分享

艾瑪人肉學習週記(Week14):你知道撈到的是什麼嗎?

來自台大生產力最佳化實驗室、拒絕透漏真實年齡的李家岩老師,08/15幫我們上了從09:30到16:30的課,主題是「智慧製造與生產線上的資料科學」,雖然剛開始,我(們)以貌取人地希望老師把主題改為「二寶爸看起來仍像大學生的保養秘訣」,但進入大綱後就不會想問老師保養品都買哪個牌子了(專心上課了),課程中點出了製造業在「資料驅動」的過程中,需要注意的方方面面,以及從失敗經驗中得到更為珍貴的啟示。
從「作業面、戰術面、戰略面」和「生產規劃、製成監控、供應協同」這3*3的矩陣中,形成了智慧製造的九大類主題,在智慧製造能夠實行之前,一開始講的是「資料預處理」,老師非常鼓勵大家可以到第一線,了解現場運作,才能透過隨時撈出的數據,知道這些數據如何反映現場的狀況。(老師是對的,你連撈到什麼都不知道,最好是你會知道能拿來幹嘛)
從「資料-資訊-知識」的過程中,資料是客觀的事實,若不真,便是「資料品質」有問題,又或者是,標記資料時,因為字跡潦草而都歸類為其他,老師曾將在某個案子中,光是把「其他」拉出來請工程師重新分類,就讓相同模型的正確率提高了10%。而資訊具「可解釋性」,現在多是「人」在解釋,也就是解釋(畫唬爛)空間很大,在思辨中會慢慢形成知識,而智慧是知識與經驗的累積。我們可以在這裡先停下來想一下:貴公司有對累積智慧這件事上透入資源、做出努力嗎?或者貴公司也許加減有在累積資料,但距離智慧還有多遠呢?
從「問題-決策-經驗」的過程中,問題來自於現實與預期的落差,透過人的判斷與周邊資源做出決策,而決策的結果不論成敗,都是經驗的一部分。在知識與經驗之間,儘管是需要時間累積,學用落差無法避免,在學校裡,修了一堂課,考試就是考這堂課的授課內容,但在真實世界裡,不會有人告訴你現在的問題需要用的是哪門課裡學到的東西。我一直認為拓展自己的知識地圖是非常重要的事,即使對特定領域不甚了解,但將人類的知識藍圖盡量納入自己可搜尋、待了解的範圍,因為我們首先得先知道它的存在,再來才是透過資料,讓我們在段短期內,看見悠長歲月中刻下的痕跡,這是一個不用以1:1的時間去兌換經驗的方法,況且,自以為有十年經驗、其實只是十個一年經驗的誤解,也是經常發生,跨領域、跨空間、跨時間,跨得起來,更有機會得到想法和創造力。
製造系統管理困難的三大理由/原因是「資源和KPI的多樣性、管理階層和製造現場間目標的衝突、變異」,其中「變異」是我認為最有趣的一點。當我還在股海浮沉時,身邊的人對於每天快速變化的市況,只把唯一的不變就變;當我現在在化工廠時,多數人並不喜歡事情與預期、計畫有落差,不過,老師在上課指出,變異某種程度上也代表資訊量,有資訊才能有改善。而越重要的工程參數,真的用統計方法越容易找出來嗎?還是回到沒有變異就沒有資訊,當設備商在最初設定機台時,調定某個參數並說那個參數很重要、不要動,從此這個參數就沒有變異,自然也無法從中提供資訊量。
另外一個與「自動化」有關的有趣觀點,是自動化其實是製造哲學的轉變。說起自動化,大家腦中浮現的多半是酷炫的機器人手臂和無人的物流中心,雖說這的確是自動化的具體實現,不過也是自動化的偏見。老師點出「自動化是製造哲學的轉變,透過消除浪費、降低產線不平均達到生產標準化且具有彈性的一種改善過程」,自動化不必然是大量投資在機器人與設備上,若沒有製造哲學的改變,流程不先檢視浪費,自動化就變成自動產生浪費(可能還以非常有效率地方是產生浪費)。
放飯前,還有一隻箭也直射我心:「沒有標準化,就會覺得問題似曾相似。」
對我來說,這支箭不只在工廠的生產裡,也在採購決策與例行工作中。2013年底,我剛加入現在的團隊,是一個新的團隊,最大的任務就是了解產業供需與即時市況,最主要的目標就是time market,在庫容、交期等種種限制下買進低價原料,剛開始的時候,許多東西都是從無到有地想解決、想預防問題的方法。
在2015-18年這段期間,我一直把「標準化」放在心裡,希望許多例行作業都能成為不假思索地進行,留下更多時間和腦力去與人互動、思考重要因素間的關係(如果人腦不易判別多項因素的交互作用,或者去放空讓大腦的潛意識去自動連結也行),除了日常作業外,我花了大量的時間去建構雲端的共用方法/流程,把很多東西收集起來想要累積成一個可用資料庫,甚至雄心壯志(不知死活)地在SAP中想要把工廠調度與採購用的系統連接起來,不過,2019年的人事的變化讓大部分的努力都飛灰湮滅了,至少我的部分我堅持過了,而人生總是要有某些堅持才會有美。
我認為「標準化」並只不是半導體工廠或開飛機才需要有的標準作業流程(SOP),光是平常任務的交付,也能有「標準化」的精神在裡面,如果一項任務只是胡吃海塞地往下面指派,對於共用數字的版本、進度、格式、基調、彙總方式也不先交代,這些分別看都可以說是小地方,但一連串的鬆散無紀律,就會導致做的過程中,多人一起浪費時間等待與釐清,想必是家大業大禁得起,我也歷經過了說多就是討人厭的階段,那就這樣吧,誰還沒幾個討人厭的同事,而我還不缺「被討厭的勇氣」,只是現在我的勇氣寧願拿來跨出自己的舒適圈去學習新的事物、認識有志一同的新朋友,我也沒有時間等待不願同行的人了。
在「良率/精度預測」的案例中,提到一個與我先前想過的問題似乎有關的觀念:
預測一個「值」,本身「沒有對錯」的問題。
預測一個「類別」,就有「對錯」的問題。
回顧7月中上完課時,我不禁思考起利用價格預測來做現貨採購,到底是要預測出值?還是要預測出漲跌?
下午講到「生產排程」,指出排程之所以難,是因為排程是多目標問題,我想起《決斷的演算》裡第五章的「排程」,不論是工廠裡的生產排程,或是我們每天的工作和生活中,也是一卡車的待辦事項,要滿足許多需求,第五章的「排程」裡有好幾個有好玩的標題,像是「『花時間』如何成為一門科學」、「先搞清楚用什麼標準來評量成果」,許多聰明人相方設法地設計排程,也真真是因為排程是在限制之下的最佳化問題。結合切換也是消耗資源這點,把待辦事項列出,分著輕重緩急去完成,我列清單的習慣很多年了,從兩年開始,我把每日、每週、每月都分區塊列出,想做的事情,竟也一件一件辦了,包含那些之前拖延許久的,像是程度不夠看了好久看不下去的書、再開始寫網誌等等。
Project部分,資料盤點的部分階段性完成了,八成以上的資料都有了,還有二成想用外部資料,待收集。這次想嘗試把股價那入預估模型中,因為股價相當能及時反應市場對輪胎公司情景的看法,網路上有很多python下載股價的教學,整組的程式碼可用,但現成的結果,需要找到關鍵處換成我需要的樣子:譬如要抓不同的公司的股價,就要換掉股票代碼,但我還想要把網路上抓下的每日股價,換成每週五的收盤價,希望日期那可以對齊另外八成資料的每週五的日期,卻發現,基礎語法不是很會用,遇到日期或頻率的問題,就無法把想法變成程式碼,再試著改寫別人程式碼時,連「=」和「==」都不甚清楚分別,5月中開學前拿到的書單,也都太難了,上週學長姊熱心揪的Zero Base for Python讀書會推薦的書是《精通Python》,看著的確比較入門,就從頭開始看吧!  
分類:學習

評論
上一篇
  • 下一篇
  • 更多文章
    載入中... 沒有更多了