Re: [徵才] 高雄仁武台塑雲端組徵AI工程師

[DrTech (竹科管理處網軍研發人員)]

※ 引述《yam193431 (d83n3n3)》之銘言：
: 這間公司聽到的IT/AI鬼故事
: 1.內部稽核用網頁有彩蛋（？）可以線上算命，附送廣告插件。高官子弟找不到好工作被大
: 量塞進電子組，故電子組工作量是非常不平均的。
: 2.某次老董不知去哪聽了大餅，回來宣佈要用監視器+AI抓微量洩漏。
: 3.承上，AI再怎麼屌，配普通監視顯然是看不到無色無味的洩漏，於是學習素材被換成會冒
: 煙的乾冰(WTF)，這莫名奇妙的案子據說砸了一個億。
: 4.高層看到AI會高潮，所以AI提案包括但不限於用影像辨視計算午餐熱量。
: 5.高層最近G點新增量子電腦。
: 6.承上高層看到某日商量子電腦新聞，要求底下人找該日商來介紹量子電腦，並要求底下衰
: 毛們積極學習量子電腦新知。
: 7.再承上底下的衰毛只好真的發信給某日商，某日商也很配合回信該技術無對外展示讓衰毛
: 基層能交差。
: 8.雖然滿口AI，這間公司實務之落後可以從所謂電子傳簽做法是先印出紙本再掃成PDF看出
: 來。
: 綜合以上可得，這間公司極度適合躺平者，畢竟生產現場也沒有期待這些瞎拼胡湊的AI系統
: 會工作，不要沒事嘰嘰叫，叫了能關掉就行了。

正常做法：
要改善工作效率，先改善工作流程，後做IT數位化，再來是IT系統的效率，效能提升，最後才是AI智能化。

有個老笑話：
一個工廠要判斷箱子內是否漏裝(空箱子)，還是有裝產品。一堆博士做了高科技儀器，X光透視掃描，判斷裡面物體形狀…

結果老師傅搬了一台電風扇，一吹，就知道哪些是空箱子了。
---
小弟待過很多工廠做過AI啦，基本上所有的專案都這樣。明明簡單的方法就能解決，結果一堆專案，為了AI而AI。

常見的有：
1.各種設備故障預測：搞一堆sensor，搞深度學習。還不如直接量電壓，電流，溫度變化三指標是否超出規格就好。

2.影像辨識，安防。偵測是否有人到禁區。一堆深度學習判斷人的軌跡。結果效果還不如直接用人體紅外擺在門口就好，還更準。

3.瑕疵檢測：搞一堆深度學習做瑕疵檢測，還速度慢跟不上產線，偵測出來還要人覆判。根本是來亂產線的。不如用原廠設備的檢測。

4.各種量產預測，產能需求預測，供應鏈預測。預測老半天，還不如客戶的一句話。

5.建立專家知識庫，一堆人在哪整理Excel，在哪分類標注文件類型，關鍵字。還不如直接拿個open source 全文搜尋系統，直接搜文件還快一點。

6.離職率預測，營運滿意度預測，搞了老半天。還不如馬雲的一句廢話：錢少了，心委屈了，更準。

7.產線良率預測，深度學習搞老半天。結果效果還不如直接看歷年或每月的趨勢線與均值。

8.生產排程最佳化，動不動就直接喊強化學習。喔，規模那麼小，環境變數又不能建模。還不如一直用傳統最佳化演算法定期算。
太多例子了…

然後Ppt上的效益，動不動就幾千萬，幾億隨便亂喊。更可拍是，報完了，就沒人用這些AI了。也不能用。

AI真的是先進國家阻礙台灣邁向工業3.0的大黑手。讓台灣一群人連資訊化，數位化的基礎工作都忘了。專門浪費錢做玩具。

電子製造業做產線AI或公司AI，就這點程度啦。大家別拿什麼高標準來看待。以上如有雷同，純屬巧合，歡迎各大公司，來對號入座。


--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.200.159.224 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1654860392.A.9E3.html
推 dosmark9    : 推一個
推 kyle5241    : big data 本來就是machine learning 的基本條件啊
→ kyle5241    : 妳這個只是不知道要餵什麼有用的資訊而已
推 choral      : 你講完別人怎麼撈R
→ choral      : 這些專案大家搓湯圓分錢才是重點R
推 saygogo     : 這些AI的案子都是高層拿來說嘴用途,你不幫他結案就
→ saygogo     : 是拿石頭在砸自己的腳
推 loadingN    : 最後一句 超酸！！
推 cityhunter04: 拿專案堵老闆的嘴啊！碎碎念很煩？
推 FourSkill   : 你是不是待過高雄某大廠?舉的例子都有中,包括但不限
→ FourSkill   : 於(對號入座)
推 hsiliang    : 台塑就是工業3.0都做不出來就只想彎道超車做工業4.0
→ hsiliang    : 。彎的過去是拓海，彎不過去是填海，但絕大多數就是
→ hsiliang    : 填海那一群
推 ntpuisbest  : 最白癡的是震動預測機台換掉，完全不知道是在幹嘛
→ bear1414    : 你講的狀況是幾年前的事情了
→ bear1414    : 現在技術進步很多了
→ DrTech      : 沒待過高雄，但是待過三家公司的產線做AI。各家公司
→ DrTech      : 也是一樣啊，看到別的公司做什麼了，然後沒做？老闆
→ DrTech      : 就會叫你抄別家公司的題目。論文題目也是到處抄，永
→ DrTech      : 遠那幾套。然後工研院也是，巨資中心的智慧製造題目
→ DrTech      : ，也都是那些沒實際價值的題目，大家互相抄。雷同很
→ DrTech      : 正常。
→ bear1414    : 產線檢測上很多是為了節省部分人力 這是有用的
→ bear1414    : 但的確也不乏有些廠商是做樣子的
→ bear1414    : 做樣子可以申請政府補助
→ bear1414    : 良率預測 有用的作法是找出怎樣的設定不會FAIL
→ bear1414    : 故障檢測通常是為了在真的壞之前就先預警處理
→ bear1414    : 真的壞的時候當然看表就知道
→ bear1414    : 不先預警處理 無預警的停線損失可能會更大
推 s379        : 超重即視感，你是我同事吧XD
→ bear1414    : 方法上不一定都要深度學習
推 lalastupidbo: 怎們看到產線IT的無奈身影XD
推 TISH12311   : 工廠AI化=砍人。
推 qsx889      : 有一些現場很好玩 你跟他說直接用甚麼sensor就好
推 saygogo     : 你不說是台塑我以為你在講我們公司
→ qsx889      : 更快更準更便宜他們會說阿上面說要做AI 算了隨便
→ saygogo     : 簡單的事情AI化花幾百萬講得天花亂墜秀的天花亂墜
→ saygogo     : 會升官
→ bear1414    : 最後一段有講到重點: 數位化是AI的先前步驟
→ saygogo     : 同樣的事情如果你去買兩個光電開關改PLC程式兩天解
→ saygogo     : 決,沒有AI成份 就什麼都沒有
推 dulldog     : 每一條都很認同。製造業搞AI，個人覺得只有瑕疵檢
→ dulldog     : 測有用，其他技術都不夠成熟或必要性。
推 AJones      : 天啊 你真的是巷子裡的 這篇拜託一定要m
→ AJones      : 說現在技術進步很多的  我也是笑到噴飯
→ bear1414    : 不知道技術進展的也只能繼續噴飯了
→ AJones      : 呵呵 我相信你一定是高層
→ bear1414    : 呵呵  我相信你沒有到第一線看過AI應用
推 Bujo        : 外包商負責人跟高層是好朋友，現在不騙以後就很難騙
→ Bujo        : 了，有些問題其實用不到AI，就算開天窗做個四不像，
→ Bujo        : 畫大餅的說這AI就是AI，現在台灣大多的AI是用來騙補
→ Bujo        : 助跟銀行貸款，反正銀行那些人跟老闆一樣懂個毛
→ bear1414    : 多數是沒有效益的AI 但有個開始其實總是好的
推 AJones      : 上這句我倒沒否認 基本上是對的
推 bear1414    : 其實就像DrTech講的 數位化是多數公司要做的第一步
→ bear1414    : 但"AI"已經被當成鐵鎚 本末倒置
→ AJones      : 但問題永遠出在人 給不對的人去領導 結果就...
推 bear1414    : 同意 有正確領導和想真導入的單位才能有最好的結果
→ bear1414    : 但通常是老闆想  下面不想 或剛好相反
推 longlyeagle : 要好好做一個 AI 題目真的要天時地利人和
→ longlyeagle : 不然就只能做 PPT 了
→ longlyeagle : 雖然原文表台塑表很多 其實台塑已經算是有出成果的
推 gino0717    : QQ
推 hsiliang    : 這麼說很悲哀，台塑在台灣真的算很強的，雖然管理
→ hsiliang    : 員工一點都不人性
→ hsiliang    : 賺錢只分給股東不給員工
推 Arashi0731  : 一堆工廠上班還在打實體卡的喊要大數據做AI，我也是
→ Arashi0731  : 笑笑
推 eett811025  : 推  蠻中肯的
推 ches728ter  : 被你說出來還怎麼撈錢
推 aacj2642    : 幹XDDD受傷很深吼XDDD
推 opencat     : 完美詮釋了達克效應
推 opencat     : 大部分的失敗案例其實都是選題錯誤
推 opencat     : 有簡單的方法 卻為了ai而ai當然會失敗
推 Youmukon    : 看完兩篇快笑死，台塑仁武真的10年都沒變，員工餐廳
→ Youmukon    : 的炒麵我看還是一樣甜
推 opencat     : 你的舉例 1,2,3,5,7,8 是AI表現不如簡單方法
→ opencat     : 4和6就是單純為反駁而反駁...
推 uxy82       : 選題有問題是因爲被要求的是工廠端，這些人大多沒
→ uxy82       : 有足夠的AI知識，但是上面的要聽各單位報告怎麼辦
→ uxy82       : ？擠一個題目出來拖時間，以拖待變
推 westercc    : 滿真實的，但有些應該是能靠選題避免或指標沒選好，
→ westercc    : 例如1當前預測故障其實很多設備就有機制能判斷了，
→ westercc    : 提目應該朝減少停機時間去做、或能預測未來一段時間
→ westercc    : 的狀態、例如3如果覆判準確率或成本能優於原本導入
→ westercc    : 前的狀態，那還是算成功
推 pregnpig    : 沒有AI, 這些傳產一樣不會把花在AI的錢投入工業3.0,
→ pregnpig    :  更不要說4.0
推 IdenTits    : 真的謝謝大大分享
推 prtscscroll : 基本上要能好好利用AI，起碼先找個真正做AI題目畢業
→ prtscscroll : 的來當主管，只有做過的人才知道AI能做到什麼程度以
→ prtscscroll : 及有什麼限制，那些半路出家只會看paper跟別人的投
→ prtscscroll : 影片介紹就自以為懂的就別鬧了，別人的期刊跟報告當
→ prtscscroll : 然會呈現自己最好的一面，看了只會產生很多天馬行空
→ prtscscroll : 的想法。
推 a44883      : 這鳥AI，讓一堆人有了工作，反正也是做數據而已
→ a44883      : 能過一天是一天，能騙就騙
推 T3T         : 我覺得有可能正好就是  為AI而AI  做給上頭看
→ T3T         : 至於有無效果  那就再說啦 (茶)
→ T3T         : 畢竟用電風扇  怎麼騙經費呢
推 darkdogoblin: 就AI神棍啊！前幾年很流行，說要取代什麼什麼，真
→ darkdogoblin: 試下去才發現機器的錢能雇好幾個原有的員工
推 AntEmpire   : 笑死 現在研究所的計畫也是滿滿的AI
推 xSAUCEx     : 某鋼也是高層要求做AI 結果方法是先要求人
→ xSAUCEx     : 力精簡 要求各單位提出AI精進方案啊 超白痴
推 lafel       : 中肯推  看這篇不知道該哭還是該笑
→ dildoe      : 工廠的AI啥時能餵資料/bug給交代 AI杯鍋才叫厲害吧
→ dildoe      :  XD
推 source0209  : 事實總是艱難。AI只是要拿來申請補助的
推 aaa7513231  : 優文
噓 snowboylove : 主管都不懂AI了….是說真的懂AI的會來領這種薪水？
推 a3294814    : 工業0.4
推 YJM1106     : 3是真的很難喔 對於某些型態（例如手機殼光滑面的
→ YJM1106     : 微細刮痕）人類檢驗員表現的比機器還好
推 mooto       : 只要能建立自動化，那些data怎麼進去不是問題。但也
→ mooto       : 不能garbege in
推 Mchord      : 深度學習來說萬物皆可建模，但問題合理性才是重點
推 ShadowPoetry: garbage in ,garbage out 鐵則
推 masatomarisa: 推，為AI而AI根本沒意義
推 tripleb     : 哈 這才是真實
推 lightidea   : 不要為了AI而AI 但是一定要有AI的案件
推 owen5611    : 帶頭的都是明志出來的 會這樣也不意外
推 djboy       : 這篇看完了，推一下。
→ kuluya997   : 領導階層真的太老了 不懂又愛跟風 笑死人
→ kuluya997   : 獲利方式還是不出榨 榨人榨成本 costdown
推 kokohihi    : 真的是過來人..太寫實了
推 oysteromele : 嘖嘖~同意…
推 tonfans     : 推 中肯
推 and221      : 前輩好!優文
→ red0210     : 寫得真好，以前去過南部一間世界級的傳產公司也是
→ red0210     : 這樣，資訊化落後、勉強擠個兩百筆資料就叫大數據
→ red0210     : 現在 AI 技術是真的很強，只是大多人不懂得如何用
→ OdaTakeda   : 預測需求這種東西真的跟擲茭一樣
推 prtscscroll : 氣象預測擺了多少觀測站 偵測多少變因都還不一定準
→ prtscscroll : 了 科技業要預測那些東西 先弄個天網蒐集所有人的言
→ prtscscroll : 行舉止 這樣AI應該就能預測成功了
→ Tkuei       : 笑，AI水很深的，很多台廠請兩個菜鳥畢業生買一張顯
→ Tkuei       : 卡就說我們要做AI, 當然什麼屁都做不出來啊
→ Tkuei       : 產線的也不會有AI sense啦，給兩張圖就問能不能用AI
→ Tkuei       : 做，最後當然鬧劇居多啊，真AI還是要交給專業的啦
推 chintei     : 這是現場經驗並考慮ROI的正常反應
推 deepcolor   : 完全命中
推 SAptr       : 確實 為了AI而AI 實際上效益有夠差 但我為了錢還是
→ SAptr       : 還有現在畢業生十個有九個都說要做AI 這東西就爛阿
→ SAptr       : 現在還有人以為人工智慧 實際上就工人智慧
推 laiko       : 4,5,6點超實際！本人都有遇過... XDD
推 qweeqwee    : 哈哈台塑ai哈哈 嗚嗚嗚