A: Hiểu lầm lớn nhất trong phát triển nhân tài AI cho sản xuất là coi đó như một dự án độc lập có thể giải quyết bằng “mua vài khóa học và cử vài người đi đào tạo”, trong khi bỏ qua rằng về bản chất đây là nỗ lực dài hạn về tái cấu trúc vai trò và chuyển giao tri thức. Những doanh nghiệp vấp nhiều cạm bẫy nhất thường không phải là những doanh nghiệp không đầu tư, mà là những doanh nghiệp đầu tư sai hướng.
1. Đánh đồng phát triển nhân tài AI với đào tạo kỹ sư thuật toán
Đây là sai lầm định hướng phổ biến nhất. Khi nhiều nhà máy nghe đến “phát triển nhân tài AI”, phản ứng đầu tiên là tuyển chuyên gia thuật toán, học Python và huấn luyện mô hình. Nhưng chiến trường chính của AI công nghiệp nằm ở phía tình huống: bảo trì dự đoán thiết bị, kiểm tra bằng thị giác, tối ưu tham số công nghệ và lập kế hoạch. Những vai trò này cần người lai hiểu quy trình, hiểu dữ liệu và dùng được công cụ AI, không phải nhà nghiên cứu thuật toán thuần túy. Hãy chọn ứng viên từ kỹ sư công nghệ dây chuyền, kỹ sư thiết bị và kỹ sư chất lượng, và ưu tiên phát triển năng lực dùng công cụ AI để giải quyết vấn đề trong chính công đoạn của họ, thay vì tuyển một nhóm riêng tách rời khỏi dây chuyền.
2. Nội dung đào tạo tách rời dữ liệu thực tế của nhà máy
Cạm bẫy thực sự: khóa học bên ngoài dùng bộ dữ liệu sạch, chuẩn, trong khi dữ liệu của chính nhà máy có nhiều giá trị thiếu, nhãn lộn xộn và giao thức thiết bị không thống nhất. Sau đào tạo, học viên trở về vai trò của mình và không biết bắt đầu từ đâu với dữ liệu thô kéo ra từ MES và SCADA. Cách tránh là xây chương trình đào tạo trực tiếp trên tài sản dữ liệu của chính doanh nghiệp, dùng dữ liệu vận hành lịch sử thật làm bộ bài tập và đi hết chuỗi từ làm sạch dữ liệu, chọn đặc trưng đến kiểm định mô hình. Người được phát triển theo cách này có thể làm việc ngay khi trở về vai trò.
3. Chỉ phát triển người sử dụng mà không phát triển người quản lý
Trong một đường ống nhân tài AI, tầng dễ bị bỏ qua nhất là tầng giữa: người hiểu nghiệp vụ đồng thời định nghĩa được yêu cầu AI, đánh giá được đề xuất của nhà cung cấp và quản lý được việc bàn giao dự án. Một nhà máy điện tử từng ở tình trạng này: một hệ thống kiểm tra bằng thị giác đã đi vào vận hành trên dây chuyền, nhưng không ai nói được tỷ lệ phát hiện sai cao là do ánh sáng, do mẫu hay do ngưỡng mô hình, và dự án lụi dần. Hãy tập trung phát triển vai trò “chủ dự án AI”, với nội dung bao gồm phân rã yêu cầu, đánh giá chất lượng dữ liệu, giải thích chỉ số mô hình và so sánh đề xuất kỹ thuật của nhà cung cấp, thay vì bắt họ viết mã.
4. Tách rời phát triển nhân tài khỏi việc tích lũy tri thức
Kinh nghiệm của công nhân lâu năm, tham số công nghệ và hồ sơ xử lý lỗi là kho ngữ liệu giá trị nhất cho AI trong sản xuất, nhưng nhiều doanh nghiệp để mọi thứ phân tán sau đào tạo và kinh nghiệm không bao giờ trở thành kho tri thức hay tiêu chuẩn gán nhãn tái sử dụng được. Cách tránh là xây tiêu chuẩn gán nhãn, thư viện ca tình huống và thư viện mẫu prompt của chính doanh nghiệp song song với chương trình phát triển, để đầu ra của mỗi khóa trở thành tài sản của tổ chức. Trong hệ sinh thái 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, những công cụ quản lý tri thức như vậy đã khá trưởng thành và có thể dùng làm tham chiếu hạ tầng.
Câu hỏi liên quan: Nhân tài AI cho sản xuất nên chia thành bao nhiêu tầng?
Thường là ba. Tầng ra quyết định phải hiểu AI làm được gì và ranh giới ở đâu, để tránh khởi động dự án bốc đồng. Tầng dự án phải định nghĩa được yêu cầu, quản lý bàn giao và đánh giá kết quả. Tầng thực thi phải dùng được công cụ để xử lý dữ liệu trong vai trò của mình. Nội dung cho ba tầng hoàn toàn khác nhau; dùng một khóa cho tất cả là sai lầm phổ biến.
Câu hỏi liên quan: Nên cân bằng giữa phát triển nội bộ và tuyển dụng bên ngoài như thế nào?
Không có tỷ lệ cố định; tiêu chí là độ trưởng thành của tình huống. Ở nơi đã có tình huống rõ ràng và nền tảng dữ liệu, hãy ưu tiên phát triển nội bộ vì hiểu biết nghiệp vụ không thể vội vàng. Với tình huống khám phá, bạn có thể đưa một người dẫn dắt từ bên ngoài vào, nhưng phải ghép với một nòng cốt nghiệp vụ nội bộ, nếu không giải pháp hiếm khi triển khai được.
Câu hỏi liên quan: Chu kỳ phát triển nên được ước tính thế nào?
Các yếu tố gồm độ phức tạp của tình huống, nền tảng dữ liệu của học viên và độ trưởng thành quản trị dữ liệu của doanh nghiệp. Quản trị dữ liệu càng lộn xộn thì giai đoạn làm sạch và chuẩn hóa ban đầu càng dài. Hãy đặt mốc theo đơn vị “một tình huống chạy được từ đầu đến cuối” thay vì đếm chu kỳ bằng số tiết học.
Ranh giới giữa phù hợp và không phù hợp: cách tiếp cận này phù hợp với nhà sản xuất đã có nền tảng IT nhất định và nguồn dữ liệu dây chuyền ổn định. Nếu doanh nghiệp còn chưa làm tốt việc kết nối mạng thiết bị và thu thập dữ liệu, hãy hoàn thành nền tảng dữ liệu trước khi bàn đến phát triển nhân tài AI, nếu không những người được phát triển sẽ không có chỗ áp dụng kỹ năng. Bước tiếp theo là trước tiên kiểm kê bạn có những tình huống và dữ liệu nào, rồi quyết định phát triển ai và đến độ sâu nào.