在資訊科技的公司裡工作的人，無論年資，大概常會聽到有人提到「在這裡學不到東西」「這個team沒有給足夠的訓練」「在這裡的發展有限」等等的牢騷抱怨。抱怨自然是人之常情，不過，個人職涯最終還是決定於自己。換言之，大部分的情況下：公司，環境，同事，工作內容...等等大概都不是「學不到東西」的主因。
任何情況下，都有以下三個實質的方式可以嘗試。
方法一：理解事實
任何事情，一開始都應該理解事實。
先確定是組織或者公司無法給予足夠的學習機會，還是自己沒辦法自我學習？假設沒辦法判斷，99%大概是屬於沒辦法自我學習的情況。
事實無好壞之分，事實只是單純的事實而已。然而，試圖了解事實有時候並不簡單。
一個剛畢業的學生，除非是高斯， 埃爾米特之類的天才，否則幾乎在任何組織裡，都有可以學習的事物。特別是在資訊科技領域裡，無論是正面學習，側面學習，甚至負面學習，在一段不長時間內(1-3個月)一定可以學到某些新技術，某些新觀念，某些應該避免的不正確的事情。
如何了解事實？可以試著問自己以下問題：
（假設處在一個軟體開發的組織中）
* 在這個組織裡面，所有相關技術你都能有效掌握？
* 組織中沒有人比你資深？
* 組織中比較資深的人，你都了解他過去的工作經歷？
* 目前組織中使用的程式語言，開發工具，你都已經徹底瞭解其優缺點？
* 目前整體開發過程的技術問題，都已經了解真正原因，並能務實地加以改善？
* 對於類似的軟體開發專案，類似功能的產品，都已經了解相較於自己團隊的優缺點，以及技術差異？
如果以上回答都是YES。事實就是這個組織真的無法讓你學到東西。不過如果有回答是NO，事實可能是你需要知道怎麼學習。
方式二：學習如何學習
請參考如何充實自己篇。
學習的本身是需要學習的。雖然每個人的學習方式略有不同，但提昇自己如何學習的能力，遠比把自己放在「可被教學」的環境來的重要。
簡而言之：花錢去上教學課程，在工作中有資深同仁可以帶領，參加各類型研討會...等等，這些雖然絕對益於個人成長。但是，「靠自己獨立學習」卻是一個難能可貴的技能。
而這項自我學習的技能也是需要學習。這衍生出看似複雜的問題：個人能否自我學到自我學習的技能？
撇除邏輯上的矛盾，找到適合自己的方式最為重要。若還沒有找到，可以參考如何充實自己篇。
舉個實際一點例子，假如你想學習作為一個好的軟體團隊中的QA，隨便在google或者youtube搜尋一下相關字眼，起碼可以找到數十個相關的教學文件甚至錄影。
認真花上幾個小時看完以下網頁以及教學錄影，相信你對這個主題肯定有某程度的瞭解。這都是僅透過"how to be a good software QA" 以及相關關鍵字搜尋得來：
1 http://www.guru99.com/software-testing.html
2 https://www.youtube.com/watch?v=sab0dblUpIE
3 https://www.youtube.com/watch?v=G5RpYi2dT04
4 https://www.youtube.com/watch?v=j8kY9txH2bc
5 https://www.youtube.com/watch?v=xCwkjZcEK6w&list=PLXXvO4OXeJrfbPrI0CV-re2VkdiV1dC7X
6 https://www.youtube.com/watch?v=vimfiZZ4NI0&list=PLZTe0pWS8OYv3KYWJTZT_3chbtpXBoiOz&index=6
7 https://www.youtube.com/watch?v=OLayCNOPWIo
8 https://www.youtube.com/watch?v=hMfPCdF07hA
方式三：做出結果
資訊科技相關工作，特別是和軟體開發有關的工作，「學習」是很重要，但是「產出」卻更為重要。而產出就表示有具體的結果出現。
例如：這幾年data scientist相關話題非常熱門，有許多已經在職場2-3年的軟體工程師，常常會以這工作能否讓他有「data scientist經驗」為學不學到東西的考慮因素。
然而，其實特定技術領域，學東西最正確的方式，應該是自己能做出「某種結果」。
如果想要有data scientist工作經驗？有太多現成的「真實」工作經驗可以自行取得。
在大部份組織內部，都有很多無形產生的資料。這些資料，絕對足夠一個程式設計師學習以及做出學習的結果。
例如：
- 程式碼版本控制系統(git, subversion, svs)。含有整個專案開發過程的「實質進展」資料，可利用他做時間序列分析，程式設計師個人績效分析。目前早有許多專案提供工具。
- 組織的AD資料。正常情況下含有可供內部公開使用的資料，例如組織架構，人員變更。
- Web Log。現在大部份的專案多少都使用HTTP，他必然會產生足夠大量的Log。一般Log分析工具（例如AWStats）已經可以做基本的資料分析，再配合machine learninig就可以做出各種有趣的結果
至於在組織外部，機會更幾乎是無窮盡的，也可以透過某些網站取得真實的資料，做真實的工作。例如：kaggle :在此有真實的專案，任何人都可以取得資料，透過自己的能力，完成資料分析專案。其他像是一般外包的網站：upwork.com也會有類似的工作，但可能不見得可以取得真實資料。
以結果為導向的學習，會比較腳踏實地，並且容易達到想要的效果。然而需要個人的興趣以及決心來支持。
參考：努力的三個迷思
沒有留言:
張貼留言