- สรุปเนื้อหา AMA ของ Staff Data Scientist ในบริษัทเทคขนาดใหญ่ ที่ตั้งอยู่ในซิลิคอนแวลลีย์ สหรัฐอเมริกา จากช่อง Reddit DataScience
- จบ ปริญญาเอกด้านสถิติ มีประสบการณ์ราว 10 ปี ผ่านทั้งสตาร์ทอัพ ยูนิคอร์นก่อน IPO และบริษัทระดับ FAANG
- ทำงานในสาย IC (Individual Contributor) เป็นส่วนใหญ่ แต่ก็มีประสบการณ์ด้านการจัดการอยู่บ้าง
- เชี่ยวชาญหลักในด้านแมชชีนเลิร์นนิง การทดลอง/การอนุมานเชิงสาเหตุ และการวิเคราะห์ข้อมูล
สรุปคำถามและคำตอบสำคัญ
คุณค่าของปริญญา PhD (เอก)?
- การมีปริญญาเอกช่วยได้ในงานแรกหรือช่วงต้นอาชีพ แต่เมื่อมีประสบการณ์มากขึ้น อิทธิพลของวุฒิก็จะลดลง
- ภาคอุตสาหกรรม (โดยเฉพาะซิลิคอนแวลลีย์) ให้ความสำคัญกับความเร็วและคุณค่าทางธุรกิจ โดยเน้นความใช้งานได้จริงมากกว่าความเคร่งครัดเชิงวิชาการ
- ถ้าต้องตัดสินใจใหม่อีกครั้ง ก็คงไม่เลือกลงทุนมากกว่า 5 ปีเพื่อทำปริญญาเอก เพราะเทรนด์อุตสาหกรรมและการพัฒนา AI เปลี่ยนเร็วมาก
- ตำแหน่งวิจัยด้าน AI จำเป็นต้องมี PhD แต่สำหรับ บทบาท DS/ML ที่เน้นโปรดักต์นั้น แค่ MS/BS ก็เพียงพอ
เส้นทางอาชีพและการพัฒนาประสบการณ์
- หากต้องการ เลื่อนจาก IC ไปสู่ระดับ Senior ขึ้นไป ต้องสร้างอิทธิพลให้กว้างเกินกว่าทีมของตัวเอง และมีส่วนร่วมในระดับกลยุทธ์/องค์กร
- การสร้างความน่าเชื่อถือ การนำโปรเจกต์แบบ cross-functional (ทำงานร่วมหลายฝ่าย) และการสร้างความสัมพันธ์กับผู้บริหาร/ผู้จัดการเป็นเรื่องสำคัญ
- หากต้องการ ประสบความสำเร็จในสตาร์ทอัพ: ต้องเป็นคนสารพัดด้านที่ทำได้หลายบทบาท (ML แบบ end-to-end / data pipeline / analytics) และต้องมีแพสชันต่อธุรกิจ
- ช่วงต้นอาชีพ ทักษะเทคนิคสำคัญกว่า แต่ในช่วงกลางถึงปลายอาชีพ ความรู้โดเมน รวมถึงการสื่อสารและภาวะผู้นำ จะสำคัญมากขึ้น
อนาคตของนักวิทยาศาสตร์ข้อมูลและ AI
- AI กำลังแทนที่งานง่าย ๆ / งานซ้ำ ๆ อย่างรวดเร็ว แต่สำหรับนักวิทยาศาสตร์ข้อมูลที่มีความสามารถแกนหลักชัดเจน กลับยิ่งโดดเด่นขึ้น
- หลังการนำ Generative AI มาใช้ วิธีการทำงาน (เช่น การเขียนโค้ด การเขียนเอกสาร) เปลี่ยนไปบ้าง แต่ บทบาทหลัก (เช่น การวิเคราะห์ การสร้างโมเดล) ยังคงมีความสำคัญ
- ในอนาคต AI อาจเข้ามาครอบคลุมพื้นที่งานมากขึ้น แต่ ความสามารถในการแก้ปัญหาซับซ้อน การตีความโดเมน และการสื่อสาร ยังเป็นเกณฑ์สำคัญของคนเก่ง
การทำงานจริงและวัฒนธรรมองค์กร
- ความสำคัญของ การอนุมานเชิงสาเหตุ/การทดลอง (AB Test) แตกต่างกันไปตามโดเมน หากเป็นสภาพแวดล้อมที่ทำการทดลองไม่ได้ ความสามารถด้านการอนุมานเชิงสาเหตุจาก observational data จะเป็นสิ่งจำเป็น
- เวลา สื่อสารกับฝ่ายธุรกิจหรือผู้นำ: ควรอธิบายโดยเน้น "ทำไม จะทำอะไร" และผลกระทบ มากกว่ารายละเอียดเชิงเทคนิค
- หากวัฒนธรรมองค์กรไม่ให้ความสำคัญกับการอนุมานเชิงสาเหตุหรือคุณภาพข้อมูล ก็จะมีข้อจำกัดทั้งในการสื่อสารและการเปลี่ยนแปลง จนอาจต้องพิจารณาย้ายทีมหรือเปลี่ยนงาน
- เมื่อผู้จัดการไม่รับรู้ปัญหา ควรเริ่มจากการสร้างความไว้วางใจ เสนอแนวทางแก้ และหากจำเป็นก็ควรพิจารณาการย้ายภายในหรือการลาออก
การพัฒนาทักษะและคำแนะนำด้านการหางาน
- ในช่วงต้นอาชีพ ประสบการณ์จากการฝึกงาน พอร์ตโฟลิโอ และโปรเจกต์มีความสำคัญมาก โดยทักษะเทคนิค (เช่น การเขียนโค้ด, ML) เป็นเพียงความคาดหวังขั้นต่ำ
- ความรู้โดเมน การสื่อสาร และความสามารถในการแก้ปัญหา คือจุดสร้างความแตกต่างที่ยิ่งสำคัญขึ้นในยุค AI และระบบอัตโนมัติ
- มากกว่าวุฒิการศึกษาหรือใบรับรอง ประสบการณ์และโปรเจกต์จริงมีความสำคัญกว่า
- การจ้างงานในอุตสาหกรรมให้ความสำคัญกับ ‘ประสบการณ์’ จึงแนะนำให้สะสมประสบการณ์จากการฝึกงาน คอนซัลติ้ง และโปรเจกต์หลากหลายรูปแบบ
อินไซต์อื่น ๆ
- สัญญาณว่าสตาร์ทอัพกำลังไปไม่รอด: ขวัญกำลังใจตกต่ำ การลาออกของคนสำคัญ ตัวชี้วัดหลักแย่ลง เป็นต้น
- ทักษะเชิงการเมืองในองค์กร: โฟกัสกับโปรเจกต์ที่เชื่อมโยงกับกลยุทธ์องค์กร และสร้างความสัมพันธ์กับผู้มีอิทธิพล
- เงินเดือนสูง/สวัสดิการ: ตำแหน่งระดับสูงใน Big Tech อย่าง Netflix มีค่าตอบแทนเกิน $750k ได้จริง (รวมหุ้น)
- ความพึงพอใจในอาชีพ: งานใน Big Tech นอกจากเรื่องขนาดข้อมูลแล้วค่อนข้างเรียบ ๆ จึงกำลังมองหางานเสริมเพื่อการเติบโตและความสนุก
ยังไม่มีความคิดเห็น