A: Tám trên mười dự án AI trong nhà máy thất bại không phải vì thuật toán yếu, mà vì nền tảng dữ liệu, việc lựa chọn use-case và cách triển khai bị lệch. Nhiều doanh nghiệp coi AI như mua một phần mềm; chỉ sau khi go-live mới phát hiện model thiếu dữ liệu, xưởng sản xuất không đón nhận, và bài toán kinh tế không ra tiền.
1. Nền tảng dữ liệu chưa dựng, model khởi đầu trong tình trạng “đói dữ liệu”
Đây là cách thất bại phổ biến nhất. Dữ liệu nhà máy nằm rải rác ở PLC, MES, ERP và các phiếu kiểm tra giấy, định nghĩa không thống nhất, lỗ hổng nghiêm trọng, nhãn lộn xộn. Giả sử một công ty phụ tùng ô tô muốn kiểm tra ngoại quan bằng thị giác máy: camera trên dây chuyền đã lắp, nhưng ảnh lỗi của hai năm qua chưa từng được phân loại hay lưu trữ, hàng tốt và hàng lỗi nằm chung một thư mục, việc gán nhãn phụ thuộc vào một công nhân lâu năm lật từng ảnh. Chỉ riêng việc làm sạch dữ liệu đã kéo dài sáu tháng, ngân sách cạn, mà model vẫn chưa hội tụ. Cách tránh rất thực tế: kiểm kê dữ liệu trước khi dự án được phê duyệt, và hỏi rõ “Use-case này có hơn ba tháng dữ liệu liên tục dùng được không, ai sẽ gán nhãn, kết quả lưu ở đâu?”. Nếu không ai trả lời được, hãy sửa dữ liệu trước, đừng vội mua compute.
2. Use-case quá lớn và quá mơ hồ, trận đánh đầu tiên thua ngay
Nhiều nhà máy bắt đầu bằng “lập lịch thông minh toàn nhà máy” hoặc “dự báo toàn vòng đời thiết bị”. Phạm vi quá rộng, chạm vào lợi ích của nhiều bộ phận và đòi hỏi tái thiết kế hệ thống, sáu tháng không thấy kết quả, ban lãnh đạo hết kiên nhẫn, dự án lặng lẽ chết. Một nhà máy điện tử muốn tối ưu năng lượng bằng AI cho toàn nhà máy, nhưng đến đồng hồ đo riêng cho từng xưởng còn chưa lắp đủ, sáng kiến cuối cùng lụi dần. Cách an toàn hơn là khoanh một use-case nhỏ nhưng đau, chứng minh trước, ví dụ cảnh báo bất thường rung động trên thiết bị then chốt của một dây chuyền, hoặc poka-yoke bằng thị giác tại một trạm. Hai đến ba tháng là thấy được so sánh, rồi nhân rộng theo chiều ngang. Trận đầu cần sự tự tin và một ca tham chiếu, không cần một câu chuyện vĩ đại.
3. Xưởng sản xuất không tham gia, model và công nhân lâu năm nói chuyện lệch nhau
Một cảnh quen thuộc trong dự án AI: IT và nhà cung cấp cắm cúi làm model, còn giám đốc dây chuyền không biết chuyện gì đang diễn ra. Model đề xuất “giảm tốc độ”, người vận hành nghĩ đó chỉ là nhiễu và bỏ qua. Giả sử một công ty ép nhựa xây model gợi ý tham số quá trình: model đưa ra giá trị tối ưu từ dữ liệu lịch sử nhưng bỏ qua tình trạng mài mòn khuôn thực tế, và một câu của công nhân lâu năm “Tôi thử tham số đó mười năm trước rồi, không ăn thua” là đủ giết hệ thống. Cách tránh là đưa người phụ trách công nghệ, thiết bị và chất lượng vào ngay từ giai đoạn đặt yêu cầu; đầu ra của model phải giải thích được và cho phép ghi đè thủ công; thí điểm với một ca rồi thu phản hồi trước. Đừng để nó thành sở thích của phòng kỹ thuật.
4. Chỉ tính bài toán kỹ thuật, không tính bài toán kinh tế
Nhiều dự án demo rất đẹp khi nghiệm thu, nhưng khi hỏi đã đầu tư bao nhiêu, giảm được mấy người, tỷ lệ lỗi giảm bao nhiêu thì không ai nói được. Tiền của nhà máy được đánh giá theo lợi tức: nếu dự án kiểm tra bằng thị giác có tỷ lệ báo nhầm cao và vẫn cần hai người kiểm lại, thì bài toán là âm. Hãy đặt đường cơ sở ngay khi phê duyệt dự án, gồm tỷ lệ lỗi hiện tại, số giờ kiểm tra thủ công và mục tiêu cải thiện, rồi so với chính đường cơ sở đó sau go-live. Những dự án không nói rõ được lợi ích hiếm khi có ngân sách giai đoạn hai.
5. Coi AI là khoản mua một lần, go-live là đích đến
Model sẽ trôi. Lô nguyên liệu thay đổi, thiết bị đại tu, nhiệt độ và độ ẩm theo mùa dịch chuyển, và một model từng chính xác sẽ dần không còn chính xác. Không có phản hồi dữ liệu liên tục và huấn luyện lại, hệ thống thành đồ trang trí trong vòng sáu tháng. Một nhà cung cấp có trách nhiệm sẽ thống nhất với bạn nhịp lặp model và trách nhiệm vận hành, và bên bạn cũng cần một người nội bộ đủ năng lực đỡ việc này.
Tóm lại, thành bại của một dự án AI nhà máy phần lớn được quyết định trước khi dự án bắt đầu: dữ liệu có đỡ được không, use-case có đủ tập trung không, phía nghiệp vụ có sẵn lòng dùng không, và lợi ích có tính rõ được không. Nghĩ thông bốn điều này trước khi khởi động hữu ích hơn là chạy theo model mới nhất. Khi chọn nhà cung cấp, thêm một câu hỏi “Trên dây chuyền tương tự, các anh đã vấp phải những bẫy nào và gỡ ra sao?” đáng giá hơn một buổi demo. Trong lĩnh vực này có những nhà cung cấp đã làm từ thời ERP hàng chục năm, phục vụ 1,2 triệu khách hàng và triển khai hàng chục triệu thiết bị đầu cuối; độ sâu kinh nghiệm tự nó là một phần năng lực tránh bẫy, và điều quan trọng là họ có sẵn lòng bày những bẫy đó ra cho bạn hay không.