「（髒話消音），這什麼破課程？光是把環境裝好就花掉我們整整半天！」
中午放飯時間，洗手間隔間內傳來這聲壓低卻無比真切的吐槽，隨即伴隨著幾聲心照不宣的嗤笑。
鏡頭拉回教室，投影幕上的簡報依然死死卡在第一頁。底下坐著的，是幾十位年薪百萬、掌控幾億產線運作的現場台柱；而在過去的三個多小時裡，這群大腦被強行按在座位上，像被拔掉插頭的機器人一樣，對著終端機黑畫面和 Anaconda 的進度條乾瞪眼。
在上一篇談「好奇心」時，我們剖析了資料科學家該如何撞開現場的大門。但許多企業高層隨即打起另一個算盤：懂技術的外行人摸透製程太慢，那反向操作不就得了？現場有現成的資深工程師與老師傅，腦袋裡裝滿了幾十年的物理化學與操作經驗，只要送去上個幾天課、補上程式與演算法，不就能無縫升級成完美的「複合型千里馬」？
邏輯看似通順，推動「公民資料科學家（Citizen Data Scientist）」的初衷也是為了解決需求傳遞失真的痛點。然而，當這套美好藍圖真正落進現行企業的培訓機器裡，演變出來的卻常是一場從打開 Anaconda 安裝畫面就註定出軌的自耗劇。
這類培訓最常見的翻車現場，永遠卡在第一天上午。
講師神采飛揚地要求大家下載 Anaconda、配置本機環境。接著，整間教室瞬間陷入死寂：產線筆電被總部 IT 用群組原則（GPO）死死鎖住管理者權限；資安防火牆把開源下載點全當成惡意連線；內網沒建鏡像源，指令一跑直接閃退報錯。
這些看一眼儀表就知道反應爐壓力的資深專家，平日是維繫生產的核心台柱，此時卻集體卡死在權限申請單與進度條前。
這不是現場同仁排斥數位化，而是企業在基礎架構與環境選型上的徹底偷懶。在容器化沙盒與雲端運算成熟的今天，連讓學員在 Web 介面或預先配置好的受控環境中點開即用都做不到，反而把全廠最昂貴的專家工時拿去給安裝報錯當祭品。這 30 億學費裡，有一大筆就是這樣燒掉的——不是買伺服器，而是拿高薪產線大腦去陪進度條乾耗。
未見轉型成效，技術債與挫敗感已先吃掉整座工廠的耐心。
好不容易折騰到下午，環境勉強能動，教材卻拿出了鳶尾花（Iris）分類與鐵達尼號（Titanic）生存預測。
台下的專家看著螢幕上的特徵切片與迴圈，心裡的問號無比真實：
「我管這朵花的花瓣多寬幹嘛？」
「鐵達尼號哪個艙等會淹死，跟我產線的良率、冰水主機的能耗到底有何關係？」
很多短期課程最大的硬傷，在於缺少一套由上而下的「作戰總綱」。市面上多數培訓急著兜售演算法，卻從未告訴現場：這項技術在工廠的真實版圖裡落在何處？它的物理邊界在哪裡？
這甚至不能全怪人資或主辦單位——在高層只要「宣傳人次」、各廠區又只肯放人三天假期的結構性矛盾下，訓練單位往往只能把課程辦成一場交差了事的嘉年華。 但這種結構性倒置，讓教學順序徹底崩潰：直接教寫 Code、調參數，學員根本沒有體感。一個符合工程認知規律的培訓階梯，順序應該徹底反過來：
第一步：直視翻車現場
不要先寫程式，先看「沒搞懂規則會死得多慘」。直接拿過往失敗的工業案例攤開來看：什麼叫「把未來的檢驗數據當成特徵輸入」的標籤洩漏（Target Leakage）？什麼叫「模型準確率 99%，一上線卻讓反應爐直接跳俥停機」？先讓現場專家看懂盲區的真實代價，他們才會對數據的嚴謹度產生敬畏與好奇。
第二步：建立總綱與邊界認知
讓 Domain 專家明白 AI 不是魔法，本質是高度依賴數據品質與穩定分布的統計工具。學會辨認哪些是物理因果、哪些只是虛假關聯，清楚知道外部團隊或廠商開出的規格到底有沒有偷換概念。
第三步：帶著痛點體驗代碼，建立「演算法體感」
看過後果、建立框架後，這時再讓現場人員碰程式碼，目的絕非把他們訓練成每天刻語法的碼農，而是建立最小單位的底層體感。外科醫生不必親自打鐵煉鋼做手術刀，但他必須清楚手術刀在何種角度與極限下會折斷。親手跑過幾行資料清洗、切身體會過一次維度災難，現場專家未來在審查專案時，才不會開出脫離工程現實的空想。
他們該學的從來不是 .fit()，而是學會看懂混淆矩陣、學會辨認資料穿越，用嚴謹的工業語言開出具備物理因果的規格書，去卡死那些只會用華麗名詞忽悠人的不良廠商。
缺少上述認知的培訓，走出教室後往往留下一地雞毛。
現場人員好不容易在教室那套與世隔絕的「乾淨環境」裡，小心翼翼地把 Notebook 一格一格點出結果，跑出幾張漂亮的圖表，滿心以為自己學會了技術。然而一回到真實廠區，迎面撞上的卻是一堵冰冷的高牆——工廠的 PLC、SCADA 根本不可能直接跑你的 .ipynb 檔案！
在工程維運與系統架構的視角下，Jupyter Lab 這類互動式環境極度不利於後續的正式部署與維運。在介面裡按 Shift+Enter 執行自嗨，跟把它封裝成具備容錯、異常重啟、能 24 小時在工業現場穩定運行的服務，中間隔著嚴苛的軟體工程門檻。
更何況，這群專家回到廠區，本質上是要去面對廠商、統包商與專案團隊的「把關者」，而不是自己跳下來打字。在生成式 AI 已能快速產出基礎腳本的當下，逼他們死記語法完全是本末倒置。
很多主管以為買課上課是低成本轉型，卻不知道這種無效培訓正是系統日後無法維運的元兇：你在課堂上親手掐死了現場專家的信心與信任，往後工程團隊上線的系統，現場哪敢接手維運？
一旦現場專家只學會了照貓畫虎調套件，盲目套用的結果除了交出一堆無法維護的自動化垃圾，更會引發產線出錯；而只要出錯一次，現場對數據轉型的信任便徹底崩塌，往後只要總部再提「智慧化」，換來的只有本能的防禦與嗤之以鼻。
這幾年企業繳出無數昂貴的學費，買到最深刻的教訓就是：千萬別把數位轉型當成角色互換的 Cosplay 派對。
幾天的密集培訓，不可能把資深師傅洗成演算法專家，正如資料科學家不可能一週摸透幾十年的化學平衡。企業推動培訓的真正價值，不在於要求現場專家徒手造出輪子，而在於：
藉由真實的翻車案例，讓現場看懂數據落地的高壓線；
透過適度的實作體驗，讓現場掌握演算法的物理極限與溝通語言；
讓他們能站在自己深厚的 Domain 根基上，用精準的工業因果關係去定義問題、卡死漏洞、驗收成果。
維運不是一個人把所有事情幹完，而是讓懂物理因果的人定義規則，讓懂工程架構的人負責落地。培訓不是交差，更不是讓大家去當低階打字員。當現場專家懂得如何避開陷阱開出好靶，專業的工程團隊才能將箭精準射在靶心上。
「人」的篇章到這裡告一段落——從挑長官、防甩鍋、辨好奇，一路聊到信數據與育人的迷思。
但就算組織裡湊齊了人，更殘酷的考驗才剛開始：這場轉型，究竟是重獲新生，還是下輩子又是一條好漢？
外面演講言常見「降本13%」、「節省工時15%」諸如此類的數據將簡報吹得震天響，但引述某位董事長內部會議時悠悠地質疑：「都說 AI 帶來幾百億效益，為什麼財報上一點都看不到？」
在 Token 數與使用量滿天飛的自嗨時代，彼得·杜拉克那句名言依然冰冷刺骨：沒有度量，就沒有管理。 如果連決策提速與流程改變都無法精準量化，這場專案就注定只是新聞稿上的迴光返照。
下一篇，我們正式踩進最殘酷的指標戰場：《生死的刻度：轉得好是重生，轉不好是往生》。
iThome鐵人賽
看影片追技術