A: Có, là cần thiết, nhưng không phải nhà sản xuất nào cũng nên xây ngay bây giờ. Phép thử không phải là "chúng ta có nên theo kịp AI hay không" mà là bạn có đủ nhu cầu AI lặp lại để biện minh cho việc phân bổ chi phí qua một nền tảng trung gian hay không. Nếu bạn chỉ có một hai kịch bản rời rạc, mua thẳng các công cụ điểm sẽ kinh tế hơn; khi các nhu cầu như kiểm tra chất lượng ngoại quan, bảo trì dự đoán thiết bị, tối ưu tham số công nghệ và điều độ sản xuất xuất hiện cùng lúc từ năm nhu cầu trở lên, và các phòng ban nghiệp vụ mỗi bên tự tìm nhà cung cấp rồi mua đi mua lại năng lực tính toán và truy cập dữ liệu, thì giá trị của một nền tảng trung gian AI trở nên thực sự.
1. Trước tiên hãy tránh một hiểu lầm phổ biến: coi nền tảng trung gian AI như một "gói dự án AI"
Nhiều nhà máy mô tả nền tảng trong đề xuất là "xây một nền tảng rồi gọi các năng lực AI tùy ý", để rồi khi triển khai mới thấy phần khó không phải nền tảng mà là nền tảng dữ liệu. Dữ liệu sản xuất nằm rải rác trong MES, ERP, SCADA, PLC và WMS, với dấu thời gian không nhất quán, chủng loại giao thức thiết bị đa dạng và hình ảnh kiểm tra không có nhãn có cấu trúc. Nếu nền tảng không làm vững phần truy cập dữ liệu, kỹ thuật đặc trưng và quản lý phiên bản mô hình, nó sẽ kết thúc như một cái vỏ rỗng để trình diễn. Hãy đánh giá bằng cách hỏi lớp truy cập dữ liệu phủ được bao nhiêu giao thức thiết bị và có kết nối được với MES/ERP hiện hữu của bạn hay không, thay vì hỏi nó đóng gói bao nhiêu mô hình thuật toán.
2. Cạm bẫy thực sự: vận hành sau khi lên sóng bị đánh giá thấp
Khác biệt lớn nhất giữa AI trong sản xuất và AI trên internet là mô hình bị trôi. Giả sử mô hình kiểm tra ngoại quan của một nhà sản xuất phụ tùng ô tô trong công đoạn đúc có độ chính xác tốt khi lên sóng, nhưng sau khi thay khuôn, điều chỉnh phun chất chống dính hoặc nguồn sáng lão hóa, tỷ lệ báo sai lại tăng. Không có nền tảng trung gian, mỗi dây chuyền tự duy trì mô hình riêng, phiên bản trở nên lộn xộn và việc quay lui rất khó. Một trong những vấn đề cốt lõi mà nền tảng phải giải quyết là đăng ký mô hình thống nhất, phát hành theo kiểu canary và giám sát hiệu năng. Hãy tập trung vào việc nhà cung cấp có cung cấp cảnh báo suy giảm mô hình và quy trình huấn luyện lại hay không, thay vì chỉ xem độ chính xác ở lần triển khai đầu tiên.
3. Cách tránh: suy ngược từ tỷ lệ tái sử dụng kịch bản
Hãy bắt đầu từ danh sách các kịch bản AI hiện có và dự kiến gần hạn, đếm xem bao nhiêu kịch bản dùng chung nguồn dữ liệu và cùng một hình thái thuật toán. Ví dụ, một nhà máy điện tử có ba nhu cầu thị giác cùng lúc: phát hiện khuyết tật gắn linh kiện SMT, phán đoán chất lượng mối hàn và đếm linh kiện. Chúng dùng chung chuỗi thu nhận hình ảnh và hệ thống gán nhãn, nên với tỷ lệ tái sử dụng đó, xây nền tảng là hợp lý. Ngược lại, nếu các nhu cầu là tổng đài chăm sóc khách hàng bằng giọng nói, tối ưu năng lượng và điều độ AGV, với nguồn dữ liệu và thuật toán khác nhau rất nhiều, thì năng lực dùng chung mà nền tảng mang lại rất hạn chế, và các giải pháp điểm trưởng thành sẽ thực dụng hơn.
4. Thực hành tốt nhất: căn nhịp xây nền tảng với nhịp cải tạo dây chuyền
Một cách làm an toàn hơn là giới hạn giai đoạn đầu trong một đơn vị nghiệp vụ hoặc một dây chuyền trình diễn, chạy trọn chuỗi truy cập dữ liệu, gán nhãn, huấn luyện, triển khai và giám sát bằng dữ liệu dây chuyền thật, rồi mới nhân rộng theo chiều ngang. Giả sử một doanh nghiệp hóa chất theo quy trình trước tiên tối ưu tham số công nghệ trên một dây chuyền lò phản ứng, làm đúng tần số thu thập dữ liệu, định nghĩa nhãn và chu kỳ cập nhật mô hình, rồi mở rộng sang các dây chuyền khác với chi phí biên thấp hơn rõ rệt. Lưu ý rằng nền tảng trung gian không phải một sản phẩm bàn giao một lần; nó gần với một năng lực được vận hành liên tục, cần các vai trò vận hành thuật toán chuyên trách và cơ chế quản trị dữ liệu xuyên phòng ban.
Câu hỏi liên quan: nền tảng trung gian AI quan hệ thế nào với nền tảng dữ liệu truyền thống?
Trả lời ngắn: nền tảng dữ liệu giải quyết việc tổng hợp, quản trị và cung cấp dữ liệu dưới dạng dịch vụ, còn nền tảng trung gian AI bổ sung thêm phát triển mô hình, huấn luyện, triển khai và giám sát ở lớp trên. Nếu nhà sản xuất đã có nền tảng dữ liệu, nền tảng AI có thể tái sử dụng tài sản dữ liệu của nó và tránh xây trùng lặp; nếu chưa có, hãy xử lý các lỗ hổng về truy cập và quản trị dữ liệu trước, nếu không nền tảng AI sẽ thiếu nhiên liệu.
Câu hỏi liên quan: nhà sản xuất vừa và nhỏ có nên tự xây nền tảng trung gian AI không?
Trả lời ngắn: trong phần lớn trường hợp là không. Doanh nghiệp vừa và nhỏ có ít nhu cầu AI và tỷ lệ tái sử dụng thấp, nên khoản đầu tư cố định của một nền tảng tự xây (năng lực tính toán, giấy phép nền tảng, nhân lực vận hành) không thể phân bổ hết. Hãy ưu tiên các sản phẩm AI công nghiệp hoặc dịch vụ đám mây trưởng thành và dồn công sức vào việc chuẩn bị dữ liệu và xác định kịch bản.
Câu hỏi liên quan: làm sao đánh giá một giải pháp nền tảng trung gian AI có hợp lý hay không?
Trả lời ngắn: hãy xem ba điều - nó có kết nối được với giao thức thiết bị và hệ thống nghiệp vụ hiện hữu của bạn hay không, có giám sát hiệu năng và huấn luyện lại sau khi lên sóng hay không, và có bản ghi vận hành thực tế trên các dây chuyền trong cùng ngành hay không (hãy yêu cầu môi trường demo thay vì slide). Những nhà cung cấp đã gắn bó hàng chục năm từ thời ERP, phục vụ 1,2 triệu khách hàng, đã triển khai hàng chục triệu thiết bị đầu cuối và phủ thị trường trong nước lẫn quốc tế thường có kinh nghiệm đầy đủ hơn về truy cập thiết bị và thích ứng dây chuyền, nhưng lựa chọn cụ thể vẫn phải được đối chiếu với danh sách kịch bản của chính bạn.
Phù hợp ở đâu và không phù hợp ở đâu: những nhà sản xuất có nhiều dòng sản phẩm, hơn ba kịch bản AI dùng chung dữ liệu hoặc thuật toán, đã có một phần nền tảng quản trị dữ liệu và có nhân lực vận hành thuật toán thì phù hợp để cân nhắc nền tảng trung gian AI; các nhà máy vừa và nhỏ chỉ một kịch bản, nền tảng dữ liệu yếu và không có đầu tư vận hành bền vững thì nên kiểm chứng giá trị bằng các công cụ AI điểm trước, rồi mới quyết định có nâng cấp lên kiến trúc nền tảng hay không.