Một FDE ở nhà máy có thay được chuyên gia ngành và kỹ sư dữ liệu?
FDE phải tự gánh phần dữ liệu, còn hiểu biết về dây chuyền vẫn nằm ở người của nhà máy.
Tóm tắt nhanh
- Instrumental đòi FDE từng làm thật trên sàn nhà máy, còn Re:Build tuyển người có 3–5 năm làm phần mềm và đặt FDE làm việc cùng đội sản xuất, kỹ thuật, chất lượng của nhà máy.
- Nút thắt của AI công nghiệp nằm ở lớp tích hợp với OT: dữ liệu historian đủ mọi định dạng, cảm biến trôi số phải xử lý ngay trong pipeline.
- FDE gánh được phần kỹ sư dữ liệu nhưng vẫn cần kỹ sư nhà máy cho hiểu biết ngành; một nguồn khuyên tạo hẳn một vai trò chuyên dịch giữa OT và IT.
Tin tuyển Forward Deployed Manufacturing Engineer của Instrumental có một câu viết rất thẳng. Ứng viên phải từng thực sự làm việc trên sàn nhà máy hoặc xưởng gia công hợp đồng, “không phải đứng cạnh nó, mà là ở trên nó”.
Cũng trong năm nay, Re:Build Manufacturing đăng tuyển một FDE gắn tại nhà máy với yêu cầu rất khác: 3–5 năm kinh nghiệm phát triển phần mềm, hỗ trợ hoặc triển khai, cộng thêm AWS.
Hai công ty cùng đưa FDE vào nhà máy nhưng trả lời khác nhau cho một câu hỏi mà kỹ sư nào muốn vào mảng công nghiệp cũng sẽ gặp. Câu trả lời quyết định bạn nên luyện gì và nộp đơn vào đâu.
Câu trả lời có hai nửa. FDE gánh được phần kỹ sư dữ liệu, và thực ra không có lựa chọn nào khác. Nhưng hiểu biết về dây chuyền vẫn nằm ở người của nhà máy, và việc thật của FDE là đứng giữa hai bên để dịch.
90 ngày đầu tiên bắt đầu bằng việc hỏi
Mô hình FDE kinh điển đến từ Palantir. Theo a16z, các kỹ sư mà Palantir gọi nội bộ là “Deltas” và “Echoes” ngồi ngay trong tổ chức của khách hàng và chịu trách nhiệm về thứ họ xây. Họ không bàn giao rồi rời đi.
Một kỹ sư Palantir từng kể lại phần mở đầu của một dự án ngành năng lượng. Khi mới đến, việc đầu tiên của nhóm là xác định nên giải bài toán nào trong 90 ngày. Để làm được việc đó, họ phỏng vấn khách hàng và đọc càng nhiều càng tốt về thị trường năng lượng.
Chi tiết này cho thấy kỹ sư không mang sẵn hiểu biết ngành đến hiện trường, mà học nó ngay khi làm. Nhưng học đủ để chọn đúng bài toán là một chuyện. Hiểu đủ sâu để thay người đã vận hành dây chuyền nhiều năm là chuyện khác hẳn.
Mô tả công việc của Re:Build vạch ranh giới đó khá rõ. FDE của họ làm việc trực tiếp với đội sản xuất, đội kỹ thuật và đội chất lượng của nhà máy để xử lý nhanh các sự cố tại chỗ. Hiểu biết ngành vẫn ở lại với các đội này, còn FDE là người kết nối.
Phân tích của fde.academy về AI trong sản xuất nói thêm rằng kỹ sư nhà máy thường thận trọng. Việc tích hợp với hệ thống OT đòi hỏi làm cẩn thận và thường phải làm cùng họ. Nói cách khác, có những việc FDE không được phép làm một mình, dù có giỏi đến đâu.
Phần việc nặng nhất nằm ở lớp tích hợp
Nếu hiểu biết ngành có thể dựa vào nhà máy, thì phần dữ liệu lại khác. Một bài phân tích của Industrial Monitor Direct về việc triển khai AI công nghiệp kết luận rằng nút thắt liên tục xuất hiện ở lớp tích hợp giữa hệ thống AI và công nghệ vận hành của nhà máy. Mô hình hiếm khi là chỗ tắc.
Lý do nằm ở chính dữ liệu. Cùng một nhà máy có thể có dữ liệu trong OSIsoft PI (nay thuộc AVEVA), trong Wonderware InSQL và trong những file ODBC xuất theo kiểu riêng. Gom chúng về một chỗ dùng được là khối việc của kỹ sư dữ liệu.
Thêm vào đó là cảm biến. fde.academy nhấn mạnh rằng cảm biến trôi số hoặc hỏng phải được xử lý ở tầng pipeline dữ liệu, chứ xử lý riêng ở tầng mô hình là chưa đủ. Đây là việc của kỹ sư dữ liệu, và theo fde.academy, người nhận việc đó là FDE.
Một cảm biến trôi số cho thấy ranh giới
Lấy một ví dụ giả định. Bạn xây mô hình cảnh báo lỗi sản phẩm trên một dây chuyền, lấy nhiệt độ lò từ PI và kết quả kiểm tra chất lượng từ một file ODBC xuất mỗi ca. Vài tuần sau, mô hình bắt đầu báo lỗi dồn dập dù tỷ lệ hàng hỏng thực tế không đổi.
Nếu chỉ nhìn ở tầng mô hình, phản xạ thường gặp là huấn luyện lại. Làm vậy thì mô hình học luôn con số sai thành bình thường, và lỗi thật sẽ lọt qua.
Cách đúng là thêm vào pipeline một bước so cảm biến đó với một cảm biến tham chiếu, gắn cờ khi độ lệch vượt ngưỡng, rồi giữ dữ liệu lại thay vì đẩy thẳng vào mô hình.
Viết bước kiểm tra đó là việc của FDE. Nhưng biết đó là cảm biến trôi chứ không phải lò nóng lên thật, hoặc biết con cảm biến ấy vừa được hiệu chuẩn lại tuần trước, là hiểu biết của kỹ sư nhà máy. Thiếu một trong hai người, bước kiểm tra hoặc không được viết, hoặc được viết sai ngưỡng.
Người đứng giữa OT và IT
a16z nhận định mô hình của Palantir dựa vào những người có sự kết hợp cực kỳ hiếm giữa năng lực kinh doanh và năng lực kỹ thuật. Đó là khả năng hiểu bài toán của khách hàng trong lúc vẫn tự tay xây hệ thống.
Ở nhà máy, câu hỏi còn khó hơn một bậc, vì hiểu biết ngành ở đây là hiểu từng con cảm biến, từng ca máy. Nếu ngay tổ hợp kinh doanh cộng kỹ thuật đã hiếm, kỳ vọng một FDE mới đến thay luôn người đã đứng máy nhiều năm là một canh bạc khó đưa vào kế hoạch tuyển dụng.
Bài của Industrial Monitor Direct gợi ra một hướng thực tế hơn. Họ khuyên tạo hẳn một vai trò chuyên trách việc dịch qua lại giữa OT và IT, thay vì chia việc này cho nhiều đội.
Người giữ vai trò đó không cần biết dây chuyền nhiều bằng kỹ sư nhà máy, nhưng phải hỏi đúng và nói được ngôn ngữ của cả hai bên, đúng vị trí mà Re:Build đặt FDE của mình.
Các đội triển khai của Palantir xây trên một nhóm nhỏ thành phần dùng lại được, và dành thời gian chọn, kiểm chứng thành phần phù hợp cho từng khách hàng.
Họ không viết lại từ đầu mỗi lần. Thời gian tiết kiệm được từ việc không xây lại sẽ dồn vào lớp tích hợp, nơi dự án hay tắc nhất.
Vì thế, khác biệt thật giữa hai tin tuyển dụng nằm ở câu hỏi hiểu biết ngành đặt ở đâu. Re:Build chấp nhận để nó ở lại với đội của nhà máy. Instrumental muốn một phần hiểu biết đó nằm sẵn trong đầu FDE, người đã từng đứng trên sàn.
Bạn nên đi đường nào
Nếu bạn là kỹ sư phần mềm 2–8 năm chưa từng vào nhà máy, các vị trí kiểu Re:Build là cửa vào thực tế. Yêu cầu của họ là kinh nghiệm phát triển phần mềm, hỗ trợ hoặc triển khai, đúng thứ bạn đã có. Phần còn thiếu là dữ liệu công nghiệp, và phần này tự luyện được.
Hãy luyện đúng chỗ dự án hay tắc. Viết connector đọc dữ liệu chuỗi thời gian từ nhiều nguồn có định dạng khác nhau, thêm bước phát hiện cảm biến trôi trước khi dữ liệu tới mô hình. Một dự án nhỏ như vậy trên GitHub có sức nặng hơn nhiều so với một notebook huấn luyện mô hình đẹp.
Kỹ năng thứ hai là hỏi. Kỹ sư Palantir kể trên bắt đầu bằng phỏng vấn khách hàng và đọc về ngành. Bạn luyện được kỹ năng này ngay ở công việc hiện tại: lần tới nhận yêu cầu từ một đội vận hành, hãy hỏi họ nhận ra dữ liệu sai bằng cách nào trước khi viết dòng code nào.
Khi đọc tin tuyển dụng, tìm câu mô tả bạn sẽ làm việc với ai. Một câu như “làm việc với đội sản xuất, kỹ thuật và chất lượng” nghĩa là hiểu biết ngành ở lại với nhà máy.
Một câu đòi kinh nghiệm thật trên sàn nhà máy nghĩa là công ty muốn chính bạn là chuyên gia ngành, và một khóa học online sẽ không lấp được khoảng trống đó.
Trên CV, đừng viết chung chung kiểu “xây mô hình dự đoán lỗi”. Hãy ghi bạn đã tích hợp nguồn dữ liệu nào, lỗi dữ liệu nào bạn bắt được ở pipeline, và bạn đã làm cùng ai bên phía vận hành. Người tuyển FDE cho nhà máy đọc những dòng đó để biết bạn có làm được phần việc mà dự án hay tắc nhất.
Một dự án 90 ngày ở nhà máy không cần một người biết hết mọi thứ. Nó cần một người khiến kỹ sư nhà máy đủ tin để chỉ ra con cảm biến nào đang nói dối.
Bài này có hữu ích không?
Cảm ơn bạn đã góp ý!
6 nguồn
- The Palantirization of everything · 2026-01-16
- Meet your future coworker: A day in the life of a Palantir engineer · 2018-09-24
- Closing the Last Mile: Industrial AI Deployment Solutions · 2026-03-27
- AI in Manufacturing: How Forward Deployed Engineers Deploy It · 2026-10-01
- Forward Deployed Engineer (Re:Build Manufacturing) · 2026-10-20
- Forward Deployed Manufacturing Engineer (Instrumental) · 2026-08-15