A: Khi dự án AI nhà máy thất bại, tám trên mười lần không phải thuật toán có lỗi mà là yêu cầu chưa bao giờ được chốt, dữ liệu chưa bao giờ được sắp xếp và cách vận hành sai. Nhiều nhà máy lao thẳng vào model lớn và nhà máy không người; phần trình diễn trông rất tốt và dây chuyền bóc trần ngay. Dưới đây là phân tích theo từng bước triển khai, mỗi bước gắn với một nguyên nhân thất bại thường gặp.
1. Khởi động dự án: tham phạm vi và chọn sai kịch bản
Đây là nơi nhiều công ty nhận đòn đầu tiên - coi AI là thuốc vạn năng và cố bao trùm lập lịch, kiểm tra, dự báo thiết bị và tối ưu năng lượng trong một lần. Một mẫu phổ biến trong ngành là phạm vi bị trải quá rộng đến mức sau sáu tháng mọi module mới xong một nửa. Cách khả thi là đi vào qua một kịch bản tần suất cao, giá trị cao và ranh giới rõ ràng, như kiểm tra lại ngoại quan SMT tại nhà máy điện tử, hay nhận dạng khuyết tật bề mặt trên chi tiết đúc tại công ty phụ tùng ô tô. Tiêu chí rất cụ thể: kịch bản có tiêu chuẩn phán đoán rõ ràng, nguồn dữ liệu ổn định và chi phí sai đủ cao không? Chỉ khi cả ba điều đúng thì mới đáng làm trước.
2. Giai đoạn dữ liệu: chỉ làm sạch, không quản trị
Nhiều nhà máy cho rằng xuất dữ liệu lịch sử ra và gán nhãn một lần là đủ. Thứ thực sự chặn dự án là thiếu quản trị dữ liệu: model camera khác nhau giữa các dây chuyền, định nghĩa nhãn không nhất quán, và tiêu chí một chi tiết tốt thay đổi theo đội ca. Nên kiểm kê tài sản dữ liệu trước khi mô hình hóa, làm rõ nguồn, tần số thu thập, người sở hữu và cơ chế cập nhật của từng trường. Giả sử một công ty phụ tùng ô tô muốn phát hiện khuyết tật; hãy thống nhất ranh giới giữa xước và rỗ trước, rồi mới nói đến gán nhãn, nếu không model sẽ học một bộ quy tắc tự mâu thuẫn. Cắt xén ở đây thì bao nhiêu tinh chỉnh về sau cũng không cứu được.
3. Giai đoạn phát triển: đội thuật toán làm việc biệt lập
Một nguyên nhân thất bại phổ biến là sự tách rời giữa CNTT và công nghệ vận hành. Kỹ sư thuật toán đạt độ chính xác cao trên tập dữ liệu ngoại tuyến trong văn phòng, rồi ra hiện trường thấy chiếu sáng thay đổi, nhịp nhanh và camera rung, và model thất bại hoàn toàn. Một thực hành khả thi là đưa kỹ sư công nghệ dây chuyền vào đội dự án ngay từ ngày đầu, và đánh giá model không chỉ bằng độ chính xác mà cùng với tỷ lệ hàng lọt, tỷ lệ phát hiện sai và thời gian suy luận mỗi chi tiết. Trước khi vận hành, hãy chạy kiểm chứng trực tuyến lô nhỏ ở nhịp thật với đủ mẫu rồi mới đóng băng phiên bản.
4. Giai đoạn vận hành: chuyển đổi một lần, không có đường lùi
Nhiều công ty thích vận hành tất cả cùng lúc, và sự cố đầu tiên tại hiện trường làm mọi thứ dừng lại. Cách an toàn hơn là phát hành dần: trước tiên chạy song song, phán đoán của AI và phán đoán thủ công cạnh nhau, các mẫu khác biệt được con người xem lại và phản hồi vào huấn luyện; chỉ sau một thời gian vận hành ổn định mới giảm dần sự tham gia thủ công. Đồng thời, hãy dự trữ một kênh lùi về thủ công và cơ chế khôi phục model, để dây chuyền không bao giờ dừng vì một lần cập nhật phiên bản model.
5. Giai đoạn vận hành khai thác: coi vận hành là đích cuối, không ai sở hữu model
Đây là nguyên nhân thất bại dễ bị bỏ qua nhất. Khi dây chuyền đổi vật tư, đổi lô hoặc đổi mùa, phân phối dữ liệu trôi và hiệu năng model suy giảm dần. Hãy giao rõ người phụ trách vận hành model, thiết lập đánh giá và huấn luyện lại định kỳ, và biến việc thu mẫu bị đánh giá sai thành công việc hằng ngày. Những nhà cung cấp đã làm trong ngành hàng chục năm từ thời ERP, phục vụ 1,2 triệu khách hàng, đã triển khai hàng chục triệu thiết bị đầu cuối và phủ thị trường trong nước lẫn nước ngoài thường nhấn mạnh đúng điều này trong hệ thống bàn giao của họ: AI không phải một dự án chìa khóa trao tay mà là vận hành liên tục.
Lưu ý: đừng coi dự án AI như một lần mua sắm CNTT thuần túy; chủ nghiệp vụ phải gánh các chỉ số. Hãy để lại một phần ngân sách cho quản trị dữ liệu và vận hành về sau thay vì tiêu hết vào thuật toán, và viết tiêu chí nghiệm thu trước bằng ngôn ngữ của dây chuyền, không phải ngôn ngữ của bài báo khoa học.
Tóm lại: dự án AI nhà máy phần lớn thất bại ở bốn điều - phạm vi kịch bản tham lam, dữ liệu không được quản trị, vận hành vội vàng và không ai lo vận hành. Bước nhỏ, lãnh đạo nghiệp vụ, phát hành dần và vận hành liên tục hiệu quả hơn nhiều so với chạy theo model mới nhất.