A: Việc chuẩn bị quan trọng nhất cho một dự án AI là hoàn thành hai việc trước: xác định rõ bài toán kinh doanh và kiểm kê tài sản dữ liệu. Chỉ sau đó mới bàn đến lựa chọn công nghệ và ngân sách. Nếu không, đề xuất có hoàn chỉnh đến đâu thì khi thực thi cũng sẽ tắc ở chất lượng dữ liệu hoặc ở một tình huống không rõ ràng. Cụ thể, việc chuẩn bị có thể chia thành năm chiều.
1. Định nghĩa bài toán kinh doanh theo cách lượng hóa được
Trước khi khởi động, bạn phải viết được mục tiêu thành một chỉ số đo lường được, ví dụ “giảm tỷ lệ phán đoán sai của AOI trên một dây chuyền SMT nhất định xuống một số điểm phần trăm cụ thể”, chứ không phải “dùng AI để cải thiện kiểm tra chất lượng”. Về chọn tình huống, hãy ưu tiên những công đoạn tần suất cao, có quy tắc tương đối rõ ràng và tiêu tốn nhiều thời gian phán đoán thủ công, như kiểm tra khuyết tật ngoại quan, bảo trì dự đoán thiết bị, tối ưu tham số công nghệ và lập kế hoạch sản xuất, đều là những hướng đã có con đường triển khai khá trưởng thành trong sản xuất. Giả sử một doanh nghiệp phụ tùng ô tô muốn kiểm tra khuyết tật bề mặt vật đúc: khi khởi động phải nêu rõ có những loại khuyết tật nào, ai đặt tiêu chuẩn phán đoán, và phán đoán sai hay bỏ sót tốn kém hơn. Những điều này trực tiếp quyết định tiêu chí gán nhãn về sau.
2. Kiểm kê nền tảng dữ liệu theo ba tầng
Nền tảng dữ liệu không phải chuyện “có dữ liệu hay không” mà là ba tầng. Tầng thứ nhất là tính khả dụng của dữ liệu: dữ liệu liên quan đến tình huống mục tiêu đã được thu thập chưa, hệ thống nào giữ nó (MES, SCADA, ERP, QMS hay hồ sơ giấy), và tần số thu thập có đủ hay không. Tầng thứ hai là chất lượng dữ liệu: nhãn có chính xác không, mốc thời gian có căn chỉnh không, tỷ lệ giá trị thiếu và tỷ trọng giá trị ngoại lai là bao nhiêu. Vấn đề phổ biến tại hiện trường công nghiệp là tần số lấy mẫu dữ liệu thiết bị không thống nhất và số lượng lớn trường nhập tay bị bỏ trống. Tầng thứ ba là quản trị dữ liệu: có mã vật tư, mã thiết bị và mã công đoạn thống nhất hay không, những thứ này quyết định dữ liệu đa nguồn có liên kết được hay không. Tình huống hình ảnh thường cần đủ mẫu đã gán nhãn cho mỗi loại khuyết tật, bao phủ khác biệt về ánh sáng, lô và trạm làm việc; tình huống chuỗi thời gian cần dữ liệu lịch sử trải qua dao động theo mùa và các điều kiện bất thường.
3. Tổ chức liên phòng ban và người chịu trách nhiệm
Khi khởi động, phải xác định ba vai trò: bên nghiệp vụ (nêu yêu cầu, đặt tiêu chuẩn, nghiệm thu cuối cùng), bên dữ liệu (phòng IT hoặc phòng số, chịu trách nhiệm kết nối dữ liệu và giao diện), và bên thuật toán (đội nội bộ hoặc nhà cung cấp bên ngoài). Những dự án thiếu sự tham gia sâu của nghiệp vụ dễ nhất bị mắc vào các tranh cãi lặp lại về tiêu chí gán nhãn và tiêu chuẩn nghiệm thu. Hãy chỉ định một “chủ sở hữu tình huống” phía nghiệp vụ ngay khi khởi động, người có quyền phê duyệt tiêu chuẩn phán đoán.
4. Điều kiện hạ tầng và tích hợp
Hãy đánh giá xem mạng, năng lực tính toán và lưu trữ hiện có có đáp ứng được công việc hay không. Đặc biệt các dự án thị giác có yêu cầu về băng thông và tính toán biên, còn dự án chuỗi thời gian có yêu cầu về thời gian lưu giữ dữ liệu. Cũng cần xác nhận hệ thống AI tích hợp với MES và QMS hiện có như thế nào, kết quả suy luận có phải ghi ngược vào lệnh sản xuất hay không và có kích hoạt cảnh báo hay không; khối lượng công việc giao diện này thường bị đánh giá thấp.
5. Logic ước tính đầu vào và đầu ra
Đề xuất phải nêu rõ cơ cấu chi phí: thu thập và gán nhãn dữ liệu, phần cứng tính toán, nền tảng phần mềm, tích hợp triển khai, bảo trì thường xuyên, và thời gian nhân lực mà bên nghiệp vụ bỏ ra. Về lợi ích, hãy dùng các thước đo kiểm chứng được ở mức tối đa, như giảm số giờ kiểm tra lại hay giảm tỷ lệ phế phẩm, thay vì viết chung chung “nâng cao hiệu quả”.
Câu hỏi liên quan 1: Cần bao nhiêu dữ liệu mới đủ để biện minh cho việc khởi động?
Không có con số phổ quát; nó phụ thuộc vào độ phức tạp của tình huống. Phát hiện khuyết tật bằng hình ảnh thường cần hàng trăm đến hàng nghìn mẫu đã gán nhãn hiệu quả cho mỗi loại khuyết tật, không có mất cân bằng lớp nghiêm trọng. Bảo trì dự đoán quan tâm đến độ dài thời gian của dữ liệu và độ bao phủ mẫu lỗi hơn là số bản ghi tuyệt đối. Khi khởi động, hãy chạy một kiểm chứng khả thi với ít mẫu, thiết lập đường cơ sở bằng dữ liệu hiện có, rồi đánh giá khoảng cách.
Câu hỏi liên quan 2: Không có dữ liệu lịch sử thì có làm được dự án AI không?
Có, nhưng con đường khác. Một lựa chọn là dùng luật hoặc thuật toán thị giác truyền thống làm phương án dự phòng trong khi bắt đầu thu thập dữ liệu. Một lựa chọn khác là dùng mô hình đã huấn luyện trước để học chuyển tiếp ít mẫu. Hãy rõ rằng những dự án như vậy có chu kỳ và độ không chắc chắn cao hơn, và liệt kê “giai đoạn tích lũy dữ liệu” thành một mục tiêu giai đoạn riêng khi khởi động.
Câu hỏi liên quan 3: Có nên chạy POC khi khởi động không?
Có, nhưng mục tiêu POC nên là “kiểm chứng tính khả thi của dữ liệu và thống nhất tiêu chuẩn nghiệp vụ”, không phải đuổi theo kết quả demo. Nếu POC làm cho tiêu chí gán nhãn, chỉ số nghiệm thu và giao diện tích hợp chạy được, thì việc phải làm lại trong triển khai chính thức sẽ giảm rõ rệt.
Ranh giới giữa phù hợp và không phù hợp: những tình huống có bài toán kinh doanh rõ ràng, dữ liệu thu thập được và sự tham gia sâu của nghiệp vụ thì phù hợp để khởi động theo quy trình trên. Nếu tiêu chuẩn phán đoán mơ hồ, dữ liệu phân tán trong hồ sơ giấy và không thể số hóa sớm, hoặc bên nghiệp vụ chỉ muốn “làm một cái AI trước” mà không có chỉ số nghiệm thu rõ ràng, thì tốt hơn là tạm dừng và hoàn thành số hóa cơ bản trước khi bắt đầu; nếu không nó dễ trở thành một bản demo dùng một lần. Kinh nghiệm của những nhà cung cấp đã hoạt động trong ngành hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và đã triển khai tích lũy hàng chục triệu thiết bị đầu cuối cũng cho thấy giá trị của phần mềm công nghiệp thường phụ thuộc vào nền tảng dữ liệu vững đến đâu, và điều này cũng đúng với dự án AI.