【視頻】就業前景未見樂觀 年輕畢業生求職面對甚麼困難？

elbar

三、四月是畢業生求職黃金旺季，但對於部分應屆畢業生而言，就業前景卻未見樂觀。根據統計處資料，2025年第四季，20至24歲青年失業率達12.3%，較疫情時2021年同期的8.5%更高，年輕畢業生求職面對甚麼困難？根據大學聯校就業資料庫數據，針對大學生的全職職位空缺，由2021年第四季約1.5萬個，大跌逾五成至2025年同期約7,000個，創近年新低，為甚麼呢？青年就業困難如何反映世代焦慮？

ANChan59

akys 發表於 26-4-22 11:57
爸爸有錢，唔憂柴米。 英國讀 degree。 太辛苦唔想留低畢業後返咗香港做嘢。
...

唔憂柴米，讀唔讀master 都冇所謂。

有點奇怪怕英國辛苦，有個master，心頭更高，畢業返香港都係好大機會失業。

找不到工作不外乎幾個原因：
1。經濟及就業市場環境
2。本人的性格及意圖心
3。家庭的培養及價值觀

akys

ANChan59 發表於 26-4-20 19:24
你舊同學個仔會唔會志不在香港！？

爸爸有錢，唔憂柴米。 英國讀 degree。 太辛苦唔想留低畢業後返咗香港做嘢。

ANChan59

twhkleung 發表於 26-4-22 01:16
Vertical AI唔易搞, 特別係醫療級, IBM 花咗好多好多錢搞咗十幾年, 最後得個吉. 你條team好堅!

我 ...

在醫療Al開發上我只係略懂，不會裝懂，所以過往十年都係好少講太多，我哋個CTO好勁。我嘅層面較多講策略，應用，business model，風險管理，跟我行業經驗緊扣。

我哋資源有限之下，research strategy幾集中，先硬件，軟件再去Al，都係集中一種病。我哋有market research，好清楚個pain points，有少少disruptive technology 的情況。

以往這種檢查一定要住院，用多種設備檢測，全身好似蜘蛛網包圍。配戴上我哋嘅設備，現在可以係屋企collect data，然後upload 上雲端，就可以出報告給醫生作診斷。快靚正又平，在美國攞埋insurance code，可以claim medical insurance。

IBM這種大企業，一做就會做一個好大嘅scope，太大好難管理R&D，加上醫療係好保守嘅行業，個個以為自己好醒，好多性格巨星，點解我成日講multidisciplinary 嘅重要性。

就算蘋果有Apple watch，已經係wearable device，功能上已經係醫療設備，但係未能過到FDA就不可以claim，硬件容易，軟件難，Al更難。

如果過到FDA批准上市，所有嘢都要監管，包括設計，生產，採購，Q MS，post market surveillance ，adverse event reporting ，recall。成個product life cycle 都係要小心管理。蘋果first tier supplier鴻海究想入醫療設備行業，一闊三大，都重係小打小鬧。

其實好多小公司做MD，然後被大企業M&A，係一個常見嘅exit strategy。

******

補充一點，好多人以為醫院用嘅設備最精密，最準確，要求最高。事實上高端家用MD比較醫院用嘅更高要求。高端係相對於血糖計，血壓計，這些常見的家用MD。

MD追求第一安全性，第二才是療效。一個layman可以操作，不是一個醫護人員操作，在安全考慮已經好麻煩及複雜，好多風險及誤用係大家想都想唔到。

twhkleung

ANChan59 發表於 26-4-21 13:02
大家交流一下，你講嘅嘢，有啲我都要查字典／較可靠嘅網站。

這樣討論會實事求事啲，也清楚pros and cons ...

Vertical AI唔易搞, 特別係醫療級, IBM 花咗好多好多錢搞咗十幾年, 最後得個吉. 你條team好堅!

我自己覺得難搞原因有以下.

1. Anthropic, OpenAI 呢類 general-purpose AI model, 就算錯, 都唔會有咩後果, 唔好講我哋啲普通user/consumer, 就算賣畀enterprise用, 相信啲terms, 都保護到佢哋唔會有任何責任.
2. 但用喺醫療方面嘅AI就唔同, 出咗事, 唔係三幾間商業公司對佢嘅投訴, 而係整個社會同政府, 可能都會同時"移動"佢.
3. 而現時嘅ai model, 唔適合醫療級, 最主要原因, 就係佢響uncertainty方面嘅處理方法,
i. 唔識得講I don't know.
ii. 之餘仲要講到似層層.
4. Bayesian Inference Model 暫時係醫療對AI 研發嘅基礎framework. 佢主要係以下5大方面嘅希望.
i. Uncertainty  - 雖然佢都係唔識得講I dont know. 但係佢嘅答案, 會係類似咁樣,
- 可能性一, 乜乜乜, 50%,
- 可能性二, 乜乜乜, 30%,
- 可能性三, 乜乜乜, 15%,
- 可能乘四, 乜乜...
ii. Sparse Data (同small dataset唔一樣), 當數據唔足夠嘅時候, 仍然能夠相對客觀的比出分析.
iii. Interpretability比較高, 即係佢嘅blackbox冇咁black.
iv. 更重要嘅係, 佢嘅思考邏輯, 會更接近人類腦袋的思考方法.
v. 唯一可惜嘅係, 呢種ai model, 同現時嘅hardware, 例如, GPU/TPU, 係唔配合. 所以, 追求短期研究成果嘅大學團隊, 都好少研究向呢方面做努力, 通常, 只有大U (都係噏得出嗰幾間), 先有資源, 做呢方面嘅規模性/系統研究.

twhkleung

poonseelai 發表於 26-4-21 15:27
好深呀！要慢慢學下

今日聽到Apple 9月換CEO, 未夠50歳, 是一位hardware engineer, 在Apple由低做起

Apple Top management的管理質量真係好高, 佢哋可能係最後的大贏家, 負責收割ai的成果.

twhkleung

barque 發表於 26-4-21 17:43
女兒近期對Constitutional AI 好感興趣，近期自己都有做啲Research project去評估到底佢哋的準確性
...

呢個係暫時對管理AI Alignment 嘅大方向 (保證AI Model同人類Intent 保持一致), 而Anthropic 可以話係目前做的最好嘅, 原因:
1. Jan Leike:
- 在離開 OpenAI 後，他加入了 Anthropic 並領導對Alignment Science 嘅R&D 團隊。
- 他現在是Constitutional AI 的核心領導之一。
2. Jan Leike 和 Ilya Sutskever (Open AI Cofounder)一起, 在2023年反對Sam Altman, 只看錢而不顧AI與人類的倫理.
3. Ilya Sutskever 是Jeffrey Hinton (AI God Father)的PhD 學生, 他們共同成立的DNNresearch, 在2013年畀Google收購, 是近代AI 跳躍性發展的基礎力量(所以點解Jeffrey攞咗諾貝爾獎). Ilya 也是負責當年train AlphaGo的人.

AI 發展嘅history, 其實幾好睇, 好似睇小說咁.

barque

twhkleung 發表於 26-4-21 10:23
其實而家deploy咗嘅ai model, 同research嘅理論模型, 差別其實好大. AI Research Scientist 同 ML Engineer ...

女兒近期對Constitutional AI 好感興趣，近期自己都有做啲Research project去評估到底佢哋的準確性

poonseelai

好深呀！要慢慢學下

今日聽到Apple 9月換CEO, 未夠50歳, 是一位hardware engineer, 在Apple由低做起

早一兩年Apple被批評在AI方面大落後, 而家不少AI公司燒錢燒不停, Apple亦叫停了電車項目, 專注本業, 誰才是正確？

ANChan59

twhkleung 發表於 26-4-21 10:23
其實而家deploy咗嘅ai model, 同research嘅理論模型, 差別其實好大. AI Research Scientist 同 ML Engineer ...

我哋條team 入面有data scientists and ML engineers. 我講嘅research係clinical research，不是Al research。

我哋係比較上係似vertical model，特別係diagnostic device 相連的嘅演算法，係要有特定要求，不然就garbage in garbage out 。

不同Financial models 有不同的應用，可能同一堆data，用不同 models 會有不同結果，點解用邊個係要有justification，不同models 也可以睇到另一面的上下限及中位數值。buyer and seller 都有不同期望。

他們用multiple models 係某些complex 基金prospectus 入面講咗作價以某幾個model 做 reference，然後選中位數值，或者whatever highest or lowest。

ANChan59

twhkleung 發表於 26-4-21 10:26
其實呢度大家問嘅問題, 都係非常到位, 非常深, 我都只係基於自己所知, 嘅盡量分享, 啱定錯, 我自己都唔敢保 ...

大家交流一下，你講嘅嘢，有啲我都要查字典／較可靠嘅網站。

這樣討論會實事求事啲，也清楚pros and cons, limitations and biases.

ANChan59

barque 發表於 26-4-21 10:27
所以有時會將的資料用R A G Model整理好，然後用LL M Model配合。限制佢的回答只可以根據LA G的資料來答覆 ...

學到嘢！

ANChan59

poonseelai 發表於 26-4-21 10:01
係小學生已經用AI出貓

我都唔識俾反應。

barque

twhkleung 發表於 26-4-21 10:22
1. context 唔夠大, ,會係其中一個原因, 但係乜嘢叫做"夠大", 幾多先算"夠大"?2. 正如人腦, 其實個contact  ...

所以有時會將的資料用R A G Model整理好，然後用LL M Model配合。限制佢的回答只可以根據LA G的資料來答覆唔准佢作嘢。

twhkleung

其實呢度大家問嘅問題, 都係非常到位, 非常深, 我都只係基於自己所知, 嘅盡量分享, 啱定錯, 我自己都唔敢保證... 哈哈

twhkleung

ANChan59 發表於 26-4-21 06:56
本帖最後由 ANChan59 於 26-4-21 07:54 編輯

會唔會係個街外Al model 太貪心，想包羅萬有，於是顧此失 ...

其實而家deploy咗嘅ai model, 同research嘅理論模型, 差別其實好大. AI Research Scientist 同 ML Engineer, 工作性質其實差好遠, 當ai scientist做咗個ai數學模型, 喺實驗proof咗ok, ML Engineer 去deploy 過model 去雲端, 其實係作了大量嘅修改, 修改到其實個ai scientist都唔知佢搞過啲乜, 因為呢啲都係engineering work, 最終出街嗰個model, 會有好多實際嘅日常運作技術需要.

係咪太貪心, 想包羅萬有, 於是顧此失彼? 咁呢個一定係啦! 正如有個人, 話畀你知, 文科, 理科, 工程科, 法律, 醫科, 甚至神學, 佢都係專家, 咁其實即係呢條友乜都唔識囉.


同樣要做一個ai model, 乜都識, 有好多training strategy要修改. 所以, 做一個vertical model, 係會簡單好多, 從數據收集, 到訓練, 都係相對容易控制.


其實, 我哋每天生活, 面對嘅問題, 基本上都唔會只係得一個答案係 work嘅, 亦都唔會只係得一個選擇, 所以就算每一個model, 佢come up咗同一個答案, 但係其實佢哋嘅datapath, 可能係完全唔同, 就算d models,  大家都係用一模一樣嘅training data, 中間個best match過程, 唔一樣嘅機會係非常非常大.


Multi-model, 或者準確啲應該叫ensemble model, 其實都係因為唔相信一個model就可以做出一個好嘅答案.

train一個financial model, 一個health model, 或者一個general purpose嘅model, 邊個會容易啲? 一定要分的話, vertical model當然會易啲. 但vertical model要求, 又會畀general model嚴謹好多, 例如health model, 容錯率要求非常低, 但general model, 好似我上面講嘅分享, 錯到七彩,  搞咗我兩日, 都只係搞個table咁, 同埋個chart, 如果係個health model, 病人可能已經死咗!


至於benchmark, 呢啲都係基本嘢, 大家圍內, agree一堆weighted parameters, 咁咪叫benchmark囉, 就好似大學排名咁, 當你知道個benchmark用乜嘢weighted parameters, 慢慢的二三線大學二三線researchers, 就會睇注意啲parameters 來做performance.


"因為有不少financial models ，如果MxM個matrix 會好大，好難追縱到邊度出錯。"

都唔係淨係因為大, 本身個model係冇Observability, 冇interpretability, 簡單啲講, 就係一個blackbox, 沒有任何tracing tools, debugging tools, 可以幫你明白佢係基於什麼, 而得著呢個結果.
而家大家都想盡方法, 希望可以睇透多啲, 佢嘅邏輯決段process, 係點樣樣嘅.

twhkleung

barque 發表於 26-4-21 04:31
我覺得好多時AI做得唔好係因為［context]唔夠大和深。

1. context 唔夠大, ,會係其中一個原因, 但係乜嘢叫做"夠大", 幾多先算"夠大"?
2. 正如人腦, 其實個context memory都唔係好大, 所以點解人腦有分開Prefront Cortex 負責short term memory, Hippocampus/Neocortex 負責long term memory, Amygdala 負責Emotional Memory, ... 等等
3. 人並唔係將所有嘅記憶, 好似一個大平面咁, 全部都記錄低曬, 而係通過long short term memory嘅不斷切換, 來找到我哋嘅智慧決定.
4. 而家嘅ai model, 只係得一個preset嘅context memory, 跟沒有long short term memory呢個機制. 所以, 就算你畀好多好多context memories佢, 其實都解決唔到問題.
5. 而更重要嘅係, 係你問佢嘅問題本質, 如果係啲out of distribution 嘅問題, 即novelty 性質非常高, 個ai model, 就只會好有自信咁, 老作啲答案畀你.
例如, 我將阿仔個project用嘅algorithm, 首先, 叫佢check下已刊登嘅期行, 各大學嘅研究報告論文, 有沒有相關嘅publication, 如果冇, 咁我就知道, 呢個research嘅claim, impact有幾多唔知, 但novelty一定可以過到關. 咁之後再問佢, 你覺得呢個algorithm有乜嘢pros and cons, 因為佢個knowledge base完全冇呢方面嘅資料, 佢就會開始"好有自信"咁, 喺度"作故仔", 來回答你.

poonseelai

ANChan59 發表於 26-4-21 07:33
如果通街都係business + AI，就等同以前大學畢業，後來加交換生，又再加interns⋯⋯

俾我面試，我會要求 ...

係小學生已經用AI出貓

ANChan59

barque 發表於 26-4-21 08:53
你哋呢啲專業嘅Model，大型嘅LL M通用Model其實唔係好幫到手，你亦都唔會相信佢生成的答案。但係佢可以幫 ...

內行人就係內行人。

我當然唔會唔用，但唔會盲目相信。最緊要知道自己做緊乜嘢，想要乜嘢，唔係垃圾當寶。

有domain expert，自然有保障，不用怕被取代。太general 嘅話，冇Al都隨時被平價新鮮人取代！

barque

ANChan59 發表於 26-4-21 06:43
本帖最後由 ANChan59 於 26-4-21 07:20 編輯

可唔可以講多啲！

你哋呢啲專業嘅Model，大型嘅LL M通用Model其實唔係好幫到手，你亦都唔會相信佢生成的答案。但係佢可以幫你縮窄範圍，將相關嘅嘢查找出嚟，比專家作為參考。