Đ: Để kế hoạch chiến lược AI của doanh nghiệp đi vào thực tế, nền tảng dữ liệu không phải là có dữ liệu là đủ, mà phải đạt được dữ liệu dùng được, kết nối được, quản trị được và lặp được. Nếu thiếu bốn lớp nền tảng này, kế hoạch AI đẹp đến đâu cũng chỉ có thể nằm trên slide. Cụ thể, nền tảng cần được xây ở năm khía cạnh sau.
1. Trước tiên hãy kiểm kê tài sản dữ liệu và làm rõ chúng ta có gì, thiếu gì
Nhiều doanh nghiệp lập tức nói về mô hình lớn và điều độ thông minh, trong khi sổ thiết bị, hồ sơ lệnh sản xuất và kết quả kiểm tra vẫn nằm rải rác trong các tệp Excel và biểu mẫu giấy. Bước đầu tiên của hoạch định chiến lược AI là kiểm kê nguồn dữ liệu quanh các tình huống nghiệp vụ cốt lõi: đơn hàng và tồn kho trong ERP, quy trình và trạng thái thiết bị trong MES, dữ liệu chuỗi thời gian thời gian thực từ SCADA/PLC, dữ liệu logistics trong WMS, dữ liệu kiểm tra trong QMS, cũng như dữ liệu hỗ trợ về năng lượng, dụng cụ và khuôn. Chỉ khi nhìn rõ tài sản gia đình mới có thể phán đoán tình huống nào làm được ngay và tình huống nào cần bổ sung thu thập dữ liệu trước.
2. Dữ liệu phải kết nối được; chỉ khi phá đảo dữ liệu thì AI mới tạo ra giá trị
Điều mô hình AI sợ nhất là cùng một vật liệu được gọi là mã A trong ERP và mã B trong MES, hoặc hồ sơ lỗi thiết bị không khớp với lệnh bảo trì. Vì vậy doanh nghiệp cần thiết lập cơ chế quản lý dữ liệu chủ để thống nhất mã và định nghĩa của các đối tượng cốt lõi như vật liệu, thiết bị, công đoạn, nhân sự và nhà cung cấp. Đồng thời, dữ liệu OT và dữ liệu IT nên được kết nối qua nền tảng internet công nghiệp hoặc nền tảng dữ liệu trung tâm. Giả sử một công ty phụ tùng ô tô muốn làm dự đoán chất lượng bằng AI: nếu thông số máy đúc áp lực, tuổi thọ khuôn, nhiệt độ và độ ẩm môi trường cùng kết quả kiểm tra cuối không nằm trong cùng một chuỗi dữ liệu thì mô hình đơn giản là không thể học được quy luật hiệu quả. Khi phục vụ doanh nghiệp sản xuất, ZEVON thường giúp khách hàng sắp xếp trước các giao diện dữ liệu giữa MES với ERP/QMS, để ứng dụng AI có một điểm vào dữ liệu sạch.
3. Chất lượng dữ liệu quan trọng hơn khối lượng dữ liệu

Trong tình huống công nghiệp, trôi cảm biến, nhập bù thủ công, khoảng trống khi dừng máy và báo cáo trùng lặp đều rất phổ biến. Kế hoạch chiến lược AI phải bao gồm các quy tắc làm sạch, khử nhiễu, căn chỉnh và bổ khuyết dữ liệu. Ví dụ, khi một nhà máy điện tử làm kiểm tra ngoại quan bằng AI, nếu mẫu huấn luyện chứa nhiều ảnh gán nhãn mờ và ảnh phán đoán sai thì tỷ lệ báo động giả sau khi mô hình đi vào vận hành sẽ cao đến mức dây chuyền không muốn dùng. Doanh nghiệp nên thiết lập các KPI chất lượng dữ liệu như tỷ lệ đầy đủ, tỷ lệ chính xác và tỷ lệ căn chỉnh chuỗi thời gian, và đưa vào vận hành bảo trì hằng ngày.
4. Cần năng lực thu thập dữ liệu thời gian thực và tính toán biên
Nhiều tình huống AI vận hành ở mức mili giây hoặc giây, như bảo trì thiết bị dự báo, dẫn hướng bằng thị giác AI và tối ưu thông số quá trình theo thời gian thực. Điều này đòi hỏi nền tảng dữ liệu không chỉ lưu được mà còn phải truyền nhanh và tính toán gần nơi phát sinh. Phía dây chuyền cần cổng biên để phân tích giao thức và lọc sơ bộ, rồi truyền các đặc trưng then chốt lên đám mây hoặc máy chủ cục bộ để huấn luyện. Nếu đổ toàn bộ dữ liệu thô vào phòng máy trung tâm thì cả chi phí mạng và độ trễ đều không chấp nhận được.
5. Hệ thống bảo mật và phân quyền dữ liệu là không thể thiếu
Kế hoạch chiến lược AI phải làm rõ dữ liệu nào được phép rời khỏi phân xưởng, dữ liệu nào chỉ có thể huấn luyện cục bộ, và dữ liệu nào liên quan đến công thức quá trình cần khử nhận dạng. Đặc biệt trong tình huống nhiều nhà máy và nhiều đơn vị thuê, phân quyền phải chi tiết đến cấp trường dữ liệu. Trong hướng dẫn công việc và thu thập dữ liệu, ZEVON ESOP kết hợp phân quyền trạm làm việc với kiểm soát phiên bản để đảm bảo dữ liệu thao tác và dữ liệu chất lượng mà AI sử dụng có nguồn gốc truy vết được và kiểm toán được, đây chính là năng lực nền tảng mà hơn 120 khách hàng (trên 15 ngành) của họ đặc biệt coi trọng khi hoạch định AI.
Tóm tắt và khuyến nghị: nền tảng dữ liệu cho kế hoạch chiến lược AI của doanh nghiệp có thể theo sáu bước: kiểm kê tài sản, thống nhất dữ liệu chủ, kết nối OT/IT, quản trị chất lượng, xây năng lực thời gian thực ở biên, và hoàn thiện phân quyền bảo mật. Hãy bắt đầu bằng một hoặc hai tình huống giá trị cao để xây vòng kín dữ liệu, như kiểm tra bằng AI hoặc quản lý sức khỏe thiết bị, và nhân rộng theo chiều ngang sau khi chạy thành công. Đừng chờ đến khi mọi dữ liệu hoàn hảo mới bắt đầu làm AI, nhưng cũng đừng chất mô hình trực tiếp lên các đảo dữ liệu và dữ liệu bẩn. Thực tiễn của ZEVON theo hướng MES+AI cho thấy hoạch định nền tảng dữ liệu cùng với tình huống nghiệp vụ giúp nâng rõ rệt tỷ lệ thành công của triển khai AI.