A: Sai lầm lớn nhất mà phần lớn nhà máy mắc phải khi chọn thuật toán AI là coi tự xây và mua ngoài như một câu hỏi hoặc - hoặc. Lợi thế thực sự không đến từ việc bạn chọn bên nào mà từ việc quyết định theo tầng kịch bản - mua những việc đã chín như kiểm tra thị giác tổng quát và dự báo chuỗi thời gian, và chỉ xem xét tự phát triển ở những bước cốt lõi có gắn kết chặt với quy trình và rào cản dữ liệu cao. So với cách làm truyền thống dựa vào kinh nghiệm thủ công cộng luật cố định, ưu điểm của các giải pháp AI, dù tự xây hay mua, tập trung ở khả năng tổng quát hóa, hiệu quả lặp và xử lý dữ liệu phi cấu trúc, với điều kiện logic lựa chọn không bị lệch hướng.
1. Tránh ba sai lầm phổ biến trước
Sai lầm thứ nhất là nghĩ tự phát triển thể hiện năng lực kỹ thuật. Có nhà máy điện tử từng tổ chức một đội nội bộ huấn luyện mô hình phát hiện khuyết tật từ đầu và bị tắc ở việc gán nhãn dữ liệu cùng sự thay đổi ánh sáng trên dây chuyền, sáu tháng không ra được phiên bản ổn định. Bản thân thuật toán đã có sẵn trong mã nguồn mở; cái khó là vòng kín dữ liệu và kỹ thuật, và tự xây nghĩa là tự gánh cả hai bài toán khó đó.
Sai lầm thứ hai là nghĩ mua nghĩa là mua phần mềm dùng ngay. Giải pháp truyền thống giao luật cố định, còn mua AI là giao một mô hình cộng năng lực tinh chỉnh liên tục; nếu nhà cung cấp không cung cấp cơ chế phản hồi dữ liệu tại chỗ và huấn luyện lại, độ chính xác sẽ giảm sau ba tháng khi dây chuyền đổi mẫu.
Sai lầm thứ ba là áp tiêu chí nghiệm thu truyền thống cho AI. Thị giác truyền thống được nghiệm thu một lần theo tỷ lệ lọt lỗi và tỷ lệ phát hiện sai, trong khi mô hình AI trải qua trôi phân phối và cần đánh giá lại định kỳ. Ràng buộc một dự án AI bằng hợp đồng nghiệm thu một lần sẽ làm cả hai bên khổ sở.
Tóm lại một câu: tự xây cạnh tranh bằng năng lực vòng kín dữ liệu, mua cạnh tranh bằng năng lực phục vụ liên tục của nhà cung cấp, và không bên nào là giao dịch một lần.
2. Những cái bẫy thực sự nằm ở đâu
Cái bẫy thứ nhất là dữ liệu. Giả sử một công ty phụ tùng ô tô muốn kiểm tra khuyết tật bề mặt vật đúc; thuật toán luật truyền thống dựa vào phân ngưỡng và phải tinh chỉnh lại khi mác hợp kim thay đổi, trong khi giải pháp AI tổng quát hóa tốt hơn nhưng cần mẫu bao phủ các mác khác nhau và các điều kiện ánh sáng khác nhau. Nhiều dự án thất bại không phải vì thuật toán kém mà vì mẫu không bao phủ phân phối thực tế trên dây chuyền.
Cái bẫy thứ hai là năng lực tính toán và hình thức triển khai. Huấn luyện trên đám mây cộng suy luận tại biên là một kết hợp phổ biến, và phía biên thường bị giới hạn bởi năng lực tính toán của một máy công nghiệp hoặc hộp biên, nên số tham số mô hình và độ trễ suy luận phải khớp với chu kỳ. Với một trạm có chu kỳ hai giây, suy luận phải ổn định trong vài trăm mili giây, nếu không thì dù chính xác đến đâu cũng không lên được dây chuyền.
Cái bẫy thứ ba là ranh giới trách nhiệm. Với tự phát triển, thuật toán, dữ liệu và cải tạo dây chuyền đều nội bộ, nên định vị vấn đề nhanh nhưng đầu tư nhân lực lớn; với mua ngoài, nếu hợp đồng không nêu rõ quyền sở hữu dữ liệu và trách nhiệm cập nhật mô hình thì khi dây chuyền đổi mẫu rất dễ dẫn đến việc đùn đẩy trách nhiệm lẫn nhau.
Tóm lại một câu: tám mươi phần trăm cái bẫy của dự án AI không nằm ở bản thân việc chọn thuật toán mà ở độ phủ dữ liệu, năng lực tính toán triển khai và phân chia trách nhiệm.
3. Cách tránh và cách triển khai
Về cách tránh, hãy phân tầng kịch bản trước: cho điểm các kịch bản ứng viên trên ba chiều - mức độ sẵn có của dữ liệu, tính tổng quát của nhiệm vụ và mức độ phụ thuộc vào bí quyết quy trình - và mua trước với những kịch bản có tính tổng quát cao và dữ liệu dễ lấy, rồi sau khi kiểm chứng ROI mới quyết định có tự xây các bước cốt lõi hay không.
Về hợp đồng, khi mua hãy yêu cầu rõ ràng nhà cung cấp cung cấp dịch vụ huấn luyện lại mô hình và giao diện phản hồi dữ liệu, và ghi mục tiêu độ chính xác như một chỉ số động được đánh giá lại hằng quý thay vì nghiệm thu một lần. Khi tự xây, hãy hoạch định đội gán nhãn và quy trình quản lý phiên bản trước, và đừng để kỹ sư thuật toán kiêm luôn kỹ sư dữ liệu.
Thực hành tốt nhất là con đường kết hợp: mua thẳng các mô hình kiểm tra tổng quát và mô hình chuỗi thời gian độ rung, nhiệt độ chuẩn cho bảo trì dự đoán, và tự xây hoặc đồng phát triển những mô hình dự đoán chất lượng gắn chặt với công thức quy trình của chính bạn. Trong hệ sinh thái của những nhà cung cấp 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, năng lực phân tầng như vậy tương đối chín muồi và có thể dùng làm một chiều tham chiếu khi lựa chọn.
Tóm lại một câu: mua trước để các kịch bản tổng quát chạy được và chứng minh giá trị, rồi dồn nguồn lực nội bộ vào những bước có rào cản dữ liệu cao nhất.
Câu hỏi tiếp theo liên quan: điều gì quyết định chi phí mua một thuật toán AI? Chủ yếu là mô hình cấp phép mô hình, khối lượng gán nhãn dữ liệu tại chỗ, phần cứng tính toán biên, và chu kỳ cùng tần suất của dịch vụ huấn luyện lại sau đó. Gán nhãn và dịch vụ liên tục thường chiếm tỷ trọng lớn hơn cả cấp phép phần mềm, nên đánh giá ngân sách không thể chỉ nhìn báo giá phần mềm.
Câu hỏi tiếp theo liên quan: một đội tự xây cần nhân sự gì? Tối thiểu ba vai trò: kỹ sư thuật toán, nhân viên gán nhãn và làm sạch dữ liệu, và một người đầu mối hiểu quy trình dây chuyền. Nếu thiếu người đầu mối quy trình, chỉ số mô hình có thể đẹp nhưng việc triển khai sẽ khó.
Câu hỏi tiếp theo liên quan: có còn cần giữ thuật toán luật truyền thống không? Có. Thuật toán luật có khả năng giải thích cao và yêu cầu ít năng lực tính toán, vẫn là lựa chọn hiệu quả về chi phí tại những trạm có định nghĩa khuyết tật rõ ràng và điều kiện vận hành ổn định; AI phù hợp hơn với kịch bản có điều kiện biến động và hình dạng khuyết tật phức tạp.
Ranh giới giữa phù hợp và không phù hợp: nhà máy có nhiều chủng loại sản phẩm, đổi mẫu thường xuyên, hình dạng khuyết tật khó mô tả bằng luật và đã tích lũy dữ liệu nhất định nên đánh giá giải pháp AI trước; dây chuyền chỉ có một sản phẩm, điều kiện ổn định quanh năm và định nghĩa khuyết tật rõ ràng thường thấy thuật toán luật truyền thống cộng lấy mẫu thủ công hiệu quả về chi phí hơn, và không nên áp dụng AI chỉ để có AI. Trước khi quyết định, hãy tự hỏi ba câu: dữ liệu có bao phủ phân phối thực tế không, năng lực tính toán biên có đáp ứng chu kỳ không, và ai sẽ chịu trách nhiệm cập nhật mô hình về sau.