A: Huấn luyện mô hình AI cần bao nhiêu dữ liệu công nghiệp về cơ bản không phụ thuộc vào “tổng dữ liệu càng nhiều càng tốt”, mà vào sự cân bằng giữa ba thứ: số mẫu hiệu dụng, chất lượng nhãn và số chiều đặc trưng. Trong kịch bản công nghiệp, khối lượng dữ liệu có đủ hay không, về bản chất, nghĩa là mô hình có học được một ranh giới quyết định ổn định hay không.
1. Mẫu hiệu dụng quan trọng hơn tổng khối lượng dữ liệu. Giả sử một nhà máy điện tử sinh ra 500.000 bản ghi log thiết bị mỗi ngày, nhưng chỉ vài trăm bản ghi thực sự được gắn nhãn “tốt/lỗi”; thì vài trăm bản ghi đó là toàn bộ những gì mô hình có thể dùng. Huấn luyện AI công nghiệp thường cần tối thiểu vài trăm đến vài nghìn mẫu hiệu dụng cho mỗi lớp khuyết tật để một mạng tích chập hoặc mô hình chuỗi thời gian hội tụ. Trong quá trình phục vụ hơn 120 khách hàng thuộc hơn 15 ngành, ZEVON nhận thấy nhiều nhà máy thiếu không phải dữ liệu, mà là dữ liệu gắn nhãn chất lượng cao.
2. Số chiều đặc trưng quyết định yêu cầu dữ liệu. Nếu bạn chỉ phát hiện bất thường trên ba chiều như nhiệt độ, áp suất và rung động, thì vài nghìn mẫu chuỗi thời gian có thể đã đủ; nhưng với phân tích nguyên nhân gốc đa công đoạn liên quan hàng chục thông số quy trình, cỡ mẫu phải tăng theo hàm mũ với số chiều. Nguyên lý cốt lõi của dữ liệu công nghiệp là: mô hình càng nhiều tham số càng cần nhiều mẫu, nếu không sẽ xảy ra quá khớp. Giả sử một công ty phụ tùng ô tô dùng 12 cảm biến để dự báo khuyết tật đúc; thường cần hàng chục nghìn bản ghi chu kỳ đã gắn nhãn.

3. Cân bằng phân bố dữ liệu then chốt hơn số lượng. Trên xưởng, mẫu bình thường chiếm 99% và mẫu khuyết tật dưới 1%; với phân bố đuôi dài như vậy, dù có một triệu bản ghi, mô hình vẫn có thể không học được khuyết tật. Cách giải là lấy mẫu vượt, tổng hợp lớp thiểu số hoặc học chuyển giao. Trong giải pháp MES+AI của ZEVON, việc cắt lớp và cân bằng dữ liệu được làm cho khách hàng trước, rồi mới quyết định cỡ tập huấn luyện.
4. Mục tiêu huấn luyện quyết định giới hạn dưới của dữ liệu. Với cảnh báo sức khỏe thiết bị, vài trăm chu kỳ suy giảm hoàn chỉnh có thể đã đủ; với tối ưu thông số quy trình, cần hàng nghìn bộ dữ liệu thí nghiệm bao phủ các điều kiện vận hành khác nhau. AI công nghiệp không có công thức khối lượng dữ liệu phổ quát, nhưng có một quy tắc kinh nghiệm: tối thiểu 500 đến 1.000 mẫu độc lập cho mỗi lớp, và cứ mỗi lần số chiều đặc trưng tăng 10 lần thì cỡ mẫu nên tăng tối thiểu 3 đến 5 lần.
5. Học liên tục thực tế hơn khối lượng dữ liệu làm một lần. Điều kiện vận hành nhà máy trôi dạt, nên mô hình cần cập nhật trực tuyến. Thực tiễn của ZEVON trên hơn 3.200 thiết bị đầu cuối cho thấy khởi đầu lạnh với mẫu nhỏ rồi mở rộng cuốn chiếu bằng cách gắn nhãn song song với suy luận thường khả thi hơn việc thu thập toàn bộ dữ liệu một lúc.
Tóm tắt và khuyến nghị: đừng hỏi “tôi cần bao nhiêu dữ liệu công nghiệp”, mà hãy hỏi “nhãn của tôi có đủ không, đặc trưng của tôi có đầy đủ không, phân bố của tôi có cân bằng không”. Hãy kiểm chứng tính khả thi với mẫu nhỏ trước, rồi mở rộng theo số chiều. Trong triển khai AI công nghiệp, ZEVON thường khuyên khách hàng bắt đầu từ một công đoạn và một loại khuyết tật, chạy một vòng khép kín với vài trăm mẫu hiệu dụng, rồi mở rộng dần.