每個人都可以成為資料科學家（Data Scientist）。
雖然這種觀點有些激進，但在人工智慧（AI）的重要響徹天際，人工智慧的前提，是資料收集和透過機器學習應用和分析，所有公司都說很難聘請到資料科學家之時，這無疑是所有要採用AI來數位轉型公司的福音，專家無須外求，公司內部的員工稍微訓練一下就是專家。
很多公司主管忽略了自己組織中已存在的驚人人力資源，這些企業只要投入一點時間和金錢來教育員工的資料科學技能，就可培養資料科學家人才。在商業世界中資料科學家不僅要懂資料分析，更要了解那些資料是重要且有用的，公司內部實際操作的員工會更懂得這些資料，所以教會計師一些資料科學基礎，比教資料科學家會計學容易得多。
從資料科學和機器學習中獲得商業價值的最佳方式，就是將AI工具直接交到領域專家手中。哈佛商業評論一項研究發現，六十三％的公司依賴專門的資訊部門和資料科學團隊來提供資料分析和應用，但幾乎沒有一家公司表示對該解決方案感到滿意。「如果你不真正理解公司的資料，你就無法提出正確的問題，也就沒有正確的答案」。
正如約翰藍儂的一首歌名：權力歸於人民，公司應該將AI應用的權力歸於員工。許多公司害怕將AI這種看起來複雜的技術推向既存的內部員工，因為他們過於關注出現問題的風險。其實只有在少數情況下AI的模型需要有最佳答案，例如醫院中人命關天的系統，才需要確保這些AI應用是由資料科學家和機器學習專家組成的專業團隊和領域專家密切協商後構建，其他AI系統或許一開始不是最好的，但可透過學習和調整逐漸最佳化。
教公司內部的領域專家建立自己的機器學習模型，也是避免部署AI的陷阱和道德問題的最佳方法之一，例如許多機器學習模型的一個問題是它們可能在資料中找到虛假的相關性，與對特定業務領域沒有任何深入了解的資料科學家相比，領域專家更有可能嗅出這些無意義的推論。
現在已有很多不需要寫程式的機器學習平台（No Code AI），這些平台允許非AI專家透過使用簡單視覺化界面或拖放選項來建立AI系統，拉近了資料科學家與非機器學習背景開發者的距離。雖然或許沒有一個平台可以滿足所有需求，但還是可以利用來快速建構模型或是產生資料集。此外這些工具可以讓機器學習變得更加有趣，讓原本掌握資料但不懂AI的員工能快速進入AI的狀況，增加公司競爭力。
（本文已刊載於2021.07.14聯合報第A12版民意論壇）
雖然這種觀點有些激進，但在人工智慧（AI）的重要響徹天際，人工智慧的前提，是資料收集和透過機器學習應用和分析，所有公司都說很難聘請到資料科學家之時，這無疑是所有要採用AI來數位轉型公司的福音，專家無須外求，公司內部的員工稍微訓練一下就是專家。
很多公司主管忽略了自己組織中已存在的驚人人力資源，這些企業只要投入一點時間和金錢來教育員工的資料科學技能，就可培養資料科學家人才。在商業世界中資料科學家不僅要懂資料分析，更要了解那些資料是重要且有用的，公司內部實際操作的員工會更懂得這些資料，所以教會計師一些資料科學基礎，比教資料科學家會計學容易得多。
從資料科學和機器學習中獲得商業價值的最佳方式，就是將AI工具直接交到領域專家手中。哈佛商業評論一項研究發現，六十三％的公司依賴專門的資訊部門和資料科學團隊來提供資料分析和應用，但幾乎沒有一家公司表示對該解決方案感到滿意。「如果你不真正理解公司的資料，你就無法提出正確的問題，也就沒有正確的答案」。
正如約翰藍儂的一首歌名：權力歸於人民，公司應該將AI應用的權力歸於員工。許多公司害怕將AI這種看起來複雜的技術推向既存的內部員工，因為他們過於關注出現問題的風險。其實只有在少數情況下AI的模型需要有最佳答案，例如醫院中人命關天的系統，才需要確保這些AI應用是由資料科學家和機器學習專家組成的專業團隊和領域專家密切協商後構建，其他AI系統或許一開始不是最好的，但可透過學習和調整逐漸最佳化。
教公司內部的領域專家建立自己的機器學習模型，也是避免部署AI的陷阱和道德問題的最佳方法之一，例如許多機器學習模型的一個問題是它們可能在資料中找到虛假的相關性，與對特定業務領域沒有任何深入了解的資料科學家相比，領域專家更有可能嗅出這些無意義的推論。
現在已有很多不需要寫程式的機器學習平台（No Code AI），這些平台允許非AI專家透過使用簡單視覺化界面或拖放選項來建立AI系統，拉近了資料科學家與非機器學習背景開發者的距離。雖然或許沒有一個平台可以滿足所有需求，但還是可以利用來快速建構模型或是產生資料集。此外這些工具可以讓機器學習變得更加有趣，讓原本掌握資料但不懂AI的員工能快速進入AI的狀況，增加公司競爭力。
（本文已刊載於2021.07.14聯合報第A12版民意論壇）