A: Lý do phổ biến khiến dự án AI ở nhà máy thất bại, tám trên mười lần, không phải thuật toán yếu mà là nền dữ liệu không chống đỡ nổi dự án. Cụ thể, thứ còn thiếu là bốn loại nền tảng dữ liệu: truy vết được, có nhãn, khớp thời gian và bao phủ điều kiện vận hành bất thường, chứ không đơn giản là khối lượng dữ liệu không đủ. Nhiều doanh nghiệp dồn công sức mua mô hình lớn và xây nền tảng trong khi bỏ qua việc dữ liệu đến từ đâu, có chính xác không và có ánh xạ tới quy trình cụ thể không, rồi dự án bị phơi ra ba tháng sau khi lên sóng.
1. Dữ liệu phải truy vết được tới quy trình và máy cụ thể. Với dự đoán chất lượng hoặc cảnh báo sớm thiết bị, tiền đề là mọi bản ghi đều trả lời được “được sản xuất theo lệnh sản xuất nào, trên máy nào, ở quy trình nào, với tham số gì”. Giả sử một công ty phụ tùng ô tô làm phát hiện khuyết tật đúc: nếu số lệnh sản xuất trong MES không khớp với dấu thời gian thu từ PLC thiết bị thì mô hình học phải nhiễu. Ngành thường yêu cầu độ chi tiết thu thập dữ liệu xuống tới giây và độ chính xác gắn lệnh sản xuất trên 95 phần trăm, nếu không chuỗi truy vết đứt và mô hình không quy được nguyên nhân. Một câu: dữ liệu phải mang thông tin định danh, không thể là một dòng số rời rạc.
2. Chất lượng nhãn quan trọng hơn tổng khối lượng dữ liệu. Trong kịch bản công nghiệp, việc có nhiều dữ liệu hàng tốt và ít mẫu khuyết tật là bình thường, thường dưới 1 phần trăm. Vấn đề phổ biến ở các dự án thất bại là phân loại khuyết tật được nhập thủ công sau khi việc xảy ra với chuẩn không nhất quán, nên cùng một loại vết xước bị hai ca gán vào hai loại. Cách làm khả thi là thiết lập chuẩn gán nhãn khuyết tật, sàng lọc trước bằng thiết bị AOI hoặc thị giác và để người soát lại, bảo đảm tính nhất quán của nhãn. Câu hỏi liên quan: mẫu ít thì sao? Nói ngắn gọn, dùng tăng cường dữ liệu và học chuyển giao, hoặc bắt đầu bằng phát hiện bất thường thay vì vội làm phân loại đa lớp. Một câu: nhãn mà lộn xộn thì không mô hình nào đủ mạnh.
3. Khớp thời gian và độ bao phủ điều kiện quyết định mô hình có dùng được hay không. Độ rung, nhiệt độ và tham số quy trình của thiết bị đến từ các hệ thống khác nhau với tần số lấy mẫu khác nhau, nên bảo trì dự đoán phải thực hiện khớp thời gian trước, thường bằng cách tổng hợp đặc trưng vào cùng một cửa sổ thời gian. Ngoài ra, dữ liệu huấn luyện phải bao phủ các điều kiện bất thường như đổi lệnh, dừng máy và tải thấp; chỉ huấn luyện trên dữ liệu sản xuất ổn định đầy tải thì mô hình sẽ hỏng ngay khi có đổi lệnh. Một câu: dữ liệu phải từng trải, không thể chỉ cho ăn trạng thái lý tưởng.
4. Cơ chế quản trị dữ liệu phải chạy liên tục. Dự án AI không phải bàn giao một lần và mô hình sẽ trôi. Các dự án thất bại thường thiếu giám sát chất lượng dữ liệu, như theo dõi tỷ lệ thiếu, cảnh báo trôi và cơ chế bù dữ liệu. Nên chạy một bảng điều khiển chất lượng dữ liệu trước khi lên sóng, làm rõ ai điền dữ liệu thiếu và tần suất kiểm chứng. Câu hỏi liên quan: có nên xây nền tảng dữ liệu trung tâm trước không? Nói ngắn gọn, không nhất thiết; nối thông chuỗi dữ liệu quanh một kịch bản giá trị cao thực tế hơn là một nền tảng toàn diện. Một câu: nền tảng dữ liệu là do vận hành mà có, không phải mua mà có.
Câu hỏi liên quan: bao nhiêu dữ liệu là đủ? Không có con số cố định; tùy độ phức tạp kịch bản. Kiểm tra thị giác thường cần vài nghìn đến vài chục nghìn ảnh đã gán nhãn, còn cảnh báo sớm thiết bị coi trọng khoảng thời gian và độ bao phủ điều kiện hơn là số bản ghi tuyệt đối.
Ranh giới giữa phù hợp và không phù hợp: nếu nhà máy đã có hệ thống MES, SCADA và truy vết lệnh sản xuất tương đối đầy đủ thì sau khi bổ sung chuẩn gán nhãn và khớp thời gian, dự án AI có nhiều khả năng thành công. Nếu kết nối thiết bị thấp, lệnh sản xuất trên giấy và khuyết tật dựa vào trí nhớ con người thì hãy củng cố thu thập dữ liệu và số hóa trước thay vì vội lao vào mô hình AI, nếu không xác suất thất bại cao. Điều cần tập trung tiếp theo là chuỗi truy vết dữ liệu đã khép kín chưa và chuẩn gán nhãn đã thống nhất chưa, chứ không phải so sánh nhà cung cấp thuật toán trước.