顯示具有 AI/機器學習 標籤的文章。 顯示所有文章
顯示具有 AI/機器學習 標籤的文章。 顯示所有文章

2026年7月18日 星期六

Peggy 的實驗空間|陪孩子試用 ChatGPT Live,一些心得與進階玩法




最近和好友聚餐,聊天中好友分享了一支介紹 ChatGPT-Live 新功能的 Reels。

身為一個看到新工具就想實際玩玩看的人(笑),看完介紹後,第一件事,就是抓孩子一起來試。

原本只是想看看語音聊天到底有沒有大家說得那麼自然,沒想到實際玩了一輪後,我覺得最有價值的居然不是聊天,而是聊天結束後的整理能力。

這篇就把這次的實測過程、踩過的坑,以及我目前覺得不錯的使用方式整理下來,希望也能提供給想陪孩子練英文,或是想練職場英文的朋友參考。

Reels(from 哈利說):https://www.facebook.com/reel/2133540400523945


如果你還沒看過,可以先看這支影片,大概 1 分鐘就知道 ChatGPT Live 在做什麼。

以下分享我實際玩了一個晚上的心得,以及我後來延伸出來的幾個進階玩法。


一開始,其實沒有想像中順利


第一次開始聊天,大概不到五分鐘就卡住了。

主因不是因為孩子不敢開口,而是 ChatGPT 太像真的外國人。

孩子和它不是很熟,會覺得聊天很尷尬不知道聊什麼,我一直看到孩子露出尷尬的表情。另外它講話速度正常,遇到不知道的單字,小朋友就卡住,出現問號,所以很快就跟不上。

我做的第一件事情,就是先調整聊天方式。

目前覺得最適合孩子的設定是:

  • 請它講慢一點(Please speak slowly.)
  • 一次只問一個問題(Please ask one question at a time.)
  • 每一句先中文,再英文
  • 等孩子回答完,再繼續下一題
  • 有文法錯誤就立刻修正

做了這些調整完之後,整個對話就順多了。

(下圖是其中的一個調整)

調整


不用準備教材,聊孩子每天熟悉的事情


沒有準備什麼英文教材,從我們孩子每天最熟悉的內容,例如:

  • 羽毛球
  • 今天做了什麼
  • 喜歡什麼運動
  • 比賽
  • 身體哪裡痠痛
  • 暑假生活

另外我也鼓勵小朋友不會的單字直接問,例如想說「冰敷」但突然忘記,就直接問英文怎麼說,問完再整句講一次。

例如今天就學到:

  • improve(進步)
  • sore(痠痛)
  • ankle(腳踝)
  • ice it(冰敷)
  • hobby / habit 的差別

因為都是「真的想表達」,所以印象比背單字深很多。


聊天結束之後的 summary


聊天結束後,我請 ChatGPT 幫我整理今天的內容。

例如:

  • 今天完整的英文對話
  • 今天的新單字
  • 今天最常犯的文法錯誤
  • 容易搞混的單字(例如 hobby / habit)
  • 再重新產生一篇新的練習對話
  • 幫孩子整理一份可以直接複習的教材

這一步,我覺得是 ChatGPT 和一般英文口說 App 最大的差異,一次聊天,可以變成下一次的教材。





陪孩子練習,我目前會這樣使用


固定請 ChatGPT: 

  • 用簡單英文 
  • 講慢一點
  • 一次只問一個問題
  • 每一句先中文,再英文
  • 有錯立刻修正
  • 對話結束後整理今天的內容

孩子比較不會有壓力,也比較願意開口。另外孩子還小的,還是會需要家長陪伴著。同樣的學習方法我分享給高一的哥哥,他就自己聊開了 (笑)。


如果是我自己,我會怎麼用?


陪孩子之外,其實很多工作上也很有練習的空間。

例如:

  • One-on-One
  • Small Talk
  • Presentation
  • AI 分享
  • 和國外同事聊天

聊天結束後,再請 ChatGPT:

  • 整理今天最常犯的錯誤
  • 改成更自然的說法
  • 整理新的單字
  • 根據今天內容,再設計下一次的練習情境

等於每一次聊天,都可以持續累積。這部分我之後如果有更深刻的不同體驗再寫一篇分享。 


我目前最大的心得


原本我預期 ChatGPT-Live 是一個蠻不錯的英文陪聊工具。

實際玩了一輪之後,我覺得它比較像一位很有耐心的英文老師,聊天只是一個開始。

真正讓我會想持續用下去的原因,是它可以把今天的對話整理成下一次的教材。

對孩子來說,可以累積口說能力;對上班族來說,也可以累積職場英文。

目前我們家應該會繼續用這個方式練習一陣子,也歡迎大家一起交流,更多有趣的用法。


💡 Peggy 的實驗筆記

我原本以為 ChatGPT Live 最厲害的是「語音聊天」,實際玩過幾天後,我覺得真正的價值是:

聊天 → 更正 → 整理 → 再練一次。

這讓每一次聊天,都變成下一次學習的起點。


喜歡此篇文章的朋友,歡迎轉貼與留言。轉貼時請保持原內容與註明原文標題、連結以及作者即可,謝謝您。





2026年6月13日 星期六

Peggy的實驗空間|一個想法、一群熱心的夥伴,和一場 AI Tech Talk





感謝 John , Jersey and Mandy一起辦成了台北 Office 第一次的 AI Tech Talk!


這次線上有超過 70 位同事參與,現場也來了超過 40 位夥伴(可能有部分重複參與),比原本預期熱烈許多。


其實當初起心動念很單純。


平常和不同部門的朋友聊天時,常常發現大家都已經發展出自己的一套 AI 使用方式與工作流程,也踩過不少坑、累積了很多心得。但因為跨部門交流的機會有限,這些寶貴經驗不一定有機會被分享出來。


有時候自己正在遇到的問題,可能早就有人解決過;而別人踩過的坑,也可能正是自己即將踩進去的地方。


更有趣的是,這陣子不只一次聽到同事開玩笑說:「現在每天講最多話的對象就是 AI。」也讓我更覺得,在 AI 時代裡,人與人面對面的交流反而變得更珍貴。


另外一個想法,是希望能有一個更輕鬆、更自在的中文交流環境,慢慢形成公司內部的 AI Community,讓大家更容易分享經驗、互相學習。


老實說,在決定要不要辦這個 Tech Talk 以及建立 AI Community 之前,我內心其實有點掙扎。除了工作本來就很忙之外,也曾想過:現在 Agent 越來越強,大家是不是自己問 AI 就好了?


後來和 John 聊起這個想法時,他非常支持;Jersey 也立刻表示贊同。既然有這麼多人的支持,那就辦吧!


非常感謝兩位一路鼓勵與幫忙,也感謝美麗又強大的 Office Manager Mandy 全力支援。有這樣的隊友,好像真的找不到不辦的理由。


也特別感謝這次打頭陣分享的兩位優秀同事。在繁忙的工作節奏中,願意花時間整理自己的實戰經驗,甚至親自到現場和大家交流,真的非常難得。


當然,我自己也有一點私心。


除了能向部門內的高手學習之外,也希望藉著這樣的活動認識更多來自不同團隊的強者,向他們請教、學習,看看別人是如何思考問題、如何運用 AI 提升工作效率。


最後,也想謝謝所有到場參與、線上收看,以及踴躍提問的同事們。


看到大家願意分享、願意交流、願意彼此幫助,正是我最期待看見的事情。


期待這只是開始。





2026年6月6日 星期六

Peggy Wu's Life Lab | Claude Code Didn't Change My Coding. It Changed How I Work.

 

Lately, whenever I get together with friends, our conversations somehow end up revolving around AI tools such as Claude Code, Codex, ChatGPT, and Copilot.

When I stop and think about it, Claude Code has quietly become an indispensable part of my daily work over the past few months. One of my teammates recently joked that the person he talks to most every day is no longer his family or coworkers. It's Claude Code. 😄

Like many people, I started by experimenting. Over time, I gradually found a workflow that fits the way I work. It has saved me a significant amount of time and made many repetitive or tedious tasks much easier.

But looking back, the biggest benefit wasn't learning a new tool. The more interesting change was how it gradually changed some of my work habits.

Here are the three changes I've noticed the most.

1. I've Become More Protective of My Focus

When I first started using Claude Code, I loved the feeling of doing multiple things at once. One agent was analyzing a problem, another was gathering information, and a third was writing code. At the same time, I was replying to Slack messages, reviewing Jira tickets, and discussing pull requests with Copilot or Claude.

For a while, it felt incredibly productive.

There was even a period when I had several Claude Code windows running simultaneously, each handling different tasks in the background. I've always been fairly confident in my ability to multitask, so watching everything move forward at the same time felt rewarding. My output increased, and I genuinely felt like I was operating at a higher level than before.

The problem was that something else increased as well: my fatigue.

After a few weeks, I started noticing that I felt mentally drained at the end of the day. Sometimes the feeling even carried over into the next morning. There were nights when I went to bed knowing I had accomplished a lot, yet my brain felt completely exhausted.

Eventually, I realized what was happening.

Claude Code was reducing the effort required to execute tasks, but it wasn't reducing the effort required to manage attention. Every time I switched contexts, jumped between conversations, or tried to remember where I had left off, there was still a cognitive cost.

Once I recognized that, I started making deliberate adjustments. I stopped checking every running agent every few minutes. I became more comfortable focusing on one important task at a time. Instead of letting multiple windows constantly compete for my attention, I tried to be more intentional about where my focus went.

After a few weeks, I noticed a meaningful difference. The quality of my work became more consistent, and my energy levels felt much more sustainable.

The irony is that Claude Code gave me more ability to multitask. What it ultimately taught me was the value of focus.

2. I Spend More Time Thinking Before I Start

If you give me a problem, my instinct is usually to jump in and start solving it immediately.

That tendency became even stronger when I first started using Claude Code. Everything felt fast. Ideas could be tested instantly. If something didn't work, I could simply change direction and try again.

To be honest, it felt a bit like getting a new toy as a child. You don't read the instructions. You just start playing and figure things out along the way.

The problem is that many of the apparent time savings weren't actually savings. I was simply postponing the thinking.

If I hadn't fully understood the requirements, clarified the edge cases, or defined what success looked like, I would eventually spend the time anyway through revisions and rework.

One experience stands out clearly in my memory. I enthusiastically started implementing a solution, only to realize halfway through that I had misunderstood a key requirement. Most of the work I had already completed needed to be redone. It was frustrating, but it taught me an important lesson.

The problem wasn't Claude Code.

I simply hadn't thought things through.

These days, whenever I'm working on something more complex, I take a different approach. Before I start building anything, I spend some time organizing my thoughts. If there are known requirements, I try to document them clearly and answer a few simple questions:

  • What problem are we actually trying to solve?

  • What approach, logic, and steps make the most sense?

  • What does success look like?

It's essentially a lightweight design document. Nothing formal or complicated. Just enough structure to make sure the direction is clear.

Then I ask Claude to review the plan. I encourage it to challenge assumptions, point out risks, and ask questions. Quite often, those questions reveal gaps in my own thinking that I hadn't noticed.

Only after the plan feels solid do I move into execution.

The biggest benefit isn't speed. It's avoiding unnecessary rework. More importantly, it has reminded me that productivity often depends less on execution and more on the quality of thinking that happens before execution begins.

3. I Spend More Time Working on Real Bottlenecks

If you asked me about the biggest benefit I've gained from the past few months, my answer wouldn't be automation.

It would be perspective.

For the first time in a long while, I feel like I have more room to think beyond the immediate task in front of me.

When work gets busy, it's easy to focus entirely on execution. Is the feature finished? Is the bug fixed? Has testing been completed? Before long, every day becomes a race to get through the next item on the to-do list.

But the longer I've worked as a manager, the more I've realized that the biggest obstacles to team productivity rarely live inside the code itself.

More often, they live inside processes, communication, and organizational structure.

Recently, during one-on-one meetings, I've started asking a simple question:

What's the biggest thing slowing you down right now?

The answers vary. Sometimes it's technical. Sometimes it's procedural. Sometimes it's a cross-functional issue. Sometimes it's something surprisingly simple.

I remember one discussion where I initially assumed we were dealing with a difficult technical challenge. After digging deeper, we discovered that the real issue was unclear ownership between teams. The problem had been slowing progress for weeks, and no technical solution was going to fix it.

Many of the most important bottlenecks require communication, alignment, judgment, and prioritization. Those are still very human challenges, and they remain an important part of leadership.

The time Claude Code saves me doesn't necessarily lead to more coding. Instead, it gives me more opportunities to focus on things I've always known were important but never seemed urgent enough to prioritize.

Final Thoughts

Looking back, what stands out most isn't how much faster things have become, although they certainly have. Research is faster. Writing is faster. Coding is faster. Testing ideas is faster.

But as execution becomes easier, other constraints become more visible.

Focus.

Thinking quality.

Communication.

Alignment.

These things haven't become less important. If anything, they've become more important.

When everyone has access to powerful tools, the difference is no longer just who can move faster. It's who understands what matters, who can identify the right problem, and who can focus their energy where it creates the most value.

For me, that's been the biggest lesson of the past few months. Claude Code didn't simply change how I write code, it changed how I think about work. And it left me with a question I'm still exploring:

As more routine work becomes easier, where is my time most valuable?

I don't have a perfect answer yet.

But I suspect that question matters far more than learning the next tool.

Peggy的實驗空間|這幾個月,Claude Code 改變了我的三個工作習慣

 



最近和朋友們聚會時,常常聊到 Claude Code、Codex、Copilot 之類的 AI 工具。

仔細想想,Claude Code 已經默默成為我工作上不可或缺的助手兩三個月了。甚至有同事開玩笑說,現在每天陪他對話最多的不是家人,也不是同事,而是 Claude Code(笑)。

從一開始的摸索,到後來稍微找到適合自己的使用方式,幫我省下了不少時間,也讓一些原本繁瑣耗時的工作變得容易許多。

回頭看看這幾個月,發現自己的工作習慣,正在默默地改變中!

整理之後,最有感的是以下三件事。


1. 我開始更加專注,不任意追求多工


剛開始使用 Claude Code 的時候,我其實非常享受那種「同時進行很多事情」的感覺。

一個 Agent 幫我分析問題,

一個 Agent 幫我整理資料,

另一個 Agent 幫我寫code。


我自己同時回 Slack、查看 Jira、和Copilot or Claude Code 一起Review PR。

以前一次只能做一件事,現在一次可以做很多件事。

有一陣子,我的螢幕上同時開著好幾個 Claude Code 視窗,背景跑著不同 Agent,我還很開心的覺得自己效率超高滿有成就感的。更何況我對於我自己處理多工的能力,一向是很有自信。

但過了一段時間後,我卻發現工作產出確實增加了,可是每天結束時的疲憊感卻變得很重,甚至會蔓延到隔天。

有時候晚上躺在床上,明明今天完成了不少事情,卻有一種腦袋極度被榨乾的感覺。

這時候才察覺到,AI 幫忙降低的是執行成本,是寫程式的成本,不是注意力成本。

每一次切換任務,每一次重新進入不同的脈絡,每一次重新想起剛剛做到哪裡,其實都在消耗專注力。

於是我開始有意識地做一些調整,刻意練習一次只專心處理一件重要的事情。

不要一直切換不同 Agent 的進度,不要讓自己的注意力被不同視窗牽著走。

觀察幾週下來,這樣的調整蠻適合我的!Output 品質更穩定,疲累感也終於降到比較能接受的範圍。

有趣的是,AI 讓我更有能力多工,但最後讓我學會的,反而是更加地專注。

2. 我花更多時間想清楚,而不是急著開始做


以前遇到一個需求,我常常直接開始動手。尤其剛接觸 Claude Code 的時候,真的超興奮。反正想到什麼就先做,錯了再修正就好了。

說實話,蠻像拿到新玩具的小朋友,先玩再說。至於看說明書,看心情(笑)。

後來發現很多起初看起來省下來的時間,其實只是把問題延後而已。

大方向沒想清楚,邊界條件沒定義清楚,完成標準不明確,我最後還是得花更多時間來回修改調整。

我印象很深的是,有一次我很興奮地直接開始做,結果做到一半才發現需求理解錯了方向,前面幾十分鐘的成果幾乎全部重來。

那一刻才發現,原來我根本還沒想清楚。(話說,最近覺得它有時候會變笨....)

現在遇到比較複雜的工作時,我多了一個好習慣—先把想法整理出來。

如果有已知需求,就盡可能條列清楚。

尤其是以下幾個問題特別重要:

  • 這件事情真正要解決什麼問題?

  • 預計的做法、邏輯、Steps是什麼?

  • 完成的標準是什麼?

其實就是快速版的 Design Doc 的概念啦。

接著再請 Claude 幫我 Review 這個計畫,看看有沒有遺漏的風險、沒想到的角度。

也提醒它可以反過來問我問題。有時候它提出來的問題,反而會讓我發現自己其實還有很多假設沒有想清楚。

我會一直持續這個對話,一直到計畫和執行細節都合理後,再開始要它動手。

這個習慣最大的好處是減少很多來來回回修改的時間,也讓我重新體會到一件事:

很多時候,真正影響效率的不是執行能力,而是思考品質和細膩度。


3. 把省下來的時間,拿去處理真正的瓶頸

如果要問我這幾個月最大的收穫是什麼?我會說,終於有更多時間去拉高思維層次,去思考更多整個團隊的事情。

以前事情很多的時候,很容易把注意力放在執行本身。例如:

功能做完了嗎?

Bug 修完了嗎?

測試過了嗎?

每天都只在追著 To do list跑。

但當 Manager 久了之後會發現,真正影響團隊效率的問題,常常是在流程、在溝通、在組織裡。

最近跟團隊一對一時,我很喜歡問一個問題:最近最卡住你的事情是什麼?

有時候是技術問題,有時候是流程問題,有時候是跨團隊合作問題,甚至只是某個權限一直拿不到。有一次聊到最後,我原本以為應該是個技術難題,結果真正卡住的原因,是跨團隊的責任分工一直沒有談清楚。這類問題如果不解決,再多的努力都會事倍功半。

而有趣的是,很多這類問題其實不是 AI 能輕易解決的,需要協調、溝通、判斷與取捨。

Claude Code 幫我省下來的時間,讓我有機會把時間拿去做那些過去一直知道很重要,卻總是被排到最後面的事情。

寫在最後

回頭看這幾個月,我最大的感受其實是,AI 確實讓許多原本耗費時間的事情變得更快了。

以前可能要花半天甚至一天處理的事情,現在幾十分鐘就能完成。以前需要自己查資料、整理邏輯、寫程式、測試驗證,現在很多工作都有 AI 可以協助。

但當執行變得越來越容易之後,我反而開始看到另外一些以前比較容易被忽略的瓶頸,如專注力、思考品質、溝通成本等等。

當大家都能更快完成工作時,真正拉開差距的,不只是誰做得比較快,更重要的是誰比較清楚為什麼需要做這件事。

而這幾個月最大的改變,不只是 Claude Code 改變了我的工作方式。

也讓我重新思考,什麼才是我最值得投入時間的工作。


喜歡此篇文章的朋友,歡迎轉貼與留言。轉貼時請保持原內容與註明原文標題、連結以及作者即可,謝謝您。

2021年4月28日 星期三

職場 | PM Tone 社群分享討論紀錄(下篇 )

 



下集來啦,趁著這幾天通勤與陪小孩寫作業的時間,終於把Q5 - Q8 整理出來啦。

希望對有需要的朋友有點幫助,也歡迎一起討論。

上集( Q1 - Q4 ) 在此 >>  https://peggywulifelab.blogspot.com/2021/04/pm-tone.html

Q1 : 電腦被勒索軟體綁架怎麼辦,還有救嗎?

Q2: 想從硬體PM 轉軟體PM ,但苦於沒有拿到面試的入門票..

Q3 : AI PM 和一般軟體PM 的最大差別在哪裡?

Q4 : PM 怎麼和 ML 工程師與RD團隊合作的更好?

Q5: 不少公司號稱有導入AI 事實上只是撈Data 的BI , 到底怎麼讓AI 在公司真正落地?

Q6: 似乎最核心AI的部分都被RD 掌握,PM 似乎顯得微不足道? 在這種情況下,PM 怎麼展現自己的價值?

Q7: 公司團隊很新、很有衝勁,都會希望建立完model 快上線驗證。身為PM ,一邊感動於團隊的積極,另一方面也很糾結著怎麼讓沒有經過適當測試、上線可能會crash 、會影響其他solution 等等風險好好傳達給團隊成員知道,

Q8: 很想多了解有沒有什麼實務上的作法可以降低 AI solution 上線維運的風險...

/

Q5: 經歷過不少號稱有導入AI 的公司,實際層面只是撈Data 的BI , 到底怎麼讓AI 在公司真正落地?

AI 是一個幫忙解決問題的優秀技術和工具,但其實如果在貴公司BI 就夠了,也不一定要導入AI。

讓我們回到一個根本的問題來思考⋯

為什麼您「不滿足」於BI,而想要導入AI?
是想解決什麼問題?想帶來什麼價值呢?
這個問題也是公司/老闆或顧客的痛點嗎?

下圖可以給您參考( source



Q6: 似乎最核心AI的部分都被RD 掌握,PM 似乎顯得微不足道? 在這種情況下,PM 怎麼展現自己的價值?

這可以回到一個根本問題來思考⋯
為什麼貴公司(老闆)要找您來,而不是把預算拿去 hire 一個 ML 專家來build model?

一定是有希望您帶來的價值!

如果一時之間還是想不透,那這兩件事一定要做

  • 問老闆:不是很直率的衝去問老闆「妳/你覺得我該做什麼?」 而是思考過後,把自己目前做的、想做的,有技巧性的和老闆溝通。 在對話的過程,也可以一起釐清老闆對您的期待。

  • 觀察核心合作團隊們的需求,協助搬開那石頭。 例如,是否團隊正苦無data 來做 ML POC?  那就去了解細節,到底需要什麼data ? 需要多少量?等等 。 接著盡快幫忙合法的取得這data 。

以Peggy的經驗和觀察,PM 如果能把以下的功能發揮的很好,通常會是對團隊很有幫助的,也是老闆會仰賴的人。

  • 對整個產品服務狀況掌握得很好
  • Share credit. 不是PM 自己好棒棒,而是有一個很優秀的大團隊
  • 很好的溝通者與橋樑
  • 可以把business opportunity 、user behavior 、customer value 等帶回團隊
  • 幫團隊把優秀的solution 更好的傳播出去,用其他stakeholders 懂的語言、故事和畫面
  • 樂於協助團隊搬開石頭,以幫助往前move


Q7: 公司團隊很新、很有衝勁,都會希望建立完model 快上線驗證。身為PM ,一邊感動於團隊的積極,另一方面也很糾結著怎麼讓沒有經過適當測試、上線可能會crash 、會影響其他solution 等等風險好好傳達給團隊成員知道。

首先,要肯定這團隊啊! 會想儘快上線驗證是很正確的觀念和方向,總是比一直用in house 的data 在那邊POC 來得實際!

那接下來談到更實際的怎麼傳達這些風險給團隊知道。

有幾個做法可以參考
  • 如果團隊上線是會影響其他solution 的,要想辦法high light 出來,可能透過架構圖、流程圖等等幫助理解
  • 如果之前有其他team 已經有急著上線但卻造成negative impact 的慘痛例子,也可以拿出來當提醒。
  • 溝通方式可以準備好後,先找 team 內的leader、意見領袖聊聊,表達您的肯定與小擔心。試著找到雙方可以接受的共同處。

Peggy 是相信大家是珍惜自己羽毛與reputation的,如果上線一直搞砸,其他團隊就會越來越不信任我們團隊了。

另外雖現在是DevOps practice 盛行,但是我想大家還是不會希望半夜一直被call P0 。以這樣的共同角度去溝通,可能會更順利點。



Q8: 很想多了解有沒有什麼實務上的作法可以降低 AI solution 上線維運的風險...

目前已經很多種實務上做法可以參考,可先了解概念,和團隊討論實際上選哪些來做、怎麼做。

基本上的測試概念有以下:

單元測試 Unit test
整合測試 Integration test
端對端測試End-to-end test


關於降低風險的部署方式也有很多種

滾動/斜坡式(Ramped) 部署:逐步增量地將新版本替代掉舊版本

藍綠(Blue/Green) 部署:建新的一套在原版本旁邊,直到新版本完成測試,直接切過去,服務無縫接軌。

金絲雀(Canary) 部署:先將一部分流量導向新版本,沒問題後再向全部開放

A/B 測試部署:只有符合特定條件的使用者才可以使用新版本

影子(Shadow) 部署:on production but silent

這邊有一個很好的比較表給您參考。( Source: https://thenewstack.io/deployment-strategies/ ) 

另外建立 monitor 機制也很有幫助,當問題發生前/時,可以盡快/提早回應,避免造成滾雪球,問題越滾越大。
這塊也很多可以聊的,改天再找時間寫一篇。



推薦讀物> DevOps handbook: 打造世界級技術組織的實踐指南   或參考Peggy的讀書筆記


/

希望以上的分享,對需要的朋友有點幫助。

更多精彩活動花絮請參考

如果喜歡本文,歡迎留言或來信討論 ^^


歡迎分享與轉貼。 轉貼時禁止修改內容及標題且保持所有連結。禁止商業使用,請註明原文標題、連結以及作者。

2021年4月24日 星期六

職場 | PM Tone 社群分享討論紀錄(上篇 )

 




感謝PM Tone 團長的熱情邀約,讓Peggy 有機會在社群分享AI PM 的愛恨情仇(?) 。

果然是一群放棄追劇的奮進向上職場工作者啊,大家的參與度很好,問題也詢問的很熱烈。

Peggy 覺得這些問題都問得很好也很實際呢!就趁著還有些印象,與週末有點空檔,來整理一下,希望對一些相關領域的朋友們有些幫助。

因為是憑印象,也許有些疏漏。

如果剛好當天有參加的朋友,看到您的提問沒有被列入,也希望有機會得到多些資訊的,也歡迎來信或是留言。

當日提問包含層面很廣,從資安到專案管理到 AI PM 都有,很有意思啊。
本篇為上集,主要包含 Q1 ~Q4,最近會再找時間寫下集 Q5~Q8 的部分。 XD


Q1 : 電腦被勒索軟體綁架怎麼辦,還有救嗎?

Q2: 想從硬體PM 轉軟體PM ,但苦於沒有拿到面試的入門票..

Q3 : AI PM 和一般軟體PM 的最大差別在哪裡?

Q4 : PM 怎麼和 ML 工程師與RD團隊合作的更好?

Q5: 不少公司號稱有導入AI 事實上只是撈Data 的BI , 到底怎麼讓AI 在公司真正落地?

Q6: 似乎最核心AI的部分都被RD 掌握,PM 似乎顯得微不足道? 在這種情況下,PM 怎麼展現自己的價值?

Q7: 公司團隊很新、很有衝勁,都會希望建立完model 快上線驗證。身為PM ,一邊感動於團隊的積極,另一方面也很糾結著怎麼讓沒有經過適當測試、上線可能會crash 、會影響其他solution 等等風險好好傳達給團隊成員知道,

Q8: 很想多了解有沒有什麼實務上的作法可以降低 AI solution 上線維運的風險...



/

Q1 : 電腦被勒索軟體綁架怎麼辦,還有救嗎?

Peggy 有一段時間是蠻專注在和勒索軟體奮戰的專案中,對勒索軟體的演進和挑戰有那麼多些瞭解。

最好的方法真的是養成好習慣,包含定期備份

早期一點的勒索軟體,很有機會可以反解密救出被加密的檔案。
但近幾年的,這種機率越來越低了。

但是還有機會的,有時候舊的勒索軟體,在幾年後,可能因為各種原因,有機會解密。著名的例子就是「WannaCry」這隻。
所以就的被加密的硬碟還是不要丟掉,先留著吧

解密好用軟體 > 可試試「Trend Micro Ransomware File Decryptor」

怎麼預防,可以參考下圖。(source: https://blog.trendmicro.com.tw/?p=12634)



補充個小提醒,對於離線的備份USB 。

1. 千萬不要在被綁架的電腦還沒清乾淨前,就接回來想還原。
2. 不要一直插在電腦連接著...

如果那就很容易悲劇了..

因為很多勒索軟體是會將整個電腦硬碟掃描一次,順便加密它感興趣的檔案類型,連接的USB與file server 也在掃描範圍內。




Q2 : 想從硬體PM 轉軟體PM ,但苦於沒有拿到面試的入門票..

建議可以從目標公司群裡(假設是十家),先挑那種會想加入但沒入選也不會很遺憾的一兩家來練兵。

1. 先研究目標公司 job description, 抓住共同點(keyword), 接著回頭調整自己的履歷。

為目標職務客製化履歷是很值得的!

基本精神,強調共同點,與您在這共同點上帶來的價值與亮點
例如,職缺寫明要有很好的溝通能力,就往這方面著墨更多。
會增加履歷被挑中來面試的機率。

如果覺得履歷調整一直不是很順,也可以考慮參與協助調整履歷的課程或工作坊。
大人學的「A103履歷優化與個人品牌重塑」評價蠻好的,可以考慮看看。 

另外,也建議先多去了解軟體PM 需要的一些技能,先研究一下。
畢竟,當幸運地有機會面試,面試官問:「既然您對軟體PM 一直感興趣,請問最近有什麼相關的研究、接觸或了解嗎?」

當被問到類似這樣的問題時,如果沒有準備,就當場尷尬了...
也展現出,並沒有想像中的那麼有熱誠和想轉到這個領域。

這邊分享一個之前面試的小經驗,那時候big data 剛出來剛紅,有一些candidate 表達對big data 「超・級・有・興・趣」。

Peggy就期待地往下問問,一問之下,對方答不出所以然來時,就知道其實只是對這個領域有憧憬和想像而已,並沒有付諸熱情和行動的先多去了解。

那如果不小心上了呢? 啊!那就恭喜啦!


Q3 : AI PM 和一般軟體PM 的差別在哪裡?

先來說說Peggy覺得一樣的部分:強大的溝通能力、Customer Focus與定義問題的能力。

這邊先不細談這塊,有朋友感興趣的話,Peggy 再找時間寫一篇。

那差別在哪呢?以Peggy的看法,主要有這幾項。

  • 需要面對更多的挑戰、風險與不確定性
  • 需要能夠更明確的定義問題、需求
  • 需要提醒自己給 ML 專家更多點的時間探索
  • 需要及早規劃數據策略(data strategy) ,若貴公司打算持續在這方面發展
  • 需要更快的學習與應用的能力
  • 理解到ML產品的開發是跨更多領域的,也需要更多的耐心溝通


Q4: PM 怎麼和 ML 工程師與RD 合作的更好。

主要可以三個角度來思考 — 態度、價值與學習。

態度

  • 不懂別裝懂啊!!!不懂就問,不懂就google 去了解。ML工程師等研發團隊都是很聰明的,裝懂也很容易被識破,裝懂也常會帶來慘劇。試想,如果以裝懂下的理解開Spec 是不是一件很恐怖的事情。
  • as A team :PM 自己不是那個唯一的英雄,當這個 solution 會成功、反應很棒,一定是有一群很棒的同事一起協作完成的,不會是自己一個人好棒棒的。
  • 互相尊重:若PM 自己的態度眼高於頂,相信合作的團隊無形間都會感覺出來,真心的好好合作和敷衍的合作,結果會有差。

價值

PM 要很認真的思考,自己可以為團隊帶來什麼價值。
講句直白一點的話,為什麼老闆要付錢給您,而不是直接找一個 MLexpert 來build model.

PM 先天上免不了有些角度和ML 工程師團隊有些抵觸。例如以schedule 的角度來看,慘烈的情況下可能會工程師團隊想著“PM只會出一張嘴來壓時程!! (怒)”。

Peggy自己是傾向把自己當成團隊的一份子。

可以產生價值的地方很多:如幫忙翻譯客戶的痛點、幫忙講故事,把團隊的很棒的solution 可以讓更多客戶用到與理解價值。當團隊反應說很難做到時,第一句話不是挑釁的問為什麼,而是應該基於信任團隊已經認真評估過的前提下,去了解為什麼。 那是否有機會可以一起討論,怎樣調整達到目標。 縮小範圍?減少Feature? 協助溝通Priority ? 等等

另外
PM 務必要比工程團隊更了解客戶、市場價值、user behaivor 、客戶價值層面
PM 也要協助搬開石頭,例如了解需要什麼data,幫忙去談去取得。
PM 也要更會問問題,協助定義需求、釐清spec 等 

快速學習

熱切地去了解共同語言與世界。聽過一次就要查,最慢聽過兩次同樣的行話就要去了解那是什麼。

以output 為前提的進行input 是最有效的!!

費曼學習法 >  Source: ✒️如何學習得更有效率。費曼學習法|學習的知識#6|【閱部客
https://www.youtube.com/watch?v=SLzn0LaR0lE  (下圖左部分出自此)

也推薦輸出達人劉奕酉「高產出的本事」一書 


/

希望以上的分享,對需要的朋友有點幫助。

更多精彩活動花絮請參考


如果喜歡本文,歡迎留言或來信討論 ^^


歡迎分享與轉貼。 轉貼時禁止修改內容及標題且保持所有連結。禁止商業使用,請註明原文標題、連結以及作者。

Peggy的實驗空間| 小書庫 Index card ( 讀書筆記總目錄/書單 )

  一直很喜歡閱讀,也常從閱讀好書中與讀書會得到許多的力量與啟發,不管是在人生的低潮抑或是順遂的時候。在閱讀之路上,這幾年也保持一個習慣。當閱讀到喜歡的書籍,且那陣子時間允許,就會提醒自己閱讀完後整理出心得筆記。一方面藉機鍛鍊寫作肌肉與思路,方便之後的複習和查閱。另一方面,也可以...