# 工厂 FDE 能扛下数据，产线知识却在工程师手里

> 制造业 FDE 往往要亲自做数据工程，而产线上真正关键的知识，仍掌握在工厂自己的工程师手中。

原文: https://fdetimes.net/zh/analysis/factory-fde-domain-expert-data-engineer/

Instrumental 招聘 Forward Deployed Manufacturing Engineer 的启事里，有一句话直白得少见：候选人必须真正在工厂或代工厂车间里干过，“不是在旁边，而是在里面”。

今年，Re:Build Manufacturing 也招聘了一名驻厂的前线部署工程师（FDE），要求却截然不同：3–5 年软件开发、技术支持或部署经验，外加 AWS。

两家公司都在把 FDE 派进工厂，但对于每个走向工业领域的工程师都会遇到的问题，它们给出了不同答案。这个答案决定了你该练什么、该往哪里投简历。

答案分两半。数据工程 FDE 可以扛下来，实际上也别无选择。但产线知识始终在工厂的人手里，FDE 真正的工作是站在两方之间做“翻译”。

## 前 90 天从提问开始

经典的 FDE 模式来自 Palantir。据 a16z 介绍，Palantir 内部称为“Deltas”和“Echoes”的工程师坐在客户组织内部，对自己构建的东西负责到底，而不是交付完就走。

一位 Palantir 工程师讲过一个能源行业项目的开局。团队到场后的第一件事，是决定 90 天内要解决哪个问题。为此，他们访谈客户，并尽可能多地阅读能源市场的资料。

这个细节说明，工程师并非带着领域知识进场，而是在工作中边干边学。不过，学到足以选对问题是一回事；理解深到能取代在产线上干了多年的人，是另一回事。

Re:Build 的岗位描述把这条边界划得相当清楚。它的 FDE 直接与工厂的生产、工程和质量团队合作，在现场快速解决问题。领域知识留在这些团队手里，FDE 负责连接。

fde.academy 对制造业 AI 的一篇分析补充道，工厂工程师往往很谨慎。与 OT 系统的集成需要格外小心，通常也必须和他们一起完成。换句话说，有些工作，FDE 再能干也不能独自去做。

## 最重的活在集成层

领域知识可以依靠工厂，数据却不行。Industrial Monitor Direct 对工业 AI 部署的分析得出结论：瓶颈反复出现在 AI 系统与工厂运营技术之间的集成层，模型很少是卡住的地方。

原因在数据本身。同一家工厂的数据可能分散在 OSIsoft PI（现属 AVEVA）、Wonderware InSQL，以及格式各异的 ODBC 导出文件里。把它们汇总到一个可用的地方，是数据工程师的工作量。

再就是传感器。fde.academy 强调，漂移或故障的传感器必须在数据管道里处理，只在模型层处理是不够的。这属于数据工程，而据 fde.academy 的说法，承担这项工作的正是 FDE。

## 一个漂移的传感器，划出了分工界线

举个假设的例子。你搭建了一个预警产线产品缺陷的模型，从 PI 拉取炉温，从每班导出的 ODBC 文件读取质检结果。几周后，模型开始成批报出缺陷，但实际报废率并没有变化。

如果只盯着模型层，常见的反应是重新训练。这样一来，模型会把错误的数值当成正常，真正的缺陷反而漏掉。

正确的做法是在数据管道里加一步：把这个传感器与参考传感器比对，偏差超过阈值就打上标记，暂扣数据，而不是直接送进模型。

写这个检查是 FDE 的活。但要知道是传感器在漂移、炉子其实并没有过热，或者这个传感器上周刚校准过，靠的是工厂工程师的知识。少了任何一方，这个检查要么写不出来，要么阈值设错。

**要点:** 工厂 FDE 能写好数据管道，但只有操作机器的人才知道哪个数字在说谎。

## 站在 OT 与 IT 之间的人

a16z 认为，Palantir 模式依赖一种极其稀缺的人才：兼具业务和技术能力，既能理解客户的问题，又能亲手构建系统。

在工厂里，门槛还要再高一档，因为这里的领域知识意味着理解每一个传感器、每一个班次。业务加工程的组合本就稀缺，指望一个刚到场的 FDE 顶替在机器旁干了多年的人，是一场很难据此制定招聘计划的赌博。

Industrial Monitor Direct 的文章给出了一条更务实的路：专门设立一个在 OT 与 IT 之间做“翻译”的岗位，而不是把这项工作拆给多个团队。

担任这个角色的人不必像工厂工程师那样熟悉产线，但必须会问对问题、会说双方的语言。这正是 Re:Build 给 FDE 的定位。

Palantir 的部署团队基于一小套可复用组件开展工作，把时间花在为每个客户挑选并验证合适的组件上。

他们不会每次都从零重写。省下来的时间投入到集成层，那里正是项目最常卡住的地方。

所以，两份招聘启事的真正区别在于领域知识放在哪里。Re:Build 愿意把它留给工厂团队；Instrumental 则希望其中一部分已经装在一个在车间站过的 FDE 脑子里。

## 该走哪条路

如果你是有 2–8 年经验、从没进过工厂的软件工程师，Re:Build 这类岗位是现实的入口。它们要求软件开发、技术支持或部署经验，这些你已经具备。缺的是工业数据，而这可以自己练。

就练项目最常卡住的地方。写一个连接器，从多个格式不同的数据源读取时序数据，再加一步在数据进入模型之前检测传感器漂移。放在 GitHub 上的这样一个小项目，分量远超一份精心打磨的模型训练 notebook。

第二项技能是提问。上文那位 Palantir 工程师一开始就是访谈客户、阅读行业资料。你可以在现在的工作中练习：下次运营团队给你提需求，先别写代码，问问他们怎么发现坏数据。

读招聘启事时，找那句描述你将和谁合作的话。像“与生产、工程和质量团队合作”这样的表述，意味着领域知识留在工厂。

如果写的是要求真正的工厂车间经验，说明公司希望你自己就是领域专家，而这个差距任何在线课程都补不上。

简历上避免写“构建了缺陷预测模型”这类泛泛的句子。写清楚你集成了哪些数据源、在数据管道里抓到了哪些数据错误、和运营方的谁一起合作。为工厂招 FDE 的人会读这些句子，来判断你能否应对项目最常卡住的那部分工作。

一个 90 天的工厂项目，不需要一个什么都懂的人。它需要的是一个让工厂工程师足够信任、愿意指出哪个传感器在说谎的人。

**本周动手试试:**

- 写一个小型连接器，从 ODBC 导出文件或 CSV 文件读取时序数据，再加一步：当某个传感器偏离参考传感器时自动打上标记
- 打开三份制造业 FDE 招聘启事，划出描述你将与谁合作的那句话，看领域知识是交给 FDE 还是交给工厂团队
- 把简历上一句“构建了预测模型”改写成具体描述：你集成了哪些数据源、处理了哪些数据错误

## 信源

- [The Palantirization of everything](https://a16z.com/the-palantirization-of-everything/)

- [Meet your future coworker: A day in the life of a Palantir engineer](https://builtin.com/articles/palantir-meet-your-coworker)

- [Closing the Last Mile: Industrial AI Deployment Solutions](https://industrialmonitordirect.com/blogs/knowledgebase/closing-the-last-mile-industrial-ai-deployment-solutions)

- [AI in Manufacturing: How Forward Deployed Engineers Deploy It](https://fde.academy/blog/ai-in-manufacturing-how-forward-deployed-engineers-deploy-it)

- [Forward Deployed Engineer (Re:Build Manufacturing)](https://jobs.generalcatalyst.com/companies/re-build-manufacturing-2/jobs/97497935-forward-deployed-engineer)

- [Forward Deployed Manufacturing Engineer (Instrumental)](https://jobs.eclipse.capital/companies/instrumental/jobs/90115587-forward-deployed-manufacturing-engineer)
