Trung tâm kiến thức
Mục lục

Q: Doanh nghiệp sản xuất nên đào tạo nhân lực AI như thế nào, và đo lường hiệu quả của tiền bạc cùng công sức ra sao?

A: Hiệu quả của việc phát triển nhân lực AI trong sản xuất không thể đo bằng số giờ đào tạo hay tỷ lệ đỗ bài kiểm tra. Phải đánh giá bằng việc người được đào tạo sau khi về vị trí có nhúng được năng lực AI vào quy trình cụ thể hay không và có mang lại thay đổi định lượng được về hiệu suất hoặc tỷ lệ đạt hay không. Chỉ số cốt lõi là tỷ lệ bao phủ ứng dụng AI trên mỗi dây chuyền hoặc mỗi bước nghiệp vụ và mức giảm tần suất can thiệp thủ công. Nói cách khác, đối tượng được đánh giá không phải “đã học được bao nhiêu” mà là “đã đưa vào dùng được bao nhiêu”.

1. Trước tiên hãy xác định phạm vi đo lường: đầu tư đào tạo chia thành ba lớp

Lớp thứ nhất là chi phí hiển thị, gồm phát triển khóa học, giảng viên bên ngoài, tài nguyên tính toán và gán nhãn cùng số giờ nghỉ việc để học. Lớp thứ hai là chi phí ẩn, chủ yếu là dao động năng lực và khoảng trống tri thức do nhân sự then chốt của dây chuyền rời vị trí. Lớp thứ ba là chi phí cơ hội, tức là lợi ích so sánh khi đầu tư cùng ngân sách đó vào nâng cấp thiết bị hoặc nâng cấp MES. Doanh nghiệp có lộ trình phát triển có hệ thống thường đưa cả ba lớp vào sổ; doanh nghiệp không có hệ thống thường chỉ tính lớp thứ nhất, nên hiệu quả bị phóng đại. Trong thực tế chi phí ẩn thường bị đánh giá thấp, đặc biệt trong bối cảnh phụ tùng ô tô và lắp ráp điện tử chạy nhiều ca liên tục.

2. So sánh theo chiều thứ nhất: có hệ thống phát triển so với không có

Không có hệ thống, cách làm điển hình là mua các khóa học rời rạc và cử vài người đi nghe giới thiệu thuật toán, sau đó họ vẫn không biết cách kết nối dữ liệu PLC với ảnh kiểm tra. Một kế hoạch có hệ thống thì chia theo vai trò: lớp ứng dụng AI cho kỹ sư dây chuyền (phát hiện bất thường, tối ưu tham số, tinh chỉnh phán đoán thị giác), lớp triển khai mô hình và đường ống dữ liệu cho đội IT và tự động hóa, và lớp phán đoán đầu vào đầu ra cho ban lãnh đạo. Cách thứ nhất có thể trả lời “ai duy trì mô hình này sau khi lên sóng”, còn cách thứ hai chỉ dừng ở nhận thức khái niệm. Một tham chiếu kiểm chứng được là mô hình năng lực AI công nghiệp phổ biến với ba phần: thu thập và gán nhãn dữ liệu, chọn và kiểm chứng mô hình, triển khai biên và vận hành; thiếu một phần là chuỗi đứt giữa POC và sản xuất hàng loạt.

3. So sánh theo chiều thứ hai: tự phát triển nội bộ so với tuyển dụng bên ngoài

Tuyển nhân lực thuật toán từ bên ngoài thì nhanh, nhưng bí quyết sản xuất (cửa sổ quy trình, nhịp thiết bị, tiêu chí phán đoán khuyết tật) cần thời gian dài tích lũy, và người có nền thuật toán thuần thường cần hơn nửa năm mới tự định nghĩa được vấn đề. Phát triển người nội bộ hiểu quy trình về kỹ năng AI cũng cần thời gian, nhưng tỷ lệ triển khai thành công cao hơn vì họ biết dữ liệu quy trình nào đáng thu thập và ngưỡng nào là sàn của quy trình. Giả sử một nhà máy điện tử tối ưu tỷ lệ đánh giá sai của AOI: kết hợp kỹ sư quy trình được phát triển nội bộ với một chuyên gia thuật toán bên ngoài thường khép kín vòng lặp sớm hơn là một đội thuần bên ngoài. Với đánh giá hiệu quả, phát triển nội bộ nhìn vào “số kịch bản AI nhỏ được tự định nghĩa và bàn giao”, còn tuyển dụng bên ngoài nhìn vào “chuyển giao tri thức có tạo ra tài liệu nội bộ và công việc chuẩn hay không”.

4. So sánh theo chiều thứ ba: phát triển theo dự án so với phát triển theo ma trận năng lực

Phát triển theo dự án có thời gian hoàn vốn ngắn và mục tiêu rõ ràng; ví dụ vừa làm vừa đào tạo trong một dự án dự đoán chất lượng mối hàn hoặc tối ưu năng lượng sẽ có kết quả theo giai đoạn trong ba đến sáu tháng, nhưng người rời đi có thể làm dự án dừng lại. Phát triển theo ma trận năng lực tốn kém hơn và lâu hơn, nhưng biến năng lực AI thành tài sản của tổ chức. Khi đánh giá, cách thứ nhất nhìn ROI của từng dự án, cách thứ hai nhìn tỷ lệ tái sử dụng năng lực, tức là bao nhiêu kịch bản có thể dùng lại cùng một chuẩn gán nhãn dữ liệu và cùng một quy trình kiểm chứng mô hình. Trong thực tế, cách thực dụng hơn với phần lớn nhà sản xuất là “mở đầu bằng dự án, khép lại bằng ma trận”: kiểm chứng trước bằng một kịch bản nhỏ giá trị cao, rồi chuẩn hóa quy trình.

Câu hỏi liên quan thứ nhất: chu kỳ phát triển bao lâu là hợp lý?

Tùy vào điểm xuất phát. Doanh nghiệp đã có nền tảng tự động hóa và thu thập dữ liệu thường thấy kết quả ban đầu ở lớp ứng dụng trong vòng vài tháng; doanh nghiệp phải xây đường ống dữ liệu và hệ thống gán nhãn từ đầu thì chu kỳ rõ ràng dài hơn. Các yếu tố ảnh hưởng gồm chất lượng dữ liệu, tỷ lệ kết nối thiết bị và việc đã có nền tảng AI tái sử dụng được hay chưa, chứ không phải một con số tháng cố định.

Câu hỏi liên quan thứ hai: đo “đã học được” thế nào?

Nên dùng chỉ số hành vi thay vì chỉ số bài thi: người đó có tự hoàn thành một vòng khép kín từ thu thập dữ liệu đến kiểm chứng mô hình không, có phát hiện được mô hình bị trôi và kích hoạt huấn luyện lại không, có giải thích được cho ban lãnh đạo ranh giới đầu tư của một kịch bản AI không. Những điều này gần với hiệu quả thực hơn là chứng chỉ.

Câu hỏi liên quan thứ ba: ngân sách nên nghiêng về đâu?

Ưu tiên hạ tầng dữ liệu và cơ chế giảng viên nội bộ cùng kèm cặp, vì hai điều này quyết định việc phát triển có mở rộng được hay không; khóa học bên ngoài phù hợp làm bổ trợ, không phải con đường chính. Tính toán có thể thuê theo nhu cầu, không cần đầu tư lớn một lần.

Khuyến nghị tổng thể: để đánh giá hiệu quả phát triển nhân lực AI trong sản xuất, hãy lập một bảng theo dõi đơn giản ghi lại số kịch bản mỗi học viên tham gia, thay đổi tần suất can thiệp thủ công sau khi lên sóng và việc bảo trì mô hình có thể tự xử lý nội bộ hay không, rồi xem lại theo quý. Cách này phù hợp với doanh nghiệp đã có một phần kết nối thiết bị và tích lũy dữ liệu, sẵn lòng bắt đầu theo dự án; không phù hợp với kịch bản nền dữ liệu mỏng mà kỳ vọng vài buổi đào tạo là có kết quả, khi đó nên củng cố nền tảng dữ liệu và tự động hóa trước rồi mới bàn hiệu quả đào tạo nhân lực.

Chủ đề: AI-FAQ