FDE Times 数据在招 FDE 职位 873▼9 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 55在招公司 181支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 98
ENVI

前线部署工程师(FDE)的专业媒体

分析

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。

分享微博

要点速览

  • Instrumental 要求 FDE 真正在工厂车间干过,Re:Build 则招有 3–5 年软件经验的人,让 FDE 与工厂的生产、工程和质量团队协同工作。
  • 工业 AI 的瓶颈在与 OT 的集成层:历史数据库的数据格式五花八门,传感器漂移必须在数据管道里处理。
  • FDE 可以承担数据工程,但领域知识仍离不开工厂工程师;有资料建议专门设立一个在 OT 与 IT 之间做“翻译”的岗位。
架构图:来自 OSIsoft PI、Wonderware InSQL 和 ODBC 文件的数据流入集成层,FDE 在这里搭建数据管道(以橙色高亮标为瓶颈),之后数据才到达 AI 模型。集成层下方是掌握 OT 和产线知识的工厂工程师,与 FDE 之间以虚线相连。
项目通常卡在 AI 与运营技术之间的集成层,很少卡在模型上。FDE 从多个数据源拉取数据,并在数据管道中处理传感器漂移;但要判断哪个数字有误,仍需要工厂工程师。来源:Industrial Monitor Direct、fde.academy。

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。

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。

这篇文章对你有帮助吗?

6 个信源
路线图上的下一篇 · 阶段 7: 项目主导自己造的内部工具,最能证明你能“负责到底”前提是工具有人负责、寿命已定,你转去下一个客户后,别人照样能运行。