Triển khai Edge AI trong nhà máy 2026: RFP, PoC 90 ngày và nghiệm thu

Thứ nhà máy cần mua khi triển khai Edge AI không phải chỉ là một “hộp AI”. Đơn vị mua sắm thực sự là một hệ thống suy luận có thể vận hành: đầu vào cảm biến được quy định rõ, mô hình được kiểm chứng trên dữ liệu tại chỗ, hiệu năng đáp ứng tải xấu nhất, cơ chế trở về trạng thái an toàn khi lỗi, quy trình cập nhật và rollback, cùng năng lực quản lý nhiều dây chuyền. Bài viết giúp bộ phận mua hàng, quản lý nhà máy, kỹ thuật sản xuất, chất lượng và IT/OT dùng chung một bộ bằng chứng từ RFP, Edge AI PoC 90 ngày, nghiệm thu đến mở rộng nhiều địa điểm.

Xác định đúng đơn vị mua sắm trước khi triển khai Industrial Edge AI

Industrial Edge AI chạy AI inference gần thiết bị sản xuất để hỗ trợ kiểm tra, bảo trì, an toàn và cải thiện yield. Xử lý cục bộ có thể giảm độ trễ, giảm băng thông, duy trì hoạt động khi mạng gián đoạn và hỗ trợ yêu cầu về chủ quyền dữ liệu. Tuy nhiên, “chạy được khi không có cloud” không đồng nghĩa với “an toàn và có thể bảo trì”. Nhà máy còn phải định nghĩa hành vi khi input xuống cấp, mô hình lỗi thời, cập nhật hệ điều hành thất bại, bộ nhớ đầy hoặc thiết bị phải phục hồi sau một lần dừng ngoài kế hoạch.

Ủy ban Đầu tư Thái Lan (BOI) cho biết đầu tư thực hiện trong nửa đầu năm 2026 đạt 535,8 tỷ baht, riêng quý II vượt 255 tỷ baht. Cùng thông báo đó, thiết bị và hạ tầng liên quan đến AI vượt 127 tỷ baht. Con số 127 tỷ baht xấp xỉ một nửa số liệu quý II, không phải một nửa tổng nửa đầu năm. Đây là tín hiệu thị trường quan trọng nhưng không chứng minh hiệu quả của từng dự án. Mỗi nhà máy phải quyết định bằng baseline tổn thất và bằng chứng nghiệm thu của chính mình.

Mua sáu lớp nghiệm thu, không mua một gói phần cứng

RFP phải yêu cầu sáu lớp sau như một hệ thống thống nhất:

1. Hợp đồng cảm biến/input: hệ thống nhận gì, với chất lượng, tần suất và mốc thời gian nào.
2. Độ trễ và throughput trong trường hợp xấu nhất: có giữ takt khi tải đỉnh, ghi log, đồng bộ và phục hồi hay không.
3. Chất lượng mô hình trên dữ liệu địa phương và giám sát drift: có hiểu sai số theo sản phẩm, máy, loại lỗi và điều kiện vận hành hay không.
4. Ranh giới fail-safe và phương án thủ công: ai làm gì khi AI không chắc chắn, ngừng hoạt động hoặc trả kết quả sai.
5. An ninh mạng, patch, rollback và recovery: package, quyền truy cập, asset, backup và khôi phục có được kiểm soát và thử nghiệm hay không.
6. Fleet operations giữa các dây chuyền/địa điểm: deployment, version, health, dừng và audit có được quản lý nhất quán hay không.

Một mô hình trình diễn chính xác không bù được bằng chứng thiếu ở bất kỳ lớp nào. Định nghĩa đơn vị mua sắm theo sáu lớp cũng làm rõ trách nhiệm giữa nhà cung cấp phần cứng, bên phát triển mô hình, system integrator và đội vận hành nhà máy.

Không biến Edge AI và Cloud AI thành lựa chọn loại trừ nhau

Câu hỏi hữu ích không phải “edge hay cloud?” mà là “mỗi workload nên chạy ở đâu?”. Quyết định hình ảnh tức thời, tín hiệu gần interlock và inference phải tiếp tục khi WAN mất kết nối là ứng viên cho edge. Phân tích dài hạn, training, so sánh nhiều nhà máy, phê duyệt mô hình và fleet monitoring có thể phù hợp với nền tảng trung tâm hoặc cloud. Bài kiến trúc edge computing cho nhà máy trình bày cách đặt compute theo tầng. Bài này tập trung vào mua sắm, kiểm chứng và vận hành AI inference trong kiến trúc đó.

Mỗi workload trong RFP cần các thuộc tính sau:

Các câu như “dữ liệu ở lại nhà máy” hoặc “có quản lý tập trung” chưa phải bằng chứng. Cần kiểm tra lưu lượng thực, hành vi khi cô lập và lệnh mà người quản trị trung tâm có thể thực hiện.

Chuyển sáu lớp nghiệm thu thành yêu cầu Edge AI RFP

1. Hợp đồng cảm biến/input: ổn định input trước khi tối ưu mô hình

Factory AI inference có thể lỗi do ánh sáng, góc camera, ống kính bẩn, tốc độ băng tải, clock của cảm biến, thay đổi PLC tag hoặc product master sai—không chỉ do mô hình. Hợp đồng input phải gồm tên tín hiệu, đơn vị, dải cho phép, chu kỳ lấy mẫu, nguồn timestamp, cách xử lý thiếu dữ liệu, quality flag, phương pháp calibration và quy trình thông báo thay đổi.

Với vision, ngoài resolution phải chỉ rõ field of view, vị trí workpiece, exposure, chiếu sáng, trigger, liên kết lot và quy tắc chụp lại. Với cảm biến time-series, chỉ rõ dải đo, chu kỳ hiệu chuẩn, đồng bộ thời gian và xử lý outlier. Input vi phạm hợp đồng phải trở thành trạng thái “input invalid” riêng thay vì âm thầm đưa vào mô hình. Kết quả AI confidence thấp và cảm biến hỏng cần hai hành động khắc phục khác nhau.

2. Độ trễ và throughput: mua hành vi xấu nhất, không mua giá trị trung bình

Demo của nhà cung cấp thường dùng một sản phẩm bình thường, thời gian ngắn và máy tính ít tải. Nghiệm thu phải kết hợp tốc độ dây chuyền tối đa, số camera tối đa, lưu ảnh, truyền log, đổi mô hình và backlog sau restart. Đo riêng acquisition, preprocessing, inference, post-processing và truyền kết quả đến PLC/MES. Xem tail latency và độ trễ lớn nhất, không chỉ mean.

Dây chuyền 600 sản phẩm/giờ trung bình là 10 sản phẩm/phút, nhưng sản phẩm có thể đến theo cụm. Hai camera có thể trigger gần nhau trong khi thiết bị ghi ảnh và đồng bộ log. RFP phải chỉ rõ khi queue đầy sẽ bỏ input cũ, dừng dây chuyền, reject sản phẩm hay chuyển sang kiểm tra thủ công. Nếu để theo cấu hình mặc định của nhà cung cấp, nhà máy đang giao một quy tắc sản xuất quan trọng mà chưa phê duyệt.

3. Chất lượng mô hình: đo tổn thất tại chỗ, không chỉ một điểm accuracy

Accuracy, precision hoặc recall đơn lẻ không đủ để nghiệm thu. Hãy xem confusion matrix theo sản phẩm, máy, tool, material lot, ca, điều kiện chiếu sáng và defect class. Quy đổi false negative và false positive thành rủi ro lọt lỗi, scrap, khối lượng kiểm lại hoặc output chậm. Với use case này, tham khảo thêm hướng dẫn triển khai AI kiểm tra ngoại quan trong nhà máy.

Dữ liệu địa phương phải gồm startup, cuối đợt chạy, changeover, sau vệ sinh và sau điều chỉnh máy nhỏ—không chỉ các mẫu sạch được chọn cho PoC. Chia training/evaluation sao cho ảnh gần giống từ cùng lot không lọt vào cả hai. Sau nghiệm thu, theo dõi phân bố input, confidence, tỷ lệ kiểm lại, chỉnh sửa của nhân viên và hiệu năng theo sản phẩm. Khi drift vượt threshold, quay lại đánh giá. Không để automatic retraining đưa mô hình mới thẳng vào production; vẫn cần dữ liệu được duyệt, training tái lập, test, phê duyệt và staged deployment.

4. Ranh giới fail-safe: không nhầm AI với chức năng an toàn

Kết quả AI càng gần physical actuation, ranh giới càng phải mạnh. Dự đoán “OK” không được mặc định thay thế safety PLC, emergency stop, guard hoặc kiểm tra bắt buộc. Tách các mức như tư vấn, operator approval và automatic sorting giới hạn theo mức tác động.

RFP phải nêu safe state khi confidence thấp, input thiếu, load model lỗi, nhiệt độ cao, storage đầy, clock lệch, network mất hoặc upstream dừng. SOP phải nêu người khởi động kiểm tra thủ công, thời gian chuyển tối đa, xử lý WIP và đối soát sau recovery. “Chuyển sang manual” không thể thực hiện nếu chưa dành người, gauge, work instruction và capacity.

5. An ninh mạng, patch, rollback và recovery: nghiệm thu hệ thống có thể thay đổi an toàn

Industrial Edge AI là asset tổng hợp gồm OS, container, driver, runtime, model, configuration và certificate. Asset register phải ghi version, owner, dependency và ngày hết support. Yêu cầu xác minh signature và hash của package, quyền theo vai trò, action log và maintenance path được kiểm soát.

Thử update phải gồm nâng cấp thành công, mất điện giữa chừng, thiếu disk, dependency không tương thích, certificate hết hạn và rollback về known-good state. Tiêu chí không phải “có backup”, mà là khôi phục trong thời gian cam kết, làm model/configuration version khớp nhau và nối lại giao tiếp thiết bị.

NIST SP 1800-41 công bố ngày 21/5/2026 là initial public draft. Tài liệu nói đơn vị vận hành OT/ICS cần kế hoạch response và recovery vì defense in depth không loại bỏ mọi rủi ro. Đây không phải chứng nhận. Hãy dùng như gợi ý thực hành để đưa kế hoạch, diễn tập và bằng chứng phục hồi vào RFP.

6. Fleet operations: mở rộng thành công một máy mà không mất kiểm soát

PoC một thiết bị có thể phân mảnh khi triển khai mười thiết bị hoặc nhiều nhà máy. Version, configuration, chính sách mạng và quy trình địa phương bắt đầu khác nhau. Fleet management cần theo dõi device identity, site, hardware, OS, runtime, model, configuration, last contact, health, deployment history và rollback history.

Tháng 4/2026, Siemens công bố Industrial AI Suite trên Industrial Edge đã general availability. Tuy nhiên, trong cùng thông báo đó, chức năng an ninh được chứng nhận IEC 62443-4-2 và vận hành air-gapped vẫn là roadmap dự kiến phát hành trong nửa cuối năm 2026. Kiến trúc công bố mô tả kết nối thiết bị vendor-agnostic, local inference không cần cloud và deployment/versioning/monitoring nhiều site qua AI Asset Manager. Đây là ví dụ sản phẩm, không phải khuyến nghị mua chung. Cần tách roadmap khỏi chức năng đã phát hành, xác minh version được mua và chuyển capability cần thiết thành tiêu chí nghiệm thu trung lập với nhà cung cấp.

NVIDIA IGX là ví dụ sản phẩm khác cho industrial/medical edge, nhấn mạnh safety và security cùng tùy chọn lifecycle/support mười năm. Hỗ trợ dài hạn có giá trị nhưng mười năm không phải yêu cầu phổ quát. Chọn thời hạn từ tuổi thiết bị, tần suất đổi mô hình, chiến lược phụ tùng và rủi ro downtime.

Thiết kế Edge AI PoC 90 ngày hướng đến quyết định

Mục đích PoC không phải chứng minh một demo hoạt động. Nó phải sớm tìm lý do khiến production có thể thất bại khi chi phí dừng còn thấp. Chia 90 ngày thành bốn giai đoạn và đặt exit condition cho mỗi giai đoạn.

Ngày 0–15: lập baseline tổn thất và ranh giới

• Thống nhất định nghĩa defect, downtime, thời gian kiểm thủ công, reinspection và scrap.
• Xác định dây chuyền, sản phẩm, phần loại trừ và người chịu trách nhiệm.
• Tách kết quả AI khỏi hành động thiết bị được phép thực hiện.
• Phác thảo hợp đồng input và điều kiện data retention.
• Đo quy trình hiện tại và freeze baseline.

Nếu baseline không đáng tin cậy thì không có tính toán lợi ích có thể bảo vệ. Khi các phòng ban ghi cùng sự kiện bằng mã khác nhau, hãy hoãn technical PoC và xây một định nghĩa đo lường trước.

Ngày 16–30: Freeze dữ liệu và kiến trúc

• Kiểm tra dữ liệu địa phương có đại diện cho quy trình thực hay không; thống nhất labeling và exclusion.
• Lập communication matrix giữa edge, central management, cloud, MES và PLC.
• Định nghĩa offline function, buffer capacity và thứ tự resync.
• Đặt version control và người duyệt model, container, configuration.
• Thiết kế access, maintenance, log và threat control.

Ở giai đoạn này, reproducibility quan trọng hơn một ít accuracy. Nếu cùng input, version và configuration không tái tạo cùng kết quả, phân tích sự cố sau này sẽ thiếu tin cậy.

Ngày 31–60: thử điều kiện vận hành và điều kiện lỗi cùng lúc

• Đánh giá mọi sản phẩm trong scope, nhiều ca, changeover và sau vệ sinh.
• Tạo peak load, burst input và storage pressure.
• Inject WAN loss, central-management loss, time drift và missing sensor.
• Xác nhận operator sửa quyết định được và giữ audit record.
• Để đội vận hành thật chuyển manual và recovery theo SOP.

Chủ động dừng AI là bước thiết yếu. Nếu nhà máy không chứng minh continuity hoặc chuyển sang safe state khi AI unavailable, sau go-live cũng không có maintenance window khả thi.

Ngày 61–90: chứng minh nghiệm thu, phục hồi và scale-out

• Freeze acceptance dataset và lặp lại đo lường sáu lớp.
• Trình diễn patch, failed patch, rollback và restore backup.
• Deploy package có kiểm soát sang dây chuyền khác và rà soát mọi khác biệt.
• Bàn giao monitoring, first response, supplier escalation và change approval.
• Họp quyết định Go, Conditional Go, Retest hoặc Stop.

Dừng ở ngày 90 nếu lớp quan trọng thiếu bằng chứng. “Mô hình có thể tốt hơn nếu training thêm” không phải quyết định. Chỉ gia hạn có điều kiện khi dữ liệu thiếu, thay đổi đề xuất, owner, deadline và retest criterion được viết rõ.

Các điều khoản RFP có thể điều chỉnh trực tiếp

Phạm vi và Deliverables

• Kiểm kê máy sản xuất, PLC, camera, cảm biến, mạng và upstream systems.
• Nêu trách nhiệm cho hardware, OS, AI runtime, model, application, integration và support.
• Bàn giao architecture, I/O table, communication matrix, asset/model register, SOP và test report.
• Định nghĩa ownership/quyền sử dụng training data, label, model, configuration và log.
• Xác nhận xóa dữ liệu, thu hồi hardware và vô hiệu account khi kết thúc PoC.

Hiệu năng và Model Quality

• Tách target và minimum gate theo sản phẩm và defect class.
• Đo latency, backlog và missing result ở maximum input.
• Ghi bất đồng giữa người và AI để có thể đánh giá lại.
• Coi low confidence và “không thể quyết định” là output state chính thức.
• Định nghĩa retraining, approval, release và rollback sau drift.

OT Safety và Continuity

• Ghi đường đi từ AI output đến thiết bị và mọi action được phép.
• Tách safety control, emergency stop và guard khỏi AI path.
• Định nghĩa state transition sau network/power loss, restart và upstream outage.
• Dành người, gauge, instruction và capacity cho manual fallback.
• Thử resync, chống duplicate và WIP reconciliation.

Cybersecurity và Operations

• Yêu cầu least privilege, named account, audit log và maintenance access giới hạn thời gian.
• Yêu cầu signed package, vulnerability process và rollback đã thử.
• Xác nhận update process cho mạng restricted hoặc air-gapped.
• Gán severity, owner, response time và escalation cho từng alert.
• Định nghĩa configuration export, data return và migration khi hết hợp đồng.

Xây business case bằng mô hình giả định minh bạch

Bảng sau là worksheet giả định, không phải mức trung bình thị trường. Giả sử một dây chuyền, hai camera, 600 sản phẩm/giờ, 16 giờ/ngày và 300 ngày/năm, tổng số lần kiểm tra là 5,76 triệu/năm.

Số lần kiểm tra là 600 × 16 × 300 = 5.760.000. Khi so với cloud, nhân dung lượng ảnh với tỷ lệ upload và số lần kiểm tra, sau đó cộng storage, transfer, nâng cấp mạng và tác động của outage/manual fallback. Phía edge gồm hardware, phụ tùng, điện, làm mát, field service, patch, fleet management và xác minh mô hình định kỳ. Không bịa giá nhà cung cấp hoặc tỷ lệ tiết kiệm chung. So sánh cùng kỳ hạn và cùng ranh giới rủi ro.

Lợi ích có thể gồm giảm defect escape, scrap, reinspection, phát hiện bảo trì sớm và rút ngắn startup. Tránh tính hai lần. Nếu “giảm escape” và “giảm warranty expense” là cùng sự kiện, gộp hoặc chỉ rõ quan hệ. Với mỗi lợi ích, chỉ ra source log sẽ chứng minh trong PoC.

Dùng NIST AI RMF làm cấu trúc vòng đời và TEVV

NIST AI Risk Management Framework là khung tự nguyện, không chứng nhận hệ thống. Bốn chức năng Govern, Map, Measure và Manage giúp nghiệm thu không chỉ nói về mô hình:

• Govern: owner, quyền duyệt, use bị cấm, change control, đào tạo và audit.
• Map: quy trình, người dùng, tác động, failure scenario, thiết bị phụ thuộc và data flow.
• Measure: chất lượng, latency, robustness, drift, security và manual fallback.
• Manage: ưu tiên rủi ro rồi quyết định mitigate, accept, stop hoặc retest.

Liên kết bằng chứng PoC với bốn chức năng để model performance, plant operation, accountability và recovery cùng đi vào một decision meeting. Mỗi metric được monitor phải có owner và action threshold; nếu không, đó chỉ là dashboard.

Xác nhận ưu đãi BOI theo từng dự án

Thông báo BOI có hiệu lực ngày 3/1/2023 nêu rằng AI/machine learning, big data/data analytics và factory-integrated digital technology đủ điều kiện có thể thuộc các biện pháp đầu tư về efficiency và Industry 4.0 được quy định. Mua một edge device không tự động làm dự án đủ điều kiện. Ngành, phạm vi công nghệ, thời điểm, chi phí, đường nộp hồ sơ và kết quả yêu cầu có thể khác theo trường hợp.

Không đưa ưu đãi chưa xác nhận vào base return như thể được bảo đảm. Cần xác nhận theo từng dự án với BOI hoặc cố vấn phù hợp. Vận hành technical acceptance và incentive eligibility như hai workstream riêng, sau đó chỉ kết hợp kết quả đã kiểm chứng.

Chấm điểm đề xuất nhà cung cấp bằng bằng chứng

So sánh chỉ theo giá sẽ che giấu công vận hành và downtime risk. Ví dụ 100 điểm sau phải được điều chỉnh theo cấu trúc tổn thất của nhà máy.

Chỉ chấm điểm bằng chứng PoC có thể lặp lại, không chấm câu “được hỗ trợ” trong proposal. So sánh outcome của nhà máy thay vì tên feature cũng giúp scorecard còn hữu ích khi sản phẩm đổi thế hệ.

Quyết định Go, Conditional Go, Retest hoặc Stop

Go nghĩa là đạt minimum gate của cả sáu lớp và mỗi residual risk có owner/cách monitor. Conditional Go chỉ dành cho gap nhỏ có ảnh hưởng sản xuất được giới hạn, có compensating control, owner, due date và review date. Retest dùng khi sửa đổi hoặc thêm dữ liệu đại diện có thể tạo quyết định hợp lệ. Stop dùng khi ranh giới safety không rõ, không chứng minh recovery, input contract không ổn định, dữ liệu đại diện không đạt chất lượng hoặc không đội nào nhận trách nhiệm vận hành.

Chín mươi ngày không phải cam kết launch mà là hạn lấy đủ bằng chứng hoặc dừng. Xem Stop là tránh tổn thất sẽ ngăn một PoC kéo dài vô hạn mà không tạo năng lực sản xuất.

Các kiểu thất bại thường gặp

Chọn dự án từ accuracy của demo

Demo được tuyển chọn không chứng minh input stability, peak load, failure, recovery hay fleet operation. Gắn payment milestone với bằng chứng ở cả sáu lớp.

Để ranh giới AI-to-safety ở dạng ngầm hiểu

“Kết nối PLC” không định nghĩa tự động hóa. Ghi riêng allowed command, approval, hardwired safety và manual fallback, rồi thử thực tế.

Coi offline inference là không cần bảo trì

Ngay cả air-gapped node vẫn có certificate, log, model, software và vulnerability. Đưa controlled import, approval, rollback và recovery vào phạm vi.

Sao chép một PoC sang mọi dây chuyền

Thiết bị, ánh sáng, sản phẩm, mạng và cách làm việc khác nhau. Tách approved baseline dùng chung khỏi site-specific configuration và nghiệm thu ngắn ở từng dây chuyền.

Dùng retraining cho mọi thay đổi chất lượng

Retraining có thể che cảm biến hỏng, fixture lệch hoặc label thay đổi. Kiểm tra input contract, thiết bị, label và operating change trước khi đổi mô hình.

FAQ: triển khai Edge AI trong nhà máy

Nên bắt đầu Edge AI ở công đoạn nào?

Chọn công đoạn có tổn thất đo được, thu được input và ground truth, đồng thời còn vận hành thủ công khi AI dừng. Vision inspection, condition monitoring và safety assistance có thể phù hợp, nhưng hãy quyết định từ loss, data, boundary và fallback.

Edge AI PoC 90 ngày có đủ không?

Đủ để tập hợp sáu lớp bằng chứng production và quyết định. Nó không chứng minh mọi điều kiện mùa vụ. Nếu seasonality quan trọng, nghiệm thu phương pháp monitor và giữ long-term observation gate trong production plan.

Factory AI inference có chạy khi không nối cloud không?

Tùy sản phẩm và kiến trúc. Local inference đã có trong sản phẩm thực tế, còn air-gapped operation có thể vẫn là roadmap của một số sản phẩm hoặc version. Hãy xác minh version được mua, bao gồm license, time synchronization, update, log collection và model distribution, rồi đưa thử cô lập WAN thật vào nghiệm thu.

Nội dung quan trọng nhất trong Edge AI RFP là gì?

Không có một điều khoản đơn lẻ nào đủ. Phải tích hợp cả sáu lớp. Nếu input contract và fail-safe boundary mơ hồ, số latency và accuracy tốt vẫn không tạo trách nhiệm production rõ ràng.

Edge AI MLOps cần quản lý gì?

Không chỉ model file mà còn data definition, training code, runtime, configuration, deployment target, approval, monitoring và rollback. Nhà máy còn phải liên kết với device, product, line và shift.

Dự án có thể nhận ưu đãi BOI không?

AI/ML và factory-integrated digital technology đủ điều kiện có thể thuộc diện ưu đãi, nhưng không tự động. Hãy xác nhận ngành, công nghệ, chi phí, thời điểm và thủ tục theo từng trường hợp với BOI hoặc chuyên gia phù hợp.

Kết luận: mua hệ thống có thể dừng, phục hồi và mở rộng

Đối tượng nghiệm thu của Edge AI trong nhà máy là hệ thống inference vận hành được, không phải thiết bị AI. Hãy kiểm thử input contract, worst-case performance, local model quality và drift, fail-safe, patch/recovery và fleet operation qua RFP và PoC 90 ngày. Chủ động đưa lỗi vào, trình diễn manual fallback và rollback, và dừng ở ngày 90 nếu thiếu bằng chứng quan trọng. Kỷ luật này biến demo thành năng lực nhà máy bền vững.

Ngay cả khi kế hoạch Edge AI mới ở giai đoạn xác định yêu cầu, TOMAS TECH có thể cùng rà soát thiết bị, mạng và dữ liệu chất lượng hiện hữu để xây RFP, PoC và acceptance gate. Liên hệ TOMAS TECH với công đoạn mục tiêu và vấn đề vận hành hiện tại.

Tài liệu tham khảo

• Thailand BOI, “Realized Investment in Q2 Exceeds THB 255 Billion; H1 Reaches THB 535.8 Billion” (14 Aug 2026): https://www.boi.go.th/upload/content/PR131_2569.pdf
• Siemens, “Siemens Industrial Edge ecosystem strengthens data and AI integration” (21 Apr 2026): https://press.siemens.com/global/en/pressrelease/siemens-industrial-edge-ecosystem-strengthens-data-and-ai-integration
• Siemens, “AI Suite Architecture”: https://www.siemens.com/en-us/content/architecture-hub/ai-suite/
• IBM, “What is edge AI?” (updated 2 Apr 2026): https://www.ibm.com/think/topics/edge-ai
• NVIDIA Developer, “NVIDIA IGX”: https://developer.nvidia.com/igx
• NIST, “AI Risk Management Framework”: https://airc.nist.gov/airmf-resources/airmf/
• NIST, “SP 1800-41,” Initial Public Draft (21 May 2026): https://csrc.nist.gov/pubs/sp/1800/41/ipd
• Thailand BOI, Announcement No. 15/2565, effective 3 Jan 2023: https://www.boi.go.th/upload/content/15_2565EN.pdf