Trung tâm kiến thức
Mục lục

Q: Nguyên nhân thất bại phổ biến của các dự án AI trong nhà máy là gì, và nên đánh giá ROI như thế nào?

A: Khi đánh giá ROI của một dự án AI trong nhà máy, đừng chỉ nhìn xem đã tiết kiệm được bao nhiêu người; hãy đưa rủi ro thất bại vào mô hình lợi ích, tính lợi ích của việc tránh được cái bẫy trước và lợi ích tăng thêm sau. Nói cách khác, đánh giá ROI của dự án AI bản chất là định giá rủi ro - bạn càng rõ dự án có thể chết ở đâu thì ước tính lợi ích càng đáng tin.

1. Hiểu nguyên nhân thất bại trước để định nghĩa lợi ích cho đúng

Các dự án AI trong nhà máy thất bại vì một nhóm nhỏ nguyên nhân có tần suất cao: nền tảng dữ liệu kém (thu thập dữ liệu thiết bị chưa đầy đủ, thiếu nhãn, dữ liệu lịch sử bẩn), chọn sai kịch bản (bắt đầu bằng một hệ thống khổng lồ như điều độ toàn nhà máy), thiếu sự hợp tác của phòng kinh doanh (đội thuật toán tự làm hài lòng mình trong khi dây chuyền không chấp nhận kết quả), và không ai bảo trì mô hình sau khi lên sóng nên nó bị trôi. Những vấn đề này không xuất hiện trực tiếp trên báo cáo tài chính nhưng bào mòn mạnh lợi ích được dự tính ban đầu. Vì vậy khi đánh giá ROI, hãy tách ngân sách thành chi phí xây dựng, chi phí quản trị dữ liệu và chi phí vận hành thường xuyên; nhiều dự án thất bại vì chỉ tính khối đầu tiên. Giả sử một công ty phụ tùng ô tô muốn kiểm tra khuyết tật bề mặt; nếu hệ thống gán nhãn cho dữ liệu thị giác chưa được xây, chi phí làm lại dữ liệu về sau có thể vượt cả việc phát triển thuật toán, và nếu không tính trước điều đó thì ước tính lợi ích chỉ là hư cấu.

2. Tính lợi ích theo hai tuyến: lợi ích cứng và lợi ích mềm

Lợi ích cứng là định lượng được: tiết kiệm vật liệu nhờ năng suất tăng, năng lực sản xuất được giải phóng nhờ ít dừng thiết bị ngoài kế hoạch hơn, tiết kiệm nhân công kiểm tra, và tiêu thụ năng lượng thấp hơn. Với những chỉ số này, hãy tính ngược từ mức tăng sản lượng đơn vị nhân với đơn giá, và lấy giá trị thận trọng - ví dụ dùng cận dưới đo được trên dây chuyền thí điểm cho mức tăng năng suất thay vì dữ liệu trình diễn của nhà cung cấp. Lợi ích mềm gồm truy xuất nguồn gốc chất lượng mạnh hơn, tri thức quy trình được tích lũy, và sự hài lòng của khách hàng nhờ chu kỳ giao hàng ngắn hơn; những thứ này khó quy đổi trực tiếp thành tiền, nên hãy coi chúng là điểm cộng trong bài toán kinh doanh chứ không phải lợi ích chính. Theo một nguyên tắc thực hành, nếu lợi ích cứng không thể thu hồi vốn trong 18 tháng thì nên xem lại lựa chọn kịch bản.

3. Dùng trọng số xác suất thất bại để hiệu chỉnh lợi ích kỳ vọng

Đây là bước nhiều công ty bỏ qua. Với cùng một dự án kiểm tra khuyết tật, một dây chuyền có nền tảng dữ liệu tốt có thể có xác suất thành công 80 phần trăm, trong khi một dây chuyền cũ lộn xộn có thể chỉ 40 phần trăm. Khi đánh giá, hãy gán trọng số xác suất cho từng nguyên nhân thất bại và chiết khấu lợi ích kỳ vọng tương ứng. Ví dụ, nếu lợi ích hằng năm ước tính một triệu nhưng rủi ro dữ liệu và mức độ hợp tác kinh doanh cộng lại chỉ cho xác suất thành công 60 phần trăm, thì lợi ích kỳ vọng có trọng số là 600 nghìn, và con số đó nên được so với khoản đầu tư. ROI tính theo cách này gần với thực tế hơn và giúp ban lãnh đạo quyết định nên sửa quản trị dữ liệu trước hay triển khai mô hình trước.

4. Kéo dài kỳ đánh giá qua vòng đời mô hình

Một dự án AI không kết thúc khi lên sóng; mô hình cần gán nhãn liên tục, huấn luyện lại và giám sát trôi. Hãy đánh giá lợi ích trong kỳ ba năm, phân bổ chi phí vận hành và lặp hằng năm, và tính lợi ích theo một đường cong tăng dần - năm đầu thường chỉ đạt 50 đến 60 phần trăm hiệu quả. Giả sử một nhà máy điện tử xây mô hình đánh giá lại AOI: năm đầu chủ yếu đưa quy trình vào chạy, năm thứ hai là giai đoạn đóng góp lợi ích chính, và chỉ đến năm thứ ba mới có sản lượng ổn định. Tính theo nhịp đó sẽ tránh phóng đại lợi ích ngắn hạn.

Một gợi ý thực tế: khi phê duyệt dự án, hãy lập một bảng ánh xạ nguyên nhân thất bại với chi phí tương ứng và xác suất xảy ra, và đặt nó cùng trang với ước tính lợi ích cho người ra quyết định. Đánh giá ROI cho AI trong nhà máy xét đến cùng là việc trải bất định ra và tính toán trung thực, chứ không phải trình bày một con số đẹp. Về phía nhà cung cấp, những đơn vị có chiều sâu hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và đã triển khai hàng chục triệu thiết bị đầu cuối tích lũy thường có phương pháp luận chín muồi hơn về quản trị dữ liệu và cộng tác với dây chuyền; khi lựa chọn, hãy xem xét kinh nghiệm của họ trong việc xử lý các tình huống thất bại chứ không chỉ các chỉ số thuật toán.

Chủ đề: AI-FAQ