因為疫情的影響下，「不在辦公室有一台電腦就能工作、下班可以有自己的時間做想做的事情」這樣的工作型態漸漸被人所嚮往，市場上大量人力紛紛轉向軟體業，想轉職的人也趨之若鶩地以「軟體工程師」這項職位為目標。
雖然都叫「Software Engineer 軟體工程師」，但軟體業發展至今分工也越來越細，也因為新技術的不斷推陳出新、會衍伸出新的職位。身為一個轉職仔，自然無法像大神那樣一次就到頂級的外商軟體大公司，因此這篇文章將整理 台灣 2021 年軟體業的職缺概況還有所需技能(一些關鍵字)，大多數見解與分析來自小弟待在軟體業的觀察，若有錯還不吝指教～
概況
以現今大多數軟體業提供的服務，最大宗的就屬 Web(網頁開發) 與 APP(手機、平板、電腦應用程式開發)， 我們現在常聽到的前端FrontEnd、後端Backend 也都上述兩者脫離不了關係，而隨著軟體開發分工越來越細，現在又有負責整體 server 維運的 DevOps Engineer、負責整體資料收整的Data Engineer、以及因應業務需求建模的 Machine Learning Engineer 、Data Scientists 等等。
前端工程師 Front-End Engineer
主要負責所有使用者看到的畫面，包含字體、排版、跳轉流程等等，大部分會與PM或UI/UX designer討論畫面如何呈現，並如實地實作出來。
在市場上聽到的前端工程師大多是指開發Web網頁畫面，最常用的技術是 html, css, javascript，而現今大部分前端技術框架已屬純熟，最常見的框架有 Bootstrap, Vue, React, Angular，也因為有這些框架的出現，使得瀏覽器也都漸漸符合標準規範，前端工程師也不用為了不同瀏覽器(Safari, Chrome, IE,...)還要在花額外心力開發，框架的出現讓前端工程師在開發時節省許多時間，也因此初學者只要掌握了基礎框架，就能快速累積作品。
但最基礎的還是 html(寫網頁骨架), css(排版畫面美化), javascript(使用者流程互動) 這三者要熟悉。
iOS/Android 工程師
顧名思義就是開發我們現在手機、平板上的 iOS/Android 應用程式的工程師，這兩者其實也算前端，相對於網頁，簡言之就是刻應用程式的畫面與使用流程，但因為用的技術比較特別，相比於過去十年的大網頁時代，開發應用程式的人力需求隨著智慧型手機、平板的問世大幅增加，也因此市場上都會獨立把 iOS/Android 工程師分開來應徵，並不會包含在前端工程師中。另外這兩種工程師所使用的技術語言也不太一樣，所以也不太可能一次雙修兩種，若要轉職基本上就是選擇一種平台來開發、累積作品。
iOS 近幾年的新語言一定是從 Swift 下手，它可以同時用來撰寫 iOS 與 OSX 的應用程式，也就是說用Swift寫出來的程式，可以同時在iOS與Mac上面執行，因此漸漸成為主流。另外也要熟悉 Objective-C，這是一個比較早期用來撰寫Mac軟體的語言，若公司成立較早可能也有很多舊專案是用Objective-C，雖然目前使用度沒有 Swift 那麼高，但還是要了解基本概念。
Android 的話主要就是用 Java 與 Kotlin，如果想選擇這條路，大多是建議先把 Java 學好，雖然以易用性而言，Kotlin 比 Java 更簡潔、有效率，但就學習資源 Java 還是樂勝，加上可以一魚多吃，Java 除了用來開發 Android APP 外，還可另外用於網頁開發、數據平台(Hadoop)、物聯網應用程式(交易系統)等等，cp值還算是挺高的。
後端工程師 Back-End Engineer
主要負責Web, App 背後的邏輯運算與儲存，比如說我們在 UberEats 按下送出訂單後，必須把這項訂單記錄下來、存在資料庫中，另外在搜尋店家時，也得負責把符合搜尋的條件，從資料庫中撈取出來、丟給前端呈現，隨著公司提供不同的服務，背後商業邏輯都會有所不同，這些種種一般使用者看不到的業務邏輯就是由後端工程師撰寫。
由此可知，後端工程師除了程式語言的掌握外，還需要對資料庫有一定程度的熟悉。語言部分非常多種：PHP, Node.js, Ruby, Python, Java, Go, ....都有公司使用，目前聽到最多公司使用的是 PHP，但其實已經漸漸式微，大多都慢慢轉向 Go, Python, Node.js，尤其是 Go 正在快速崛起中。
資料庫的話 sql(Mysql, PostgreSQL) 類語言要滾瓜爛熟，另外還要搭配一種 NoSQL Database，目前常見的有 MonogoDB, Redis 等。由於涉及資料存儲，對於資料結構與程式效能的要求也會比較高，所以 Leetcode 要刷得比較認真(？
DevOps 工程師/SRE, Site Reliability Engineer
這個職位是相對新興的領域，以前軟體公司規模尚不大時可能會由 Backend 兼職做，但隨著服務的擴大，就需要有人獨立出來做整體服務的維運。
「維運」講起來很抽象，要做的事情也確實很雜很多，主要核心為確保公司的各種 Server、Database 都運作正常，只要公司的服務掛掉了，幾乎都唯DevOps是問，或者系統環境要搬遷、資料庫要搬家的時候，DevOps 也要負責輪班緊盯著，算是軟體業中比較操的職位（當然整體薪資也會比較高，有捨就有得～）
除了確保公司本身的Server穩定，也要負責公司整體工程師開發的環境，例如 Git repository, Jenkins CI/CD, Kubernetes,... 等環境的架設，讓其他工程師可以正確順暢地將最新版本部署到Server上。
至於所用到的技術非常廣！由於現今微服務崛起，大部分都使用 Docker, Kubernetes 等容器化服務作部署，加上現在各大雲端平台 AWS, GCP 都有提供類似服務，對於雲端服務要非常熟悉，針對公司遇到的問題能夠使用雲端的服務來解決。另外，DevOps 為了確保環境正常運作，對於日誌管理服務 ELK、監控儀表板 Prometheus, Grafana 也都要有所掌握，了解如何妥善使用工具來監控系統運作狀況，技能樹可以說是最廣的。小公司如果沒有資安相關單位，資訊安全的規範可能也會由 DevOps 來負責。
資料/數據工程師 Data Engineer
主要負責公司內、外的所有數據蒐整，對資料庫的語言掌握要很廣，知道什麼樣的情況適合什麼樣的資料存儲，例如：客戶訂單關聯資料適合放入RDBMS、聊天紀錄適合放入NoSQL、Log日誌適合打入ELK stack….等等，若公司有用到大數據存儲，也需要了解 Hadoop(Hive, Spark, Hbase) 相關生態系。也因為涉及資料存儲，跟 Backend 通常會有密切合作(小公司甚至也會讓 Backend 兼做 Data Engineer)，在開發新功能前要常常和後端討論資料邏輯、table schema，確保上線後資料不會遺漏。
外部數據收整最常見的方法就是爬蟲，所以對網頁的架構也要有所了解，基本的 Html, Javascript, http通訊協定…等等都要知道，如果沒辦法有效率的解析網頁、當然就無法把資料爬下來了XD。
數據並不是儲存收整了就好，還要適當地讓它發揮價值，這時就需要資料工程師幫忙開發排程做加工，一般做資料處理的語言首選就是 Python，當然我也有看過專精用 R 的資料工程師，但就寫 script 的效率性與 package 通用性，Python 可以做的事情真的太多了，所以語言部分建議還是強點 Python。由於要開發許多 Data Pipeline，寫 script 的功力要深厚、基本的 Shell Script, Linux指令也要會操作，也要懂得適時將排程重構，極大化搜尋資料以及運算的效率，如果不小心把 DB 操掛 DevOps 會來追殺你。
至於怎麼定義「發揮價值的數據」？恩....通常這部分會由商業分析師或資料科學家，根據商業問題把解決的方法用數據佐證出來，或是建模型找出解決方法。但如果公司內沒有人專做數據分析，那通常 Data Engineer 就要跳下海來做，直接一條龍做到位，反正公司內最熟數據的應該就屬 Data Engineer了。
機器學習工程師 Machine Learning Engineer
主要負責機器學習相關演算法的開發，目前市場上較複雜、較需要開發或改良新算法(i.e 不是簡單套套 packages 就好那種)的應用，大部分屬影像語音處理相關，例如物體辨識、濾鏡特效、自然語言、Deepfake(誤?😳…等等這些能夠「清楚」判斷成效好壞的應用。
最大眾使用的語言非 Python 莫屬，現在也有很多基於 python 的機器學習框架與工具庫，如：Scikits-learn, Pytorch, Tensorflow,…等，初學者要進入的障礙越來越低，但關鍵是有能力自己改良算法、甚至是自己寫，數學能力應該是所有工程師要求最高的。光是現在神經網路相關算法的論文，那個數學式各種高來高去，如果看到下面這些數學符號就會覺得噁心，基本上可以放棄走這行🤣。
另外，現在許多基礎的算法，各大雲端平台都有推出服務，像 GCP 的 AutoML、AWS ML等，這也代表在改良算法的同時，有可能要跟這些大公司的工程師拚槍😰，真的是不給活路！
資料科學家 Data Scientist
其實一直猶豫要不要把資料科學納進來當做 Software Engineer，就我自己的想法我覺得資料科學家不算是軟體工程師，因為軟體工程只是他們用來解決問題的「其中一種」方法，因此比較像是 Researcher 而不是 Engineer。但因為大部分資料科學家在軟體業會歸屬在 RD 部門，所以也列進來好了。
前段說到軟體工程只是資料科學家用來解決問題的工具之一，代表他們還需要熟悉許多工具，基礎的統計知識、資料處理、結果驗證等等，資料科學家最需要的核心能力反而是如何把商業問題定義清楚、轉換成數學問題，找出解決方式，最後透過數據佐證這項方法是可行的。
最常見到的應用像是推薦系統開發，隨便舉個 Netflix 為例，現在魷魚遊戲非常火熱，若想接續這波浪潮，我們應該繼續推類似劇情是生存遊戲的片？還是推在韓國地區流行的熱門片？才能維持用戶的續訂率。這其實是個很大很空泛的問題，這時資料科學家可能會先從統計著手，先分析高續訂率跟低續訂率用戶有什麼主要特徵的差異？他們都觀看什麼樣子的影片？
待確定關鍵特徵後，這時可能會透過這些關鍵變數建模，或是用基本統計的方法確定變數與結果具有因果關係，例如發現說不同的預覽縮圖，會直接影響用戶點閱、進而影響續訂。所以你提出了同一部影片，給用戶提供個性化的預覽縮圖，可以影響續訂這個提案。
接下來針對你的提案，你必須設計 A/B Test 後，在使用統計檢定或其他方式來驗證，看看個性化預覽圖對於一群新用戶是否真的有顯著提升續訂？這中間又先牽涉到如何將新用戶分成無差別的兩群？（i.e 兩群不能差異太大，一群老人一群年輕人）用什麼方法檢定續訂率成效？總結來說就很像在做一篇論文研究。
P.S 以上純屬我瞎掰，如有雷同純屬巧合
總結
以上是小小轉職仔的觀察心得，雖說現在軟體業分工很細，但比較資深的工程師其實每個領域的概念都知道一些，並不是說你走前端、就不必懂後端的東西，或是你是做 Data 的就不需懂 DevOps 、前端，很多概念知識都是彼此有關聯，現在不補之後會來找你還債。
如果選擇踏入軟體工程的領域，要保持一顆持續熱情學習的心，軟體這塊領域是發展極度快速的，一項技術經過兩年後可能都算舊，所有資源也都是開源在網路上一直推陳出新，如果抱持著只做一項職位、就不用學習其他領域知識的心態，這條路是走不長久的。
此篇文章分享內容，希望對您有所幫助～
