Trung tâm kiến thức
Mục lục

Q: Huấn luyện mô hình AI cần bao nhiêu dữ liệu công nghiệp, và cần nền tảng dữ liệu gì?

A: Không có tiêu chuẩn chung cho việc huấn luyện mô hình AI cần bao nhiêu dữ liệu công nghiệp; điều then chốt là độ phức tạp của tình huống và loại mô hình. Thông thường một mô hình phát hiện khuyết điểm đơn lẻ cho một dây chuyền cần ít nhất hàng nghìn ảnh đã gán nhãn, trong khi mô hình tối ưu quá trình liên quan nhiều công đoạn và nhiều tham số thường cần dữ liệu sản xuất liên tục trong vài tháng, thậm chí hơn một năm. Điều thực sự quyết định thành công không phải là dữ liệu càng nhiều càng tốt, mà là nền tảng dữ liệu có đáp ứng năm điều kiện dưới đây hay không.

1. Khối lượng dữ liệu thay đổi theo tình huống

Giả sử một công ty phụ tùng ô tô muốn phát hiện vết xước bề mặt; chuẩn bị 800 đến 1.500 mẫu đã gán nhãn cho mỗi loại khuyết điểm ban đầu là đủ để tạo ra một mô hình dùng được. Nếu muốn điều chỉnh tham số ép nhựa, công ty cần hồ sơ liên tục bao phủ các khuôn khác nhau, lô nguyên liệu khác nhau và nhiệt độ, độ ẩm môi trường khác nhau, và thường nên tích lũy ít nhất 6 đến 12 tháng dữ liệu sản xuất. Khi một nhà máy điện tử đưa AI vào đánh giá lại AOI, nhà máy tích lũy khoảng 20.000 ảnh PCB đã gán nhãn trong 3 tháng trước khi tỷ lệ báo nhầm giảm xuống mức chấp nhận được. Trong quá trình phục vụ hơn 120 khách hàng (bao phủ hơn 15 ngành), ZEVON nhận thấy ngưỡng dữ liệu trong sản xuất rời rạc thường thấp hơn trong công nghiệp quá trình, nhưng cả hai đều theo nguyên tắc đủ trước, lặp sau.

hình minh họa

2. Dữ liệu phải được gán nhãn, và chất lượng nhãn phải cao

Dữ liệu công nghiệp không chỉ là nhật ký thu thập ngẫu nhiên; học có giám sát cần gán nhãn thủ công hoặc bán tự động. Ví dụ tín hiệu rung động thiết bị phải được gán nhãn bình thường, bất thường hoặc lỗi sớm, còn ảnh thị giác phải khoanh được vị trí và loại khuyết điểm. Nếu tỷ lệ sai nhãn vượt 5%, hiệu năng mô hình giảm rõ rệt. Trong giải pháp MES+AI của ZEVON, kết quả phán đoán từ trạm kiểm tra được tự động ghi ngược làm nhãn, giúp giảm chi phí gán nhãn thủ công.

3. Dữ liệu phải bao phủ đủ điều kiện vận hành và các trường hợp biên

hình minh họa

Chỉ thu thập dữ liệu từ sản xuất bình thường là vô ích; phải bao gồm các điều kiện bất thường như đổi sản phẩm, dừng máy, gia nhiệt sơ bộ và thay đổi môi trường đột ngột. Giả sử một nhà máy pin năng lượng mới chỉ thu thập dữ liệu từ giai đoạn sản xuất hàng loạt ổn định; khi mô hình đi vào vận hành, nó sẽ phán đoán sai liên tục khi vật tư đầu vào dao động. Nên tổ chức dữ liệu theo tỷ lệ khoảng 6:2:2 cho bình thường, bất thường và trường hợp biên, và ngay cả vài chục trường hợp biên cũng có giá trị.

4. Tính liên tục thời gian và tần suất lấy mẫu của dữ liệu phải khớp nhau

Với bảo trì dự đoán, dữ liệu rung động thường cần tần suất lấy mẫu trên 10 kHz; với tối ưu năng lượng, dữ liệu mức phút là đủ. Nếu khoảng lấy mẫu quá dài, đặc trưng lỗi sẽ bị mất. Khi kết nối với thiết bị cũ, ZEVON dùng gateway biên để bổ sung năng lực thu thập tần số cao, giúp nền tảng dữ liệu dùng được.

hình minh họa

5. Dữ liệu phải truy vết được đến lô, máy và tham số quá trình cụ thể

Dữ liệu rời rạc không có giá trị chẩn đoán. Mỗi bản ghi dữ liệu tốt nhất nên liên kết với số lệnh sản xuất, mã thiết bị, công nhân vận hành và lô nguyên liệu. Kinh nghiệm từ hơn 3.200 điểm cuối cho thấy dữ liệu có ngữ cảnh nâng khả năng giải thích của mô hình AI lên một mức và cũng giúp phân tích nguyên nhân gốc về sau dễ hơn.

Tóm tắt và khuyến nghị: đừng lo trước cần bao nhiêu GB; hãy xác định mục tiêu nghiệp vụ trước rồi suy ngược ra khối lượng dữ liệu tối thiểu khả dụng. Khi bắt đầu, vài nghìn bản ghi đã gán nhãn chất lượng cao là đủ để đóng vòng, rồi dữ liệu mới tiếp tục chảy về qua MES+AI để huấn luyện tăng dần. ZEVON khuyến nghị nhà sản xuất coi thu thập, gán nhãn và phản hồi dữ liệu là hoạt động hằng ngày chứ không phải dự án một lần, để mô hình càng dùng càng chính xác.

Chủ đề: AI-FAQ