搜尋結果
工業工程與管理背景的ㄚ文自學一手工具後發現，要解決問題並讓數據產生價值與影響力，關鍵在於定義問題與在商業世界落地解決方案。 他在「商業思維」課程中怎麼學會應用這套方法，更為數據分析師職涯暖身與建立人脈？
一直撞牆怎麼辦？ 兩位教學經驗豐富的程式開發前輩 Jack 和維元，幫你破解迷思和誤區，助你修成正果。 自學能力. 創造你的學習社群，學習路上再也不孤單！ 「學習社群」的重要性不言而喻，人們也愈來愈意識到「學習教練」的重要性，我們今天來聊一下學習社群裡幾種重要的角色以及如何發揮「同儕互學」的最大價值。 搜尋. 學習社群 - ALPHA Camp.
2024年2月26日 · SQL 是和資料溝通的首選工具，在商業情境與資料日益複雜的現今，蹲好馬步打穩 SQL 基礎，是解決實務問題的第一步。上手 SQL 後，就能進一步整合思維、工具、與應用，並實現真正的數據價值
- 觀察到周遭的人如何使用 Ai？有什麼特別的想法嗎？
- 目前你們怎麼利用 Ai 幫自己與團隊工作？
- 使用 Ai 的 Aha Moment？有不滿意但期待更好的地方嗎？
- 建議團隊與組織怎麼使用 Ai？適合與不適合的場景？能用在跨部門協作嗎？
- Ai 取代工程師？市場需求會有什麼變化？Junior 工程師如何提升競爭力？
- 如何用 Ai 學習與轉職工程師？
Mosky 是 Pinkoi 的 Architect，負責新技術研究與教育工作；在工作之外，她更是個有十餘年資歷的資深技術前輩、活躍於 Python 社群的分享者。 GAI 年會後 Mosky 開了 Youtube 頻道，期待在這波浪潮下與大家有更多的交流與互動，用比較輕鬆、歡樂的方式，介紹傳統上比較生硬的技術知識。 Caesar 是 TransIot 的 CTO，有十餘年的軟體開發經驗，而最廣為人知的是他一手推動台灣最大 JavaScript 社群年會 JSDC，更持續透過分享、授課與舉辦活動，活絡台灣軟體社群與產業。 Caesar 在年會中觀察到有群人對 AI 工具已經非常熟悉，也認為使用 AI 是個自然而然的結果。但也看到另外一群人對這個新工具的出現與應用沒太大興趣，甚至也覺得對他們的...
Mosky 表示現在的 AI 工具還不夠成熟，所以還沒有真正幫助她加速工作效率，反而帶給她一些干擾。在這段期間，她積極地嘗試使用 AI 工具，但目前 AI 工具會產生一些無法使用的程式碼，更跟不上她的思考速度。 而 Caesar 則是已經蠻高地程度地在使用 GitHub Copilot 和 ChatGPT，更肯定它對於自己與團隊工作的幫助。 Caesar 認為，AI 工具能幫助他的團隊更有效做到 Outcome First。因為 AI 能幫助他們完成高重複性的工作，而他們就能更專心地做架構、討論如何解決問題。 Caesar 也很認同 Mosky 所說「AI 寫的程式碼沒有靈魂」的觀點，所以他在檢視 AI 的程式碼時若發現「很有機器感」，一定會去手動再調整。 最後 Mosky 與 Caesar...
Mosky 分享幾個令他印象深刻、使用 AI 的 Aha moment。有次她發現某個函數邏輯冗長，在原函數下面定義了一個同名但後綴「_refactored」的函數，GitHub Copilot 隨即協助她完成重構；而另一次在寫測試時，她在函數的 docstring 寫完描述後，GitHub Copilot 也幫她完成了整個函數。 從這些經驗，Mosky 認為 AI 工具雖然還無法真正提升她的工作效率，但已經帶給她一些以前沒有體驗過的樂趣。AI 工具省下的時間，她可以去探索或嘗試一些從前沒時間做的事。 Caesar 則認為現在 AI 工具的最大限制，就是無法將未知的東西連接起來。 Mosky 補充，上面這樣的情況讓她覺得，這可能讓軟體工程師在工作中的討論變得乏味。 但 Caesar 說明，「...
目前 Caesar 團隊應用 AI 的方式，是由工程師負責發想、架構和理解需求，再搭配 AI 工具處理重複性任務，例如套入框架、CRUD、ORM 和 ODM 等。但在 Code Review、整合程式碼等環節仍然會由人工確認，只是團隊中也有夥伴開始用 AI 協助驗證 Code Review 結果了。 而 Mosky 的團隊仍在探索如何與 AI 工具協作，尚未開始大量使用 AI 工具。她認為導入 AI 工具到團隊工作前、應該要先思考：你期待 AI 工具能節省你多少時間？實際嘗試後結果如何？開始使用後，工作流程有差別嗎？為什麼會有差別？從個人層次思開始考與嘗試，再擴大應用到團隊中，或許更適合。 而 Mosky 與 Caesar 都認為，最適合團隊使用 AI 工具的場景，就是重複性的任務，例如複製...
Mosky 與 Caesar 都認為短期內 AI 不會取代工程師，因為目前 AI 還無法處理抽象問題，而且過程中也需要我們去詮釋與解讀結果，AI 工具才能給出接近結果的答案。 但未來，工程師的學習與職涯成長，都可能因為 AI 工具的出現而更加挑戰。 Mosky 與 Caesar 提醒大家，工程師本來就是個需要持續學習，才能保持競爭力的職業。只是在未來，企業選才會更看重工程師的軟實力、那些 AI 做不到的事情上。 AI 來了我還能轉職工程師？來自 Amazon 與 citiesocial 前輩的觀點與建議
Mosky 提醒，無論從過去使用 Google、或是現在使用 ChatGPT，你本來就都不該完全相信你找到的答案。你的判斷與思辯能力，才能夠讓答案真的有價值。所以不該懶惰的地方，例如思考，你終究不該懈怠。 Caesar 也同意「盡信書不如無書」，他更鼓勵大家現在就開一個 ChatGPT 帳號，開始在學習或工作中與 AI 協作。 最後，Mosky 與 Caesar 最後建議大家在這波新工具浪潮中，盡量去嘗試；也去找到一個友善多元討論的社群、例如 ALPHA Camp 學習社群，去跟大家交流你的經驗與心得。與人交流與討論，不但能幫你更瞭解 AI 工具，更是你最快成長的方法。
2023年7月25日 · ORID 是個在國際上被廣泛使用的焦點式提問法，透過四個層次的提問，能夠幫助使用者更結構性地思考與回應問題。以下為ORID的四層提問： OBJECTIVE：具體的事實，做了哪些事情、看到與觀察哪些事情 REFLECTIVE：感受與反應，在當下直接的感受、反應
2024年3月7日 · 一、資料清理. 二、如何切割文本. 三、如何搜尋. 四、LLM 生成品質. 快速掌握 LLM 應用全局觀. 有了「長上下文 LLM」（Long-Context LLM），還需要 RAG 嗎？ RAG（Retrieval-Augmented Generation，檢索增強生成）無疑是當今開發大型語言模型（LLM）產品時，不可或缺的技術。 由於可以確保 LLM 生成的真實性，在企業 AI 應用與搜尋場景相當受到重視。 為此，我也試著實作一個簡單的 RAG 應用。 多年累積下來，我的 Apple Notes 已經有 7000 多則筆記，搜尋愈來愈不準確，常在寫新筆記時想參考舊筆記，卻怎麼也找不到。
2024年1月23日 · 若有需求方，可以主動階段性的跟需求方反覆確認需求，避免最終呈現的結果與需求端的期望不符。例如：可以與對方定期約會議做簡單的進度同步，抑或是約好階段性的驗收等等。 成品呈現 如果 source code 沒有機敏資訊，可以分享在你的 GitHub 上。
