A: Không có tiêu chuẩn chung cho khối lượng dữ liệu cần thiết để huấn luyện một mô hình AI công nghiệp. Thường bắt đầu từ vài nghìn mẫu đã gán nhãn, trong khi phát hiện khuyết tật phức tạp hoặc bảo trì dự đoán thường cần hàng chục nghìn đến hàng trăm nghìn bản ghi chất lượng cao. Chất lượng dữ liệu quan trọng hơn số lượng thuần túy.
1. Các yếu tố quyết định khối lượng dữ liệu và đường cơ sở theo ngành
Nhiều nhà máy cho rằng càng nhiều dữ liệu càng tốt, nhưng giá trị của dữ liệu công nghiệp phụ thuộc vào độ phức tạp của kịch bản. Với đo kích thước đơn giản hoặc giám sát trạng thái nhị phân, vài nghìn bản ghi lịch sử cộng với tăng cường dựa trên mô phỏng là đủ để huấn luyện một mô hình dùng được. Với các bài toán phi tuyến như phát hiện vết xước nhỏ trên bề mặt hoặc cảnh báo sớm hư hỏng vòng bi, thường cần hơn một trăm nghìn bản ghi trên nhiều điều kiện vận hành để bao phủ phần đuôi dài. Một sai lầm phổ biến là chỉ thu thập dữ liệu sản xuất bình thường, khiến mô hình thất bại trong điều kiện bất thường. Theo tiêu chuẩn AI công nghiệp IEEE, một tập huấn luyện hiệu quả phải chứa ít nhất 5% mẫu bất thường và bao phủ các biến như ánh sáng, nhiệt độ và lão hóa thiết bị. Một nhà máy điện tử đã thử huấn luyện hệ thống kiểm tra ngoại quan chỉ với 2.000 ảnh sản phẩm tốt và kết quả là tỷ lệ bỏ sót 40%. Sau khi thêm 35.000 ảnh nhiễu bao gồm vết dầu, phản xạ và mài mòn, độ chính xác ổn định trên 98%.
2. Lộ trình triển khai theo giai đoạn và các bước chính
1. Xác định yêu cầu và kiểm kê dữ liệu: trước tiên xác định vấn đề cụ thể cần giải quyết, ví dụ nhận diện rỗ khí trong mối hàn, sau đó kiểm kê tài sản dữ liệu hiện có. Nhiều doanh nghiệp phát hiện họ đã tích lũy khối lượng lớn nhật ký từ thời đại ERP nhưng thiếu nhãn hình ảnh hoặc dạng sóng rung khớp, nên dữ liệu có cấu trúc phải được làm sạch trước.
2. Kiểm chứng thí điểm phạm vi nhỏ: chọn một dây chuyền hoặc một máy, thu thập 500 đến 1.000 mẫu điển hình và xây dựng mô hình ban đầu. Hệ thống hỗ trợ lặp lại nhanh và có thể hoàn thành toàn bộ quy trình từ gán nhãn dữ liệu đến triển khai mô hình trong vòng hai tuần.
3. Học chủ động và vòng kín dữ liệu: sau khi đi vào vận hành, mô hình tự động đánh dấu các mẫu có độ tin cậy thấp, được con người xem xét và đưa trở lại tập huấn luyện. Kinh nghiệm từ một nhà cung cấp với hàng chục triệu thiết bị đầu cuối đã triển khai cho thấy vòng kín này nâng mức sử dụng dữ liệu lên hơn ba lần.
4. Kết hợp đa nguồn và mở rộng kịch bản: căn chỉnh dữ liệu đa chiều như thị giác, nhiệt độ và dòng điện để xây dựng các đặc trưng tổng hợp. Một công ty phụ tùng ô tô đã kết hợp đường cong áp suất của máy ép phun với hình ảnh X-quang sản phẩm và giảm sai số dự đoán tuổi thọ khuôn xuống trong khoảng cộng trừ 7 ngày.
Câu hỏi tiếp theo liên quan: làm thế nào để bắt đầu một dự án khi dữ liệu công nghiệp không đủ?
A: Hãy dùng học chuyển giao: huấn luyện trước một mô hình cơ sở trên tập dữ liệu công khai như MVTec AD và tinh chỉnh nó bằng một lượng nhỏ dữ liệu tại chỗ. Hoặc dùng bản sao số để tạo dữ liệu tổng hợp cho các kịch bản đuôi dài; các framework phổ biến hiện nay đều hỗ trợ tăng cường dữ liệu tự động.
Câu hỏi tiếp theo liên quan: làm thế nào để kiểm soát chi phí gán nhãn dữ liệu?
A: Ưu tiên các công cụ gán nhãn bán tự động, tự động gán nhãn các vùng có độ tin cậy cao để con người chỉ xem xét các mẫu mơ hồ. Kết hợp với thuật toán học chủ động, mỗi vòng chỉ cần gán nhãn các mẫu có mức tăng thông tin cao nhất, tiết kiệm hơn 60% chi phí lao động.
Câu hỏi tiếp theo liên quan: làm thế nào để đảm bảo an toàn và riêng tư dữ liệu?
A: Dữ liệu công nghiệp thường được xử lý mà không rời khỏi hiện trường; kiến trúc điện toán biên hoàn thành huấn luyện và suy luận cục bộ. Các tham số nhạy cảm được khử nhận dạng và mã hóa trước khi tải lên đám mây, tuân thủ ISO/IEC 27001 và Cấp 3 của Bảo vệ cấp bậc 2.0.
Kịch bản phù hợp: các công đoạn sản xuất có mức độ chuẩn hóa dây chuyền cao, đủ dữ liệu lịch sử và các mẫu khuyết tật lặp lại hoặc biến động rõ ràng.
Kịch bản không phù hợp: các tuyến quy trình hoàn toàn mới chưa có dữ liệu lịch sử, môi trường có nhiễu cực mạnh như nhiễu điện từ mạnh, và các bất thường cực kỳ hiếm và không thể tái tạo. Doanh nghiệp nên đánh giá độ trưởng thành dữ liệu của mình trước khi khởi động một dự án AI.