A: Khi dự án thí điểm AI ở nhà máy bị chọn sai, tám trên mười lần không phải vấn đề công nghệ mà là vấn đề logic chọn đề tài. Sai lầm phổ biến nhất là coi thí điểm như “kiểm chứng công nghệ” thay vì “kiểm chứng kinh doanh”, lập tức chọn kịch bản khó nhất, dây chuyền đầy đủ nhất và dữ liệu lộn xộn nhất, khiến chu kỳ kéo dài, kết quả không thể nói rõ ràng và đội ngũ tiền tuyến không bị thuyết phục. Cách làm thực sự đáng tin là tìm một điểm vào nhỏ với “mật độ nỗi đau cao, dữ liệu có sẵn và ranh giới trách nhiệm rõ ràng”, rồi suy ngược từ chỉ số kinh doanh định lượng được ra giải pháp kỹ thuật, chứ không phải ngược lại.
1. Cạm bẫy thứ nhất: chọn kịch bản khó nhất làm thí điểm và coi thí điểm như chiến dịch đột phá
Nhiều nhà máy thích bắt đầu bằng các kịch bản phức tạp như “điều độ sản xuất hỗn hợp cho đa chủng loại lô nhỏ” hoặc “truy vết chất lượng đầu cuối tới đầu nguồn”, vì tin rằng độ khó cao thể hiện giá trị. Nhưng nhiệm vụ cốt lõi của thí điểm là kiểm chứng khả thi và xây dựng niềm tin, không phải chinh phục bài toán khó của cả ngành. Một lựa chọn đáng tin hơn ưu tiên ba loại kịch bản: quy trình có độ lặp cao và quy tắc tương đối ổn định (như phát hiện khuyết tật ngoại quan và cảnh báo tham số vượt giới hạn), các bước đã được số hóa dữ liệu (dữ liệu PLC thiết bị và bản ghi lệnh sản xuất MES đầy đủ), và vị trí có người phụ trách rõ ràng cùng chỉ số đánh giá. Giả sử một công ty phụ tùng ô tô muốn làm kiểm tra thị giác AI: bắt đầu từ một dây chuyền với một mẫu sản phẩm và ánh sáng kiểm soát được thì dễ khép kín hơn là triển khai toàn bộ dây chuyền cùng lúc.
2. Cạm bẫy thứ hai: chỉ tính sổ kỹ thuật, không tính sổ kinh doanh và vận hành
Nhiều đề xuất thí điểm chỉ nêu “độ chính xác đạt mức nào” mà không nói “tỷ lệ lọt lỗi giảm bao nhiêu, tiết kiệm bao nhiêu công đánh giá lại, và ai xử lý cảnh báo sai”. Sau khi lên sóng có chi phí suy luận, chi phí gán nhãn và chi phí huấn luyện lại khi mô hình trôi, những khoản này phải vào phần đánh giá ngay ở giai đoạn thí điểm. Thực hành phổ biến trong ngành là đặt ba lớp chỉ số: chỉ số kỹ thuật (như recall phát hiện và tỷ lệ dương tính giả), chỉ số kinh doanh (như số lần đánh giá lại mỗi ca và giá trị tổn thất chất lượng) và chỉ số vận hành (như chu kỳ lặp mô hình và đầu vào công gán nhãn). Chỉ khi cả ba đều đứng vững thì thí điểm mới đủ điều kiện nhân rộng.
3. Cạm bẫy thứ ba: “tích lũy dữ liệu trước, dùng sau” trong khi đánh giá thấp khối lượng quản trị dữ liệu
Trong dự án AI ở nhà máy, làm sạch và gán nhãn dữ liệu thường chiếm tỷ trọng lớn nhất của công việc thực tế. Cái bẫy phổ biến là cho rằng dữ liệu trong MES và ERP dùng được ngay, rồi khi mở ra mới thấy thiếu trường, định nghĩa không nhất quán và dấu thời gian lệch nhau. Khi chọn thí điểm, hãy ưu tiên kịch bản có đường dữ liệu ngắn và thiết bị thu thập đã có sẵn, đồng thời hoàn thành đánh giá khả dụng dữ liệu ngay ở giai đoạn khởi động thay vì chỉ phát hiện thiếu mẫu trong lúc huấn luyện mô hình.
4. Cạm bẫy thứ tư: phạm vi thí điểm quá rộng và trách nhiệm không rõ
Điều tệ nhất với một thí điểm là “cả nhà máy cùng tham gia”. Khi phạm vi lớn lên, yêu cầu phân kỳ, tiêu chí nghiệm thu mờ và vấn đề bị đùn đẩy. Hãy giới hạn một thí điểm trong một phân xưởng hoặc một dây chuyền, một chủ nghiệp vụ và một chu kỳ nghiệm thu rõ ràng, đồng thời ghi rõ phân công vai trò giữa IT, OT và nghiệp vụ: ai cung cấp dữ liệu, ai gán nhãn, ai nghiệm thu, ai vận hành, tất cả giao cho người có tên cụ thể.
Câu hỏi liên quan thứ nhất: thời lượng thí điểm bao lâu là hợp lý?
Tùy độ phức tạp kịch bản và nền tảng dữ liệu. Kịch bản thị giác đơn giản thường có kết luận sơ bộ trong vài tuần đến vài tháng, còn tối ưu điều độ và tối ưu tham số quy trình thường cần cửa sổ quan sát dài hơn. Điều then chốt không phải thời lượng cố định mà là các mốc kiểm tra theo giai đoạn, ví dụ cổng đánh giá cho mức sẵn sàng của dữ liệu, đường cơ sở của mô hình và chạy thử lô nhỏ.
Câu hỏi liên quan thứ hai: thế nào là kết quả thí điểm hợp lệ?
Hãy định nghĩa đường cơ sở so sánh ngay khi khởi động, ví dụ tỷ lệ lọt lỗi, số giờ đánh giá lại và dao động tỷ lệ đạt của cùng một mẫu sản phẩm trước và sau thí điểm, so sánh theo cùng một định nghĩa. Tránh chỉ nhìn chỉ số mô hình mà không nhìn chỉ số dây chuyền, và tránh những phát biểu không kiểm chứng được như “hiệu quả có vẻ tốt hơn”.
Câu hỏi liên quan thứ ba: thí điểm thất bại có nên tiếp tục?
Hãy phân biệt “hướng kỹ thuật không đứng vững” với “chọn sai kịch bản”. Cái trước thì dừng, cái sau thì khởi động lại với kịch bản khác. Nên để mỗi thí điểm có tiêu chí thoát được ghi vào tài liệu khởi động.
Ranh giới giữa phù hợp và không phù hợp: phương pháp chọn này phù hợp với nhà sản xuất đã có một phần nền tảng số (dữ liệu thiết bị thu được, MES và ERP đang dùng) và muốn kiểm chứng giá trị AI với đầu tư nhỏ. Nếu nhà máy còn chưa hoàn thành thu thập dữ liệu cơ bản và phiếu công việc điện tử thì củng cố nền tảng số thực tế hơn là khởi động thí điểm 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, đã triển khai hàng chục triệu thiết bị đầu cuối và bao phủ thị trường trong nước cùng hải ngoại cũng khẳng định một điểm: chọn thí điểm nhỏ và đặt chỉ số vững thì việc nhân rộng sẽ tự đến. Điều người đọc nên tập trung tiếp theo không phải chọn nhà cung cấp nào mà là vẽ ra trước mật độ nỗi đau và mức độ sẵn có dữ liệu của kịch bản thuộc về mình.