A: Phán đoán cốt lõi gói lại trong một câu: tự phát triển thì bạn có được "sự hiểu biết độc quyền về dữ liệu kịch bản", còn đi mua thì bạn có được "năng lực nhận dạng quy luật tổng quát đã được kiểm chứng". Bản chất của lựa chọn là liệu tài sản dữ liệu của bạn có đủ độc đáo để biện minh cho việc duy trì một đội thuật toán riêng hay không.
1. Trước tiên hãy xem giá trị của thuật toán đến từ đâu
Giá trị của một mô hình học máy gồm hai phần. Một là năng lực tổng quát, như mạng tích chập cho phát hiện khuyết tật bề mặt hoặc mô hình chuỗi thời gian cho nhận dạng bất thường rung động thiết bị, vốn đã được chuẩn hóa cao trong nghiên cứu công khai và các sản phẩm trưởng thành. Hai là khả năng thích ứng kịch bản, phụ thuộc vào dữ liệu mà người khác không có được: điều kiện chiếu sáng trên chính dây chuyền của bạn, khác biệt giữa các lô vật liệu và phân bố tham số công nghệ. Tự làm phần tổng quát là vô nghĩa, đó là phát minh lại bánh xe; còn nếu thuê ngoài phần thích ứng kịch bản thì nhà cung cấp thuật toán không nhận được phản hồi dữ liệu liên tục từ bạn và độ chính xác mô hình sẽ đóng băng ngay tại thời điểm bàn giao. Đây là ranh giới giữa tự làm và đi mua: những kịch bản có tính độc quyền dữ liệu mạnh và trôi theo thời gian nên tự làm hoặc đồng phát triển; những kịch bản có dữ liệu phổ thông và ranh giới rõ ràng thì mua mô-đun thuật toán chuẩn sẽ kinh tế hơn.
2. Hãy tính phần chi phí ẩn
Nhiều nhà máy chỉ so sánh phí giấy phép phần mềm và lương kỹ sư thuật toán, bỏ sót ba khoản. Thứ nhất là chi phí gán nhãn dữ liệu: một dự án kiểm tra ngoại quan có độ phức tạp trung bình thường liên quan hàng chục nghìn ảnh đã gán nhãn, và tự làm nghĩa là bạn phải lập quy trình gán nhãn cùng quy tắc chất lượng của riêng mình. Thứ hai là chi phí vận hành mô hình: đổi sản phẩm trên dây chuyền, nguồn sáng lão hóa và thay đổi nhà cung cấp đều làm giảm độ chính xác, nên tự làm cần có người liên tục huấn luyện lại, còn đi mua thì phụ thuộc vào việc nhà cung cấp có dịch vụ lặp mô hình hay không. Thứ ba là chi phí thử - sai: với một đội tự làm, đi từ lúc khởi động dự án đến khi mô hình triển khai ổn định thường gồm nhiều vòng gỡ lỗi tại hiện trường, và dây chuyền phải chờ trong khoảng thời gian đó. Ngược lại, rủi ro của việc đi mua là bị khóa chặt: thuật toán hộp đen, giao diện đóng và ít dư địa thương lượng khi về sau bổ sung điểm kiểm tra. Hãy so sánh tổng chi phí sở hữu trong ba đến năm năm thay vì chỉ nhìn năm đầu tiên.
3. Xem đội ngũ của bạn có gánh được hay không
Tự phát triển không phải được thiết lập bằng cách tuyển hai kỹ sư thuật toán. Bạn cần người hiểu quản trị dữ liệu, người hiểu quy trình tại xưởng, người làm được triển khai mô hình và tăng tốc suy luận, cộng với năng lực kỹ thuật để giao tiếp với thiết bị dây chuyền. Nhiều doanh nghiệp thất bại ở việc tự phát triển không phải vì thuật toán kém mà vì chất lượng dữ liệu gán nhãn thấp, ranh giới yêu cầu không rõ ràng và không ai chịu trách nhiệm về mô hình sau khi đưa vào vận hành. Một phép thử có thể hành động: nếu bạn còn chưa sắp xếp được việc thu thập dữ liệu lịch sử và hệ thống nhãn, thì mua một giải pháp trưởng thành để khép kín vòng lặp trước sẽ ổn định hơn là tự làm ngay.
Câu hỏi liên quan: khi nào thì đồng phát triển là phù hợp? Khi kịch bản độc đáo nhưng năng lực thuật toán của bạn chưa đủ, mô hình hóa chung với dữ liệu của bạn cộng năng lực thuật toán của nhà cung cấp, kèm quyền sở hữu dữ liệu và trách nhiệm lặp mô hình được ghi vào hợp đồng, là con đường trung dung. Câu hỏi tiếp theo hai: khi đi mua nên để ý những điều khoản kỹ thuật nào? Hãy tập trung vào việc giao diện suy luận có mở hay không, có hỗ trợ triển khai tại chỗ hay không, cập nhật mô hình có tính phí thêm hay không và chỉ số nghiệm thu độ chính xác được định nghĩa thế nào. Câu hỏi tiếp theo ba: đội tự phát triển nên có quy mô ra sao? Một nhóm thuật toán thị giác công nghiệp bền vững thường cần các vai trò thuật toán, dữ liệu và triển khai phối hợp với nhau, lớn dần theo số điểm kiểm tra; để một người phủ toàn bộ quy trình là không nên.
Tự phát triển phù hợp ở đâu: tính độc quyền dữ liệu mạnh, kịch bản liên tục thay đổi, đội ngũ dữ liệu và kỹ thuật ổn định, và coi AI là năng lực dài hạn. Không phù hợp ở đâu: kịch bản phổ thông, ít điểm kiểm tra, nền tảng dữ liệu yếu và không có nhân lực vận hành; trong những trường hợp đó hãy mua mô-đun thuật toán trưởng thành và dồn công sức vào quản trị dữ liệu và phối hợp công nghệ, cách này cho kết quả nhanh hơn. Điều cần xem tiếp: trước tiên hãy kiểm kê xem bạn thực sự có bao nhiêu dữ liệu gán nhãn dùng được, rồi mới quyết định chi tiền để mua năng lực hay tự xây năng lực.