們開始時說到的通訊。當我們溝通時，Chatbot
上回解釋左究竟數據科學, 大數據, 數據分析係咩東東。今次就講下佢地實質作用。 #數據科學 由於我地冇可能會預測到未來會發生咩事，所以我地需要數據嚟預測未來嘅趨勢。數據科學其實係結合咗統計學、數據分析同埋機器學習嘅方法，利用數據對實際現象進行理解同分析; 根據過去嘅模式預測未來，數據科學家檢查來自多個無關聯嘅數據庫，利用提煉出嚟嘅Data，再加上機器學習模型(Machine learning)，程式設計嘅技術例如SAS, R, Python 嚟建立出一個預測模型(Predict Model)，搵到可用於業務嘅連接。數據科學通過嘗試搵到新嘅模式同視角，深入了解未知世界。 #大數據 大數據意指資料嘅規模巨大，以致無法透過傳統嘅方式係一定時間內進行儲存、運算與分析。大數據嘅特性歸類為「3V」，包括資料量（Volume）、資料類型（Variety）與資料傳輸速度（Velocity）。大數據一般狹義係資料量係100TB到PB之間。大數據技術嘅作用就係利用Java, Scala, Mongo DB 黎構建大規模數據處系統黎儲存多元、種類繁多嘅數據，更快更有效率咁開發演算法同進行分析。大數據需要全新嘅處理方式，以新型嘅儲存運算方法分析數據同埋產出溝通圖表，並將該分析結果視為一種戰略資產。 #數據分析 數據分析嘅功用就係幫我地處理同匯總數據，洞悉先見。由於傳統嘅統計分析，難以應付海量嘅數據同種類，只有透過機器學習，以電腦演算法進行分析，先至能夠更快同更有效率地達成比以往更深入嘅分析 ！
近年人工智能嘅發展，大大提升咗公眾對數據應用嘅興趣，但有好多人都係對AI範疇一知半解。今次同大家講下數據科學、大數據、同埋數據分析到底係有咩分別！ #數據科學 係數據科學嘅世界裡，由於有龐大嘅數據同海量資料在內，Data science 嘅工作抱括揬掘大量嘅數據，從中探索數據中隱藏嘅Pattern，以辨別出唔同嘅行為模式，係呢個過程中，就需要唔同技術嚟分析呢D龐大嘅數據資料，包括編程、統計同埋機器學習演算法等。呢個精鍊嘅過程就有如由原油提煉石油般，從最Raw 最原始嘅材料提鍊出有價值嘅數據資料庫！ 其實從Data提鍊出有用嘅資料並唔係一D革新嘅概念，一向Data mining 同數據統計都係用類似嘅技術嚟預測未來。 #大數據 由於AI 時代嘅誕生，因而衍生出無窮無盡嘅大數據，從而有更多樣化嘅數據，處理嘅技術需要更為精準，包括捕獲數據、數據存儲、數據共享同數據查詢等等。早期大數據係過去十年廣泛用係企業內部嘅資料分析、商業智（Business Intelligence）同埋統計應用。但係而家嘅大數據已經唔單止係資料處理工具，更係一種企業思維同商業模式，因為資料量急速成長、儲存嘅設備成本下降、軟體技術進化同埋雲端環境成熟等種種嘅客觀條件，先可以讓資料分析由過去嘅洞悉歷史進化到預測未來，甚至係破舊立新，開創前所未見嘅商業模式。 #數據分析 即係透過提煉番黎嘅數據，用黎執行數據統計分析，得出結論並解決問題。係咪都係唔明呢？講白D，數據分析嘅工作即係「要讓數據說話」，話俾我哋知透過呢D數據我哋嘅後續應該要點做。後續嘅反應啱咗之後，即係話數據分析係正確嘅，反之亦然。透過後續嘅檢討，再修正數據分析嘅方法。 下次我地會講下具體用處同價值！
隨著大數據、人工智能的興起，越來越多人對數據科學有興趣，而且有意入行。學習一種編程語言當然是最基本的。 近幾年，編程語言越來越多，但每一種人工智能都來去如風，似乎沒有一種語言能叱咤風雲。SQL, R, Javascript, C# 等等其實一早在數據科學領域已經有一定的認受性，那麼為甚麼仍然有越來越多人選擇學習Python呢？ 其實主要是因為它的多功能性。Python有超過十萬的數據庫，令傳統的網頁開發至新穎的機器學習及AI變得更易上手。所以，Python已經成為了數據分析的首選語言，因為熟悉Python語法和規則的人，都會懂得運用多種工具來操作及可視化數據。例如: Panda, NumPy, Matplotlib 等等。 誰有學習Python的權利？ 當然是沒有人擁有學習Python的權利！ 學習Python的終極目標未必是因為要做數據科學家或軟件工程師的。數據推動的決策正在融入很多公司的文化，所以Python在很多非技術領域都被廣泛應用。而且，對很多專業人士，例如：市場推廣、業務拓展、項目主任、銀行家或創業者的思維及解決難題方面都很有幫助，可以訓練他們作出更快更準確的商業決定。
Every year, Glassdoor releases a report based on each job’s overall satisfaction in the US. Data Scientist warranted the second
Posts navigation
The information contained in this website is for general information purposes only. This information is provided by Venturenix and while we endeavour to keep the information up to date and correct, we make no representations or warranties of any kind, express or implied, about the completeness, accuracy, reliability, suitability or availability with respect to the website or the information, products, services, or related graphics contained on the website for any purpose. Any reliance you place on such information is therefore strictly at your own risk.
