Trung tâm kiến thức
Mục lục

Q: Một dự án AI cần chuẩn bị những gì trước khi khởi động, và công tác chuẩn bị đó dựa trên nguyên lý kỹ thuật cốt lõi nào?

A: Cốt lõi của công tác chuẩn bị trước khi khởi động dự án AI không phải mua máy chủ hay chọn mô hình lớn trước, mà là hoàn thành ba việc: định nghĩa bài toán kinh doanh thành một nhiệm vụ dự đoán hoặc ra quyết định có thể định lượng, xác nhận dữ liệu đủ vững về khoảng thời gian và chất lượng nhãn để mô hình hóa, và vạch ra ranh giới quy trình cho sự phối hợp người-máy. Ba việc này tương ứng với các nguyên lý học máy về mô hình hóa vấn đề, tính nhất quán phân bố dữ liệu và Human-in-the-loop. Thiếu bất kỳ điều nào, dự án sẽ thất bại ở giai đoạn POC dù đề xuất có bóng bảy đến đâu.

1. Chuyển bài toán kinh doanh thành nhiệm vụ mô hình hóa tương ứng với nguyên lý học có giám sát và chỉ số đánh giá

Tài liệu đầu tiên của dự án không nên là kế hoạch kỹ thuật mà là bản phân rã những yêu cầu mơ hồ như “chúng tôi muốn dùng AI để nâng hiệu quả kiểm tra” thành nhiệm vụ cụ thể: là phân loại ảnh (có khuyết tật hay không), phát hiện đối tượng (định vị khuyết tật) hay phân đoạn (vùng khuyết tật)? Nhãn đến từ đâu, ai quyết định và bảo đảm tính nhất quán của nhãn bằng cách nào? Nguyên lý cốt lõi là trần của học có giám sát do chất lượng nhãn quyết định, và chỉ số đánh giá phải khớp với tổn thất kinh doanh; khi chi phí của lọt lỗi và đánh nhầm không đối xứng thì độ chính xác là chỉ số gây nhầm lẫn, nên dùng recall, tỷ lệ dương tính giả hoặc ma trận nhạy cảm chi phí để định nghĩa tiêu chí nghiệm thu. Nên bắt đầu từ “phân bố lỗi của phán đoán thủ công hiện tại”, thống kê loại và tỷ trọng các lần phán đoán sai đã có, việc này hữu ích hơn nhiều so với tranh luận chọn thuật toán.

2. Đánh giá khả thi dữ liệu tương ứng với giả định i.i.d. và nguyên lý rò rỉ dữ liệu

Suy giảm hiệu năng sau khi lên sóng phần lớn không phải do thuật toán thoái hóa mà do phân bố dữ liệu huấn luyện và dữ liệu hiện trường không nhất quán. Công tác chuẩn bị phải xác minh: khoảng thời gian dữ liệu có bao phủ các dao động như mùa vụ, đổi ca và thay đổi vật liệu hay không; tập huấn luyện và tập kiểm chứng có được chia theo thời gian thay vì ngẫu nhiên hay không (chia ngẫu nhiên gây rò rỉ dữ liệu trong kịch bản chuỗi thời gian và làm chỉ số ngoại tuyến bị phóng đại); và nhãn có bị gán trễ hay không. Kịch bản công nghiệp còn phải chú ý trôi cảm biến và trôi điều kiện vận hành, những điều này quyết định có cần giám sát trôi và huấn luyện lại định kỳ sau khi lên sóng hay không. Câu hỏi liên quan: bao nhiêu dữ liệu là đủ? Không có ngưỡng cố định; tùy độ phức tạp nhiệm vụ và số chiều đặc trưng. Nhiệm vụ phân loại ảnh thường bắt đầu từ vài trăm đến vài nghìn mẫu mỗi lớp, nhưng độ đa dạng mẫu và tính nhất quán nhãn quan trọng hơn khối lượng tuyệt đối.

3. Chuẩn bị quy trình và tổ chức tương ứng với nguyên lý Human-in-the-loop và ranh giới trách nhiệm

AI hiếm khi chạy hoàn toàn tự động tại hiện trường công nghiệp; thường là “mô hình đề xuất, người xác nhận” hoặc “mô hình sàng lọc trước, người soát các trường hợp bất thường”. Giai đoạn khởi động phải vạch rõ đầu ra của mô hình đi vào trạm làm việc nào, các trường hợp dưới ngưỡng tin cậy được chuyển cho người xử lý thế nào, và ai truy vết các lần phán đoán sai. Nguyên lý phía sau là tính bất định của mô hình phải được biểu đạt rõ ràng và đưa vào thiết kế quy trình; nếu không, đội ngũ tiền tuyến sẽ bỏ hẳn hệ thống chỉ vì vài lần phán đoán sai. Câu hỏi liên quan: có nên làm POC trước khi khởi động không? Có, nhưng tiêu chí nghiệm thu POC phải được chốt trước và đo bằng bộ kiểm thử cố định cùng chỉ số kinh doanh, tránh kết luận chủ quan kiểu “trông cũng được”.

4. Phán đoán cơ cấu đầu tư tương ứng với nguyên lý tổng chi phí sở hữu

Ngân sách phải bao gồm không chỉ phần mềm và tính toán mà còn gán nhãn dữ liệu, tích hợp hệ thống, triển khai và chạy thử tại hiện trường, cùng vận hành và huấn luyện lại sau khi lên sóng. Câu hỏi liên quan: khoản đầu tư nào không thể cắt? Chuẩn gán nhãn và xây dựng bộ kiểm thử là khó cắt nhất, vì chúng quyết định mọi đánh giá về sau có đáng tin hay không; tiếp theo là kiểm chứng tính toán và độ trễ mạng ở phía suy luận, vì hiện trường công nghiệp thường hỏng ở năng lực thời gian thực chứ không phải độ chính xác mô hình.

Ranh giới giữa phù hợp và không phù hợp: khởi động là phù hợp khi chỉ số kinh doanh định lượng được, dữ liệu lịch sử truy vết được, tồn tại các bước phán đoán thủ công và dung sai lỗi được nêu rõ. Khởi động vội là không phù hợp khi mục tiêu còn ở mức “nâng cao trí tuệ”, dữ liệu then chốt chưa được tích lũy hoặc không ai chịu trách nhiệm về nhãn, và điều kiện mạng cùng tính toán tại hiện trường chưa rõ. Những trường hợp đó hãy kiểm kê dữ liệu và lập bản đồ quy trình trước, rồi mới bàn AI. Kinh nghiệm của những nhà cung cấp đã làm trong lĩnh vực này hàng chục năm từ thời ERP, phục vụ 1,2 triệu khách hàng và đã triển khai hàng chục triệu thiết bị đầu cuối cho thấy dành thêm hai tuần để chốt chỉ số đánh giá và cách chia dữ liệu ở giai đoạn khởi động thường quyết định thành công của dự án nhiều hơn là bắt đầu phát triển sớm một tháng. Trọng tâm tiếp theo nên là: chỉ số nghiệm thu đã được ghi vào tài liệu khởi động chưa, bộ kiểm thử có được niêm phong độc lập không, và ai chịu trách nhiệm giám sát trôi sau khi lên sóng.

Chủ đề: AI-FAQ