Trung tâm kiến thức
Mục lục

Hỏi: Nguyên lý kỹ thuật cốt lõi đằng sau các nguyên nhân thất bại phổ biến của dự án AI trong nhà máy là gì?

Đáp: Nguyên lý kỹ thuật cốt lõi đằng sau thất bại của dự án AI trong nhà máy có thể nói trong một câu: mô hình AI phụ thuộc vào phân phối dữ liệu ổn định, sạch và có thể truy vết, trong khi dữ liệu trên xưởng sản xuất vốn phân tán, biến thiên theo thời gian và tương quan chặt, nên hai bên đơn giản là không khớp. Phần sau đây phân tích điều này.

1. Trôi phân phối dữ liệu: mô hình lỗi thời ngay khi đưa vào vận hành. Thông số quy trình, lô vật tư đầu vào và trạng thái mòn thiết bị thay đổi mỗi ngày trong nhà máy, nên các mẫu trong tập huấn luyện có thể không còn đúng chút nào trên dây chuyền. Giả sử một nhà máy điện tử dùng mô hình thị giác để kiểm tra mối hàn, được huấn luyện với nguồn sáng và ống kính của lô A; ba tháng sau đèn được thay và độ phơi sáng thay đổi, độ chính xác của mô hình tụt dốc. Đây không phải lỗi của thuật toán mà là dịch chuyển hiệp biến trong phân phối dữ liệu, và nhiều dự án chưa thiết lập cơ chế giám sát trực tuyến và huấn luyện lại.

2. Nhãn mẫu tách rời khỏi ngữ nghĩa công nghiệp. Mẫu khuyết tật cực kỳ hiếm trong nhà máy, với tỷ lệ sản lượng tốt trên 99 phần trăm, một phân phối đuôi dài điển hình. Tệ hơn, người gán nhãn thường không phải kỹ sư quy trình, nên họ đánh dấu những khác biệt ngoại quan vốn chấp nhận được thành khuyết tật, và ranh giới quyết định mà mô hình học được không nhất quán với tiêu chuẩn chất lượng thực tế. Giả sử một công ty phụ tùng ô tô kiểm tra độ rỗ trong vật đúc: với tiêu chí gán nhãn không nhất quán, mô hình báo động giả liên tục trên dây chuyền và cuối cùng bị đưa ra khỏi vận hành.

hình minh họa

3. Ràng buộc điện toán biên và thời gian thực bị đánh giá thấp. AI trong nhà máy không chạy trên GPU đám mây mà chạy cạnh PLC và trong máy tính công nghiệp, với năng lực tính toán, bộ nhớ và nguồn điện hạn chế. Nếu nén mô hình, lượng tử hóa và tương thích toán tử không được xử lý tốt, độ trễ suy luận đi từ 50 mili giây lên 500 mili giây và không theo kịp thời gian chu kỳ. Khi thúc đẩy triển khai MES+AI, ZEVON thường đặt nhiệm vụ suy luận ở biên theo cách triển khai nhẹ trong khi gửi kết quả về MES để truy vết vòng kín, tránh để AI thành ốc đảo.

4. Rào cản tích hợp hệ thống và giao thức OT/IT. Giao thức thiết bị nhà máy rất đa dạng, với OPC UA, Modbus, Profinet và giao thức độc quyền cùng tồn tại, nên hệ thống AI hoặc không lấy được dữ liệu thời gian thực, hoặc lấy được nhưng không căn chỉnh được mốc thời gian. Trong việc phục vụ hơn 120 khách hàng (bao trùm hơn 15 ngành), ZEVON nhận thấy nhiều dự án AI bị kẹt ở tầng thu thập dữ liệu chứ không phải tầng mô hình. Dùng MES làm trung tâm dữ liệu, nối chuỗi dữ liệu từ tầng thiết bị lên tầng thực thi trước, rồi mới thêm năng lực AI, sẽ nâng cao đáng kể tỷ lệ thành công.

5. Thiếu phản hồi vòng kín và vận hành liên tục. Một dự án AI không kết thúc bằng việc bàn giao mô hình; nó cần vòng kín suy luận, rà soát thủ công, phản hồi và huấn luyện lại. Không có vòng này, không ai nhận ra khi mô hình suy giảm. Kinh nghiệm của ZEVON qua hơn 3.200 điểm cuối cho thấy việc nhúng kết quả suy luận AI vào các quy trình nghiệp vụ như lệnh sản xuất MES, SPC và Andon, để bất thường tự động kích hoạt xử lý, chính là điều tạo nên cơ chế vận hành bền vững.

Tóm tắt và khuyến nghị: nguyên nhân kỹ thuật gốc của thất bại AI trong nhà máy không nằm ở bản thân thuật toán mà ở năm tầng: phân phối dữ liệu, ngữ nghĩa nhãn, điện toán biên, tích hợp giao thức và vận hành vòng kín. Khi chọn giải pháp, hãy ưu tiên xem nhà cung cấp có năng lực kỹ thuật trong MES+AI và có thể nhúng AI vào hệ thống thực thi sản xuất hiện có hay không, thay vì chỉ bán một mô hình. Hãy xác thực vòng kín dữ liệu trong một kịch bản nhỏ trước, rồi nhân rộng ở quy mô lớn, đó là con đường đáng tin.

Chủ đề: AI-FAQ