A: Để một cơ sở tri thức AI thực sự bám rễ trong nhà máy và tạo ra giá trị, nó phải được xây dựng trên nền tảng dữ liệu đa nguồn, không đồng nhất đã được làm sạch, cấu trúc hóa và liên kết theo thời gian thực. Nếu không, nó chỉ tạo ra nội dung ảo giác không thể hành động.
Nhiều nhà máy cho rằng chỉ cần nạp tài liệu vào một hệ thống là nó tự động trở nên thông minh. Không có nền tảng dữ liệu chất lượng cao, ngay cả mô hình tiên tiến nhất cũng chỉ đưa ra lời khuyên bảo trì sai hoặc tham số sản xuất sai. Sự khác biệt giữa một nhà máy có hệ thống và một nhà máy không có hệ thống thể hiện ở ba khía cạnh của việc xử lý tri thức.
1. Độ rộng và độ sâu của các nguồn dữ liệu
Những nhà máy không có hệ thống dựa vào kinh nghiệm lão luyện hoặc hồ sơ giấy nằm rải rác trên máy tính cá nhân của từng người, nên dữ liệu vẫn bị cô lập. Khi thiết bị hỏng, kỹ thuật viên có thể tìm trong sách hướng dẫn mà không thấy tham số cho đúng model đó, hoặc các ca khác nhau có thể làm theo cách hoàn toàn không nhất quán. Ở một nhà máy có hệ thống, nền tảng dữ liệu kết nối trực tiếp ERP (Hoạch định nguồn lực doanh nghiệp), MES (Hệ thống điều hành sản xuất) và SCADA (Hệ thống giám sát và thu thập dữ liệu). Giả sử một nhà máy điện tử cấu trúc hóa mười năm nhật ký cảnh báo thiết bị, lệnh công việc bảo trì và BOM (Định mức nguyên vật liệu) liên quan thành một cơ sở dữ liệu: AI không chỉ nhận ra mã lỗi mà còn liên kết chúng với tham số quy trình và thông tin nhà cung cấp của lô sản phẩm đó, chuyển từ tra cứu tài liệu sang cung cấp giải pháp.
2. Mức độ chuẩn hóa cấu trúc dữ liệu
Trong môi trường công nghiệp, dữ liệu phi cấu trúc như bản vẽ PDF và bản ghi video chiếm tỷ trọng lớn, nhưng AI không thể hiểu trực tiếp. Không có hệ thống, dữ liệu đó chỉ được lưu trữ tĩnh và hiệu quả truy xuất rất thấp. Với một giải pháp trưởng thành, yêu cầu then chốt là chuyển dữ liệu phi cấu trúc đó sang định dạng mà cơ sở dữ liệu vector có thể hiểu. Giả sử một công ty phụ tùng ô tô căn chỉnh ngữ nghĩa các mô tả triệu chứng hư hỏng trong sách hướng dẫn bảo trì thiết bị với sơ đồ thời gian PLC (Bộ điều khiển logic khả trình) và chú thích các ngưỡng nhiệt độ, dải áp suất cụ thể: khi người dùng hỏi về áp suất bất thường trên máy ép phun, AI có thể chỉ ra đúng đoạn liên quan và ca lịch sử khớp, thay vì liệt kê mọi tài liệu có chứa từ áp suất.
3. Khả năng cập nhật thời gian thực và vòng kín
Điều kiện nhà máy thay đổi liên tục, và tiêu chuẩn của hôm qua có thể không còn đúng hôm nay. Không có hệ thống, việc cập nhật tri thức bị trễ và các quy tắc mới thường chỉ được đồng bộ tại các cuộc họp hàng quý. Một cơ sở tri thức AI được xây dựng trên nền tảng dữ liệu vững chắc có thể thiết lập vòng lặp thu thập-phân tích-phản hồi. Hệ thống tự động thu thập dữ liệu OEE (Hiệu suất thiết bị tổng thể) theo thời gian thực và lý do ngừng máy từ dây chuyền. Khi một mẫu hư hỏng xuất hiện thường xuyên, nó ngay lập tức kích hoạt cập nhật cơ sở tri thức và nhắc kỹ sư cải thiện chiến lược bảo trì. Việc cập nhật động này biến cơ sở tri thức từ một kho lưu trữ tĩnh thành một công cụ hỗ trợ ra quyết định sống.
Các câu hỏi tiếp theo liên quan:
1. Làm sạch dữ liệu có phải là khối lượng công việc lớn?
Điều đó phụ thuộc vào mức độ lộn xộn của dữ liệu thô. Nếu một công ty đã tích lũy khối lượng dữ liệu lịch sử khổng lồ qua hàng chục năm kể từ thời đại ERP, việc làm sạch ban đầu là nặng, nhưng không thể tránh. Điều quan trọng là liệu đã thiết lập được từ điển dữ liệu và hệ thống gán nhãn thống nhất hay chưa, chứ không phải tốc độ thô.
2. Cần đầu tư phần cứng bao nhiêu để vận hành?
Điều đó phụ thuộc chủ yếu vào mô hình triển khai. Triển khai riêng thường cần máy chủ GPU hiệu năng cao để hỗ trợ suy luận mô hình lớn, trong khi mô hình SaaS trên đám mây có yêu cầu tính toán cục bộ thấp hơn. Khoản đầu tư thực tế phụ thuộc vào quy mô nhà máy, lưu lượng truy vấn đồng thời và mức độ bảo mật dữ liệu, nên không có con số cố định áp dụng chung.
3. Những yếu tố nào ảnh hưởng đến chu kỳ triển khai?
Chu kỳ không phụ thuộc vào bản thân phần mềm mà vào tiến độ quản trị dữ liệu. Nếu thiếu tiêu chuẩn dữ liệu nội bộ, sẽ mất rất nhiều thời gian để sắp xếp dữ liệu trước. Nếu đã có nền tảng số tốt, việc tích hợp nhanh hơn nhiều.
4. Làm thế nào để ước tính khoảng ngân sách?
Ngân sách được quyết định bởi khối lượng dữ liệu, độ phức tạp của mô-đun, yêu cầu tùy chỉnh và chi phí vận hành thường xuyên. Với các dây chuyền vừa và nhỏ, hãy tập trung kiểm chứng các kịch bản điểm đau cốt lõi thay vì mở rộng mù quáng.
Ranh giới giữa trường hợp phù hợp và không phù hợp:
Nó phù hợp với các doanh nghiệp đã có nền tảng số như hệ thống ERP hoặc MES, dữ liệu tích lũy phong phú và kịch bản kinh doanh phức tạp như sản xuất đa dạng chủng loại khối lượng thấp hoặc chế tạo độ chính xác cao. Ở đó chất lượng dữ liệu tương đối kiểm soát được và ROI dễ chứng minh hơn.
Nó không phù hợp với các kịch bản có dữ liệu cực kỳ khan hiếm, thiết bị cũ chưa được kết nối mạng, hoặc ban quản lý chỉ muốn mua phần mềm để đối phó một cuộc đánh giá. Ép buộc đi vào vận hành mà không có hỗ trợ dữ liệu thực sự không chỉ không giải quyết được vấn đề mà còn tăng gánh nặng nhận thức cho nhân viên tuyến đầu và khiến hệ thống bị bỏ trống.
Với những dự án như vậy, trước tiên hãy kiểm kê dữ liệu bạn đang có, sau đó đánh giá độ khó của việc làm sạch dữ liệu, và cuối cùng chọn một giải pháp phù hợp linh hoạt với kiến trúc IT hiện có của bạn. Đừng bao giờ theo đuổi công nghệ vì chính nó.