Trung tâm kiến thức
Mục lục

Q: Huấn luyện mô hình AI thực sự cần bao nhiêu dữ liệu công nghiệp? Có trường hợp thực tế nào để tham khảo không?

A: Không có một “khối lượng dữ liệu khởi điểm” duy nhất cho AI công nghiệp; điều quan trọng là loại nhiệm vụ. Với kiểm tra thị giác bằng AI, mỗi loại khuyết tật thường chỉ cần vài trăm đến vài nghìn ảnh là đủ để huấn luyện một mô hình dùng được, trong khi bảo trì dự đoán thiết bị thường cần dữ liệu chuỗi thời gian tích lũy từ vài tháng đến hơn một năm. Dữ liệu có “đủ” hay không không phụ thuộc vào tổng khối lượng mà phụ thuộc vào chất lượng gán nhãn, độ phủ kịch bản và tính cân bằng của mẫu.

1. Trước tiên hãy xác định loại nhiệm vụ, vì yêu cầu dữ liệu chênh nhau cả một cấp số

AI công nghiệp đại khái chia thành ba loại. Loại thứ nhất là nhiệm vụ thị giác, như phát hiện khuyết tật bề mặt và kiểm tra tính đầy đủ của lắp ráp; với loại này, mỗi loại khuyết tật thường chỉ cần 300 đến 2.000 mẫu đã gán nhãn là đủ để huấn luyện một mô hình có thể đưa vào vận hành, và các khuyết tật hiếm có thể được bù đắp bằng tăng cường dữ liệu và học chuyển giao. Loại thứ hai là nhiệm vụ chuỗi thời gian, như dự đoán sức khỏe thiết bị dựa trên rung động, nhiệt độ và dòng điện; loại này phải bao phủ một chu kỳ vận hành hoàn chỉnh và thường cần thu thập liên tục 3 đến 12 tháng, với tần suất lấy mẫu cao nhưng chi phí gán nhãn tương đối thấp. Loại thứ ba là tối ưu hóa tham số quy trình, sử dụng dữ liệu sản xuất lịch sử để hồi quy hoặc tối ưu, và thường cần hàng chục nghìn bản ghi lô có gán nhãn kết quả chất lượng. Vì vậy trước khi hỏi “chúng ta cần bao nhiêu dữ liệu”, hãy hỏi trước “chúng ta đang giải quyết loại vấn đề nào”.

2. Chất lượng dữ liệu quyết định trần của mô hình nhiều hơn là tổng khối lượng

Một nhà máy điện tử làm kiểm tra mối hàn PCB ban đầu tích lũy hơn 20.000 ảnh, nhưng mô hình vẫn thường xuyên đánh giá sai trên dây chuyền. Điều tra cho thấy gần như toàn bộ mẫu là hàng tốt, chỉ có ba loại khuyết tật được bao phủ và điều kiện ánh sáng rất đồng nhất. Sau đó bộ mẫu được giảm xuống còn 6.000 ảnh, nhưng bổ sung bảy loại khuyết tật và bao phủ ba điều kiện ánh sáng cùng hai ca làm việc, và độ chính xác của mô hình đã cải thiện rõ rệt. Điều này cho thấy chỉ số cốt lõi của dữ liệu công nghiệp là độ phủ kịch bản và tính nhất quán của nhãn, chứ không phải số lượng thuần túy. Tiêu chuẩn gán nhãn không nhất quán và định nghĩa mơ hồ cho các mẫu ranh giới sẽ biến bao nhiêu dữ liệu cũng thành nhiễu.

3. Mẫu nhỏ cộng với học chuyển giao có thể đột phá trong giai đoạn khởi động nguội

Giả sử một công ty phụ tùng ô tô muốn phát hiện lỗ rỗ trong vật đúc, và dây chuyền vừa mới khởi động, chưa có dữ liệu lịch sử. Một con đường khả thi là tiền huấn luyện trên các bộ dữ liệu khuyết tật công khai hoặc trên dữ liệu từ các dây chuyền khác dùng cùng quy trình, rồi tinh chỉnh bằng vài trăm mẫu thu thập tại chỗ, sử dụng thuật toán thị giác truyền thống để sàng lọc trước. Nhiều giải pháp của nhà cung cấp hỗ trợ kiểu khởi động nguội với mẫu nhỏ này, rút ngắn giai đoạn leo dốc từ vài tháng xuống vài tuần. Khi dây chuyền đã chạy, việc khai thác mẫu khó trực tuyến liên tục bổ sung mẫu và mô hình lặp lại. Dữ liệu được tích lũy theo thời gian, không phải thu thập một lần là xong.

4. Dự án bảo trì dự đoán phải tính dữ liệu theo chu kỳ vận hành

Giả sử một công ty công nghiệp quy trình muốn cảnh báo sớm hỏng bơm bằng cách thu thập tín hiệu rung động và nhiệt độ. Với những dự án như vậy, khối lượng dữ liệu không nên tính theo “bản ghi” mà theo “chu kỳ vận hành” - toàn bộ quá trình từ vận hành bình thường đến diễn biến hỏng hóc mới là mẫu hiệu quả. Cách làm thực tế là thu thập tần suất cao với gán nhãn tần suất thấp: trước tiên xây dựng đường cơ sở vận hành bình thường trong hơn sáu tháng, sau đó ghi lại các cửa sổ xung quanh vài lần hỏng hóc. Mẫu hỏng hóc vốn khan hiếm, nên những dự án này phụ thuộc nhiều hơn vào việc kết hợp mô hình dựa trên vật lý với mô hình dựa trên dữ liệu; cách tiếp cận thuần dữ liệu khó thu thập đủ mẫu hỏng hóc.

5. Lời khuyên thực tế: xác định tiêu chí đánh giá trước, rồi mới đến quy mô thu thập

Đây là một nguyên tắc thực dụng: trước tiên xác định chỉ số nghiệm thu của mô hình (ví dụ tỷ lệ bỏ sót và tỷ lệ báo động giả), sau đó suy ngược ra phải bao phủ bao nhiêu kịch bản và loại khuyết tật, cuối cùng ước tính số mẫu cần cho mỗi kịch bản. Một sai lầm phổ biến khi triển khai AI công nghiệp là mua thiết bị thu thập dữ liệu trước rồi mới nghĩ đến tình huống sử dụng, cuối cùng có hàng đống dữ liệu nhưng không có mẫu gán nhãn dùng được. Kinh nghiệm của những nhà cung cấp đã xây dựng chuyên môn sâu từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng với hàng chục triệu thiết bị đầu cuối được triển khai, dẫn đến cùng một kết luận: thu thập dữ liệu phải gắn với chỉ số kinh doanh, và trước khi thu thập phải biết dữ liệu phục vụ mô hình nào và giải quyết vấn đề ở trạm nào. Quy mô là kết quả, không phải điểm khởi đầu.

Chủ đề: AI-FAQ