Methodology · 方法論
在還沒實際生產之前，用手上已知的資料加上老師傅的經驗，去推估一個尚未發生的結果——並且講清楚這個推估能信多少、什麼時候會失效。含真空電鍍與橡膠壓模兩個實戰案例與五步迴圈流程圖。
很多人把「資料分析」和「資料推論」混為一談，但它們的目標完全不同，方法也不該一樣。
分析，是整理已經發生的事——把歷史良率、試模紀錄、異常代碼攤開來看趨勢、找原因。資料都在，問題是「看懂」。
推論，是去賭一個還沒發生的值——這個新產品第一次試模，料重該抓多少？這個公差用現有機台做得出來嗎？這張報價合不合理？資料不齊，問題是「在不確定下，先給一個夠用的答案」。
這套方法的暗線，是一組矛盾在推著它走：「已知 ↔ 未知」。每跑一圈迴圈，就把一塊未知變成已知，下一次推論的底氣就更足一點。累積到某個程度，推論可靠到能直接下放現場——這時候量變就成了質變。
前四步把一個未知推成可下手的判斷；第五步把實際結果（不論成敗）存回去，變成下一輪第三步的新錨點。迴圈越跑越多，推論越準。
推論之前，先把兩件事講死：要推的目標是什麼，以及容許誤差是多少。沒有誤差門檻，就沒辦法判斷推論到底夠不夠好——這是整套方法的地基。
「料重抓 12 克」這句話本身沒有意義，要看是「12 克 ±0.3 克」還是「12 克 ±2 克」。前者逼你找很接近的錨點、可能還得做兩三輪；後者一次內插大概就過關。誤差門檻同時決定了你要花多少力氣、要找多像的錨點。
手上的資料不能一視同仁，要先分層，因為不同來源的可信度差很多：
這一步其實就是把 CAD 圖面從「資料」變成「資訊」：圖面只能由人打開來看的時候，它還停留在文件層次；當你把尺寸、公差、材質、模穴抽成結構化欄位，能跟歷史案例比對了，它才開始有判斷價值。
這是整套方法的核心動作。找一兩個相似的已知案例當「錨點」，把目標夾在中間，再往中間推。這在數值方法裡叫線性內插，反覆做就是逐次逼近。
但有個關鍵前提：逼近能成立，是因為在這段範圍內，參數和結果大致單調、接近線性。0.03 到 0.07 之間若平滑單調，內插就準；一旦跳出這個區間去外推，或中間有非線性突變，就不保證了。這正好把我們帶到第四步。
每一個推論結果，都要掛上三個標籤，缺一個都不該交出去：
來源這個值是從哪幾筆資料推出來的？
相似度錨點跟目標到底多像？同族群？還是只是形狀接近？
適用範圍這條規則在哪些產品／條件內有效？一旦外推或換族群，就要重新驗證。
這個教訓，正是 AI 最容易出錯的地方：AI 若只學會那條公式，卻不知道它能用在哪些產品上，超出範圍照樣會給出一個很有自信、卻是錯的答案。所以邊界標籤不是附註，是推論能不能信的關鍵。遇到新產品、新材料或超出過去經驗的條件，一律要由工程人員和老師傅再把關一次。
推論到這裡還只是一個假設，不是結論。小規模驗證一次，然後把結果——不管對不對——都存回資料庫，變成下一輪第三步的新錨點。
這一步讓整套方法會「長大」：錨點越累積越密，逼近就越準；密到某個臨界，推論可靠到能直接下放現場，不必每次都等老師傅站在旁邊。這就是前面說的——量的累積，跨過臨界，變成質的飛躍。
把五步串起來，用一個真實案例看整條迴圈怎麼跑。
| 步驟 | 這個案例怎麼做 |
|---|---|
| 1 定義目標 與誤差 | 目標膜厚 0.05μm；規格上下限就是容許誤差，超出即判失敗、需重鍍。 |
| 2 攤開已知 | 硬數據：現有 0.03μm 與 0.07μm 兩組完整生產參數。軟經驗：製程對電流／時間的反應方向。空白：0.05μm 沒有現成配方。 |
| 3 找錨點 逼近 | 以 0.03 與 0.07 兩組為錨點，把 0.05 夾在中間做線性內插，推出一組起始參數。 |
| 4 標可信度 與邊界 | 來源＝那兩組參數；相似度＝同製程同材料、可信度高；適用範圍＝僅限 0.03–0.07 這段，跳出區間不保證。 |
| 5 驗證 回灌 | 小批試鍍、量測膜厚確認落在規格內；把 0.05μm 這組成功參數存回，之後它就成為新的錨點。 |
整條跑下來的價值，不是少按幾次計算機，而是把試錯的鍍膜次數壓到最少——靠統計與品管的底子做有根據的內插，而不是亂試。
適用：在資料不齊、又必須提前下判斷的製造場景——新產品試模條件、料重與切料規格估算、製程參數起點、報價合理性、不良根因的初步收斂。橡膠壓模、塑膠射出、CNC、沖床、鈑金、電鍍等，邏輯共通：先看圖面，再結合材料、設備、製程與歷史結果推估。
限制：① 逼近只在「單調、近線性」的區間內可信，外推與非線性突變需特別小心；② 錨點若不夠相似，內插結果只是看起來合理；③ 軟經驗無法量化的部分，仍需老師傅最終把關；④ 推論是給起點、降低試錯，不是取代驗證——高風險製程一定要小規模實測過才放量。