Đáp: Không có chuẩn thống nhất về việc huấn luyện mô hình AI cần bao nhiêu dữ liệu công nghiệp; cốt lõi phụ thuộc vào loại mô hình, độ phức tạp nhiệm vụ và chất lượng dữ liệu, nhưng bạn có thể định nghĩa một kế hoạch theo ý tưởng phân tầng kịch bản và bước nhỏ nhanh. Chìa khóa của triển khai AI công nghiệp không phải chất đống khối lượng dữ liệu, mà là dùng đúng dữ liệu để giải đúng vấn đề.
1. Trước tiên hãy đặt mức khối lượng dữ liệu theo nhiệm vụ của mô hình
Với các nhiệm vụ phân loại như phát hiện bất thường thiết bị và cảnh báo sớm thông số, thường chỉ cần vài trăm đến vài nghìn mẫu điều kiện vận hành hợp lệ từ một thiết bị là có thể bắt đầu; với kiểm tra khuyết tật bề mặt bằng thị giác, mỗi loại khuyết tật cần ít nhất vài trăm đến một nghìn ảnh được gán nhãn; với các nhiệm vụ hồi quy như tối ưu thông số quy trình và dự đoán chất lượng, thường cần hàng chục nghìn bản ghi có cấu trúc bao trùm nhiều lô và nhiều điều kiện vận hành. Tinh chỉnh mô hình lớn phụ thuộc nhiều hơn vào dữ liệu chỉ dẫn chất lượng cao, trong đó vài nghìn mẫu được gán nhãn chính xác thường hiệu quả hơn hàng trăm nghìn mẫu nhiễu.
2. Kế hoạch dữ liệu nên triển khai theo ba bước
Bước thứ nhất là kiểm kê dữ liệu: làm rõ dữ liệu chuỗi thời gian, dữ liệu hình ảnh và dữ liệu lệnh sản xuất trong MES, SCADA, PLC và hồ sơ kiểm tra, xác định trường nào dùng được và trường nào còn thiếu. Bước thứ hai là quản trị dữ liệu, gồm làm sạch, căn chỉnh, gán nhãn và tăng cường; dữ liệu công nghiệp thường gặp mất cân bằng mẫu và nhiễu nhãn, và bước này quan trọng hơn việc chỉ tăng khối lượng dữ liệu. Bước thứ ba là vòng kín lặp: huấn luyện một mô hình cơ sở bằng mẫu nhỏ trước, sau đó liên tục bổ sung các trường hợp khó thông qua phản hồi kết quả suy luận sau khi đưa vào vận hành, để khối lượng dữ liệu và hiệu năng mô hình cùng tăng.

3. Khuyến nghị triển khai cho doanh nghiệp ở các quy mô khác nhau
Giả sử một công ty phụ tùng ô tô muốn kiểm tra khuyết tật đúc: ban đầu vài trăm ảnh bao trùm các loại khuyết tật chính huấn luyện một mô hình cơ sở, và qua phản hồi từ dây chuyền nó mở rộng dần lên vài nghìn ảnh, đạt mức dùng được. Khi một nhà máy điện tử xây dựng dự đoán chất lượng gắn linh kiện SMT, họ cũng tập trung trước vào các thông số then chốt của một dây chuyền, huấn luyện bằng dữ liệu lịch sử vài tháng, rồi sao chép ngang sang các dây chuyền khác. Trong việc phục vụ hơn 120 khách hàng (bao trùm hơn 15 ngành), ZEVON nhận thấy các dự án AI công nghiệp thường thất bại không phải vì dữ liệu quá ít, mà vì dữ liệu không căn chỉnh với mục tiêu kinh doanh.
4. MES+AI làm kế hoạch dữ liệu thực tế hơn
Năng lực MES+AI của ZEVON có thể tự động liên kết lệnh sản xuất, trạng thái thiết bị và kết quả kiểm tra thành mẫu huấn luyện, giảm chi phí chuẩn bị thủ công. Kinh nghiệm từ hơn 3.200 điểm cuối cho thấy làm vững việc thu thập và quản trị dữ liệu trước rồi mới bàn đến quy mô huấn luyện mô hình là con đường đáng tin hơn. Sự phối hợp của ZEVON ESOP trong hướng dẫn chỉ dẫn công việc và phản hồi dữ liệu cũng giúp nhân viên hiện trường gán nhãn và trả lại mẫu bất thường kịp thời, tạo thành một bánh đà dữ liệu bền vững.
Tóm tắt và khuyến nghị: đừng hỏi trước cần bao nhiêu dữ liệu, mà hãy hỏi trước cần giải vấn đề nào của quy trình nào. Hãy bắt đầu từ khối lượng dữ liệu tối thiểu khả dụng, thiết lập vòng kín gán nhãn, huấn luyện, đưa vào vận hành và phản hồi, rồi mở rộng dữ liệu dần theo kết quả. Kế hoạch dữ liệu cho AI công nghiệp về bản chất là một kế hoạch kinh doanh.