2024 的最後一天，就以這篇文章作結！
先講結論，直接拿標題下去網路搜尋，或者直接問ChatGPT、Gemini 等生成式AI，可能都能夠獲得比這篇文章還要詳細完整的答案。而筆者在這篇文章要分享的，是在過去一年來，所應徵過的 LLM 相關工作職缺時，被問到的問題。
雖然筆者本身過去幾年的確都在製造業當中從事演算法相關的應用開發工作，但因為部門屬性、專案的應用場景、公司的數位轉型政策、以及其他大人們的因素。筆者一直沒有機會真正接觸到生成式 AI 的開發工作。
打從 ChatGPT 一砲而紅之後，各家科技巨擎的生成式 AI 模型宛如軍備經賽般地快速發展，乃至今日，無論是功能強大的商業型生成式AI服務平台、完整的開源生成式AI開發工具生態系、各種新興的商業模式與應用等等，都不斷推陳出新、日新月異！
技術領域當個早期進入者當然有其風險與優勢，想想兩年前那些還在燒腦如何 fine-tuning LLM的前輩們，看到現在隨便一個LLM搭配個 Multi-Agents、RAG 的效能與功能完整性都比當年度燒肝燒薪水出來的玩意還要簡單易用，大概滿肚子辛酸血淚XD
現在才打算踏入 LLM 應用開發的求職者們，也不見得要灰心，因為現在要真正做LLM的應用開發，跟兩年前比起來可方便且快樂多了，但那也表示，這個就業市場也差不多一片紅海了XD 但總之，LLM 的相關整合應用，在未來幾年勢必仍舊會是一項趨勢，要不要踏上這條路，就看每個人如何權衡了🍵
好，感言說完了，以下就逐條羅列筆者在前述所提到的求職技術題目。題目的答案，就不占篇幅了，留給各位讀者們做功課：
- 『在 NLP 的領域中，請解釋什麼是「Language understanding」？』
- 『在 NLP 的領域中，請解釋什麼是「Question Answering」』
- 『在LLM 的 RAG 應用當中，如何評估 Retrieve 的正確率？』
- 『在LLM 的 RAG 應用當中，面對較大的知識庫時，有什麼可以優化 Retrieval 效能的方法？』
- 『假設你所隸屬的公司所使用的線上會議工具是 _______（基於大人們的因素，這裡以空格替代，讀者們可以自行想像是哪一套線上會議軟體），用戶想要把線上會議的內容，以自動化的方式產出摘要提供給會議召集人，請問如何應用 AI 技術作為解決方案？需要多少工時完成此需求？請簡單列出專案計畫。』
- 『請設計一份教材【如何讓生成式 AI 活化你的工作流程？】，教學對象為全公司員工，請問你會如何規劃教材大綱？以及教學方式?』
# 尾聲
這個部落格自創立以來，記錄著筆者從非資料科學相關科系與工作背景，僅透過自學（未報名任何實體或線上課程），最後轉職成功，先後在網路電商領域、以及現在的電子代工產業當中，從事廣義的資料科學應用開發的學習歷程。轉眼間，在這一行也待了超過五年，成為了那個偏誤的倖存者之一🙏
而筆者認為，現在該是時候，調整自己的職涯發展步調，同時告別這個部落格，讓它圓滿退休的了！2025 年起，筆者會在這一行持續深耕，期待在未來與各位有緣看到這一段的讀者們在線上或現下相會🍀