AI phân loại khiếu nại chất lượng sản xuất: Đối chiếu lô đến nghiệm thu

Khách hàng có thể báo “bề mặt bị xước”, “thiết bị không khởi động” hoặc “màu khác lô trước” qua email, cổng thông tin, ghi chú của nhân viên kinh doanh hay báo cáo kèm ảnh. Triển khai AI phân loại khiếu nại chất lượng trong sản xuất không chỉ là gắn một nhãn có vẻ hợp lý. Quy trình phải giữ nguyên lời khách hàng, nhận diện sản phẩm và lô, đề xuất tuyến xử lý an toàn và tạo hồ sơ QMS có thể kiểm tra lại. Bài viết trình bày bộ phân loại có kiểm soát, hợp đồng dữ liệu, người duyệt, PoC, RFP và FAT/SAT cho nhà máy tại Thái Lan.

Xác định AI được phép quyết định điều gì

Một khiếu nại có ít nhất ba lớp khác nhau: hiện tượng khách hàng mô tả, nguyên nhân được điều tra xác nhận về sau và hành động khắc phục. AI ở khâu tiếp nhận có thể đề xuất loại hiện tượng và tuyến rủi ro ban đầu, nhưng không thể chứng minh nguyên nhân chỉ từ một email. “Nắp chuyển sang màu trắng” có thể thuộc nhóm lỗi ngoại quan; “sấy hạt nhựa chưa đủ” vẫn là giả thuyết cho đến khi kiểm tra mẫu và hồ sơ quá trình. Trường nguyên nhân nên để “chưa điều tra” ở thời điểm tiếp nhận.

Công việc này diễn ra trước bước dùng AI soạn báo cáo 8D về hành động khắc phục, vốn diễn đạt các kết quả đã được xác minh để trả lời khách hàng. Nó cũng khác với hệ thống quản lý dữ liệu chất lượng, nơi kết nối hồ sơ sản xuất và kiểm tra. Ở đây, vấn đề là gắn lời kể của khách hàng với những hồ sơ ấy mà không biến gợi ý của mô hình thành kết luận chất lượng đã phê duyệt.

ISO 10002:2018 đưa ra hướng dẫn lập kế hoạch, vận hành và cải tiến quy trình xử lý khiếu nại, bao gồm phân tích khiếu nại để cải tiến sản phẩm và dịch vụ. Hướng dẫn đánh giá của ISO/IAF coi khiếu nại là phản hồi quan trọng cho QMS. Các tài liệu này không bắt buộc dùng AI; chúng nhắc rằng phân loại chỉ là một bước được kiểm soát trong quy trình vẫn cần người chịu trách nhiệm điều tra và phản hồi.

Đầu ra lúc tiếp nhận nên tách loại hiện tượng chính, loại chi tiết, mức độ nghiêm trọng được đề xuất, mã sản phẩm và lô trích xuất, đoạn văn hoặc tệp đính kèm làm bằng chứng, cùng trạng thái không chắc chắn. Lưu văn bản gốc, bản dịch để hiển thị, phiên bản bộ mã, phiên bản mô hình và lịch sử chỉnh sửa của người duyệt. Bản dịch giúp nhóm đa ngôn ngữ phối hợp nhưng không được âm thầm thay thế câu chữ gốc, nhất là với câu phủ định hoặc mức độ khẩn cấp.

Xây dựng bộ mã hiện tượng có kiểm soát trước khi huấn luyện

Ngôn ngữ của khách hàng hiếm khi khớp hoàn toàn với mã lỗi tại nhà máy. “Phồng lên sau khi chịu nhiệt” là hiện tượng quan sát được. “Thông số ép lệch chuẩn” là nguyên nhân có thể có. “Chấp nhận sử dụng theo ngoại lệ” là quyết định xử lý. Nếu trộn ba thứ vào một cột, nhãn huấn luyện sẽ không nhất quán. Tối thiểu phải tách hiện tượng được báo, sản phẩm hoặc chức năng bị ảnh hưởng, mức nghiêm trọng, nguyên nhân đã điều tra và trạng thái xử lý. Hai trường cuối có thể chưa xác định lúc tiếp nhận.

Mỗi loại cần mã, tên, định nghĩa, ví dụ được tính và không được tính, quy tắc phân biệt với loại gần kề, quan hệ cha-con, ngày hiệu lực, phiên bản và người phê duyệt. “Vết bẩn” và “đổi màu” có thể không phân biệt được từ một ảnh; nếu chuyên gia còn bất đồng, mô hình lớn hơn không tạo ra đáp án chuẩn đáng tin. Với nhà máy đa ngôn ngữ, gắn tên tiếng Nhật, Anh, Thái và Việt vào cùng một mã thay vì tạo mã riêng theo ngôn ngữ khiến việc tổng hợp xu hướng bị chia cắt.

Một vụ việc có thể gồm cả đổi màu đầu nối lẫn mất chức năng. Không ép mọi trường hợp vào một nhãn; cho phép hiện tượng chính và phụ nhưng giới hạn số nhãn và quy tắc ưu tiên. Theo dõi riêng “khác” và “không xác định”. Khi tỷ lệ tăng, cần xét lại bộ mã hoặc biểu mẫu tiếp nhận chứ không tự tạo vô hạn thẻ mới.

Đối chiếu mã khách hàng với hồ sơ sản xuất

Phân loại hiện tượng đúng nhưng gắn sai lô có thể dẫn đến điều tra sai phạm vi. Khách hàng có thể dùng mã linh kiện riêng, phiên bản bản vẽ cũ, số chỉ hiện trong ảnh hoặc hai số mâu thuẫn. Chuẩn hóa khoảng trắng, dấu gạch, độ rộng ký tự, số không đầu và tiền tố của khách hàng để tìm kiếm nhưng luôn lưu chuỗi gốc. Đối chiếu với bảng quy đổi mã khách hàng-nội bộ, phiên bản, đơn hàng, lô xuất và lịch sử tách/gộp lô. Hiển thị “khớp”, “nhiều khả năng” hoặc “không tìm thấy”; không âm thầm chọn dòng đầu tiên.

Kết quả OCR từ nhãn cần chỉ rõ vùng ảnh đã đọc. Nếu OCR, nội dung gõ tay và lịch sử giao hàng bất đồng, chuyển người kiểm tra. Quy tắc chuẩn hóa cũng phải có phiên bản vì đổi quy tắc có thể đổi kết quả tra cứu vụ việc cũ. QMS là nơi quản lý hồ sơ khiếu nại được phê duyệt; MES chủ yếu cung cấp chứng cứ sản xuất qua giao diện đọc. Sửa loại khiếu nại không được ngầm sửa lịch sử sản xuất.

Hình 1 minh họa email, ảnh và nhãn sản phẩm đi vào thiết bị tiếp nhận; mã hàng và lô được so với hồ sơ MES; kết quả không khớp được chuyển cho người duyệt; loại và trạng thái đối chiếu đã duyệt mới được ghi vào QMS. Cần vẽ ranh giới rõ giữa gợi ý AI và hồ sơ chính thức.

Đánh giá phân loại văn bản theo hậu quả của lỗi

Ngay cả tuyên bố “độ chính xác 95%” cũng chưa đủ để quyết định triển khai: nó che mất sự khác biệt giữa chuyển nhầm vết xước trên hộp và đánh giá thấp sự cố có thể liên quan an toàn. Con số 95% chỉ minh họa một lời tuyên bố, không phải kết quả đo hay chuẩn của bài viết. Đo riêng trường hợp nghiêm trọng bị bỏ sót, chuyển sai bộ phận, phân loại hiện tượng sai, đối chiếu mã/lô sai và thời gian tồn trong hàng chờ duyệt. Xem recall của nhóm nghiêm trọng và rà từng false negative. Ngưỡng phải dựa vào yêu cầu khách hàng và mức nền của nhà máy, không sao chép một tỷ lệ chung từ tài liệu bán hàng.

Bộ đánh giá cần vừa có trường hợp thường gặp đại diện cho công việc thật, vừa có trường hợp biên hiếm nhưng hậu quả lớn. Các phiên bản của cùng khiếu nại, bản dịch, email bổ sung và báo cáo gần trùng về cùng lô phải nằm cùng phía huấn luyện hoặc đánh giá. Nếu câu chữ gần giống lọt vào cả hai, hiệu năng sẽ bị thổi phồng. Giữ thêm một giai đoạn thời gian mới để kiểm tra nghiệm thu, nhằm thấy sự thay đổi sản phẩm và cách diễn đạt. Người phụ trách chất lượng phải phân xử nhãn tham chiếu, đồng thời ghi nhận bất đồng; bất đồng có thể cho thấy định nghĩa nhãn yếu chứ không phải mô hình yếu.

Khung NIST AI RMF tổ chức quản lý rủi ro theo Govern, Map, Measure và Manage. Phần Core nêu việc xác định, đánh giá, lập tài liệu cho giám sát của con người và kiểm tra hệ thống trước lẫn trong vận hành. Trong tiếp nhận khiếu nại, điều đó có nghĩa là chủ sở hữu rõ ràng, đường xử lý ngoại lệ, chứng cứ thử nghiệm và giám sát, ngoài các chỉ số mô hình. NIST không bắt buộc một thuật toán hay ngưỡng điểm cụ thể.

Thiết kế hành động kế tiếp chứ không chỉ điểm tin cậy

Quy tắc “điểm cao tự duyệt, điểm thấp đưa người xem” quá đơn giản. Dấu hiệu về an toàn, pháp lý, dây chuyền khách hàng dừng hoặc khả năng thu hồi phải được giữ lại cho người có thẩm quyền ngay cả khi mô hình rất tự tin. Trường hợp thông thường nhưng chưa nhận diện được mã sản phẩm cũng có thể không được chuyển tuyến tự động. Xác định ranh giới tự động hóa theo hiện tượng, mức độ, khách hàng, sản phẩm và trạng thái định danh.

Giao diện phải hiển thị nhãn đề xuất, đoạn nguồn được tô sáng, mã đã khớp, trường chưa chắc và câu hỏi cần làm rõ. Người duyệt có thể chấp nhận, sửa hoặc giữ hồ sơ kèm lý do. Không đưa mọi chỉnh sửa ngay vào dữ liệu huấn luyện; trước hết phải kiểm nhãn và dữ liệu. Nếu một loại bị sửa nhiều, hãy xem định nghĩa, biểu mẫu và danh mục mã hàng trước khi huấn luyện lại. Hình 2 đặt lời khách hàng bên trái, đề xuất AI cùng bằng chứng ở giữa, điều khiển phê duyệt và trạng thái QMS bên phải.

Kết nối QMS và MES bằng hợp đồng dữ liệu rõ ràng

QMS quản lý khiếu nại chính thức, điều tra, hành động và phản hồi khách hàng. MES lưu lệnh sản xuất, sự kiện công đoạn, thiết bị, vật liệu, lô và kết quả kiểm tra. Thành phần AI ở giữa: đề xuất trường tiếp nhận cho QMS và chỉ yêu cầu các dữ kiện MES cần để xác minh định danh. Thống nhất hệ thống nào là nguồn chính của từng trường trước khi cho phép ghi hai chiều.

Hợp đồng cần định nghĩa case ID, customer ID, mã hàng khách hàng và nội bộ, phiên bản, lô, serial, chuyến giao, giờ nhận, mã hiện tượng, phiên bản bộ mã, mức nghiêm trọng, người phụ trách, trạng thái đối chiếu, giờ duyệt và vị trí lưu bản gốc. Quy định xử lý giờ ICT/UTC, kích thước và thời gian lưu tệp. Cần khóa chống tạo trùng, cơ chế gửi lại, log lỗi và phương án thủ công. Hãy thử lô không biết, phiên bản mã hàng đổi, QMS ngừng hoạt động, email trùng, tệp hỏng và khách hàng sửa nội dung sau đó, chứ không chỉ luồng thuận lợi.

Trạng thái nên là “hiện tượng đề xuất / nguyên nhân chưa điều tra” lúc tiếp nhận, “hiện tượng đã duyệt” sau rà soát, và “nguyên nhân đã duyệt” chỉ khi có chứng cứ điều tra. Như vậy giả thuyết không lọt vào báo cáo gửi khách hàng. Tốc độ phản hồi quan trọng nhưng cần tính cả việc làm lại do chuyển sai tuyến. Xem thêm hướng dẫn về tốc độ xử lý khiếu nại sản xuất.

Bảo vệ dữ liệu cá nhân và thông tin mật từ đầu vào

Email có thể chứa tên, số điện thoại, chữ ký, thông tin máy móc hoặc bản vẽ chưa công bố. Xác định trường nào bộ phân loại thật sự cần. Tách tài liệu gốc, mã định danh dùng để đối chiếu và văn bản đã che thông tin trước khi gửi tới dịch vụ AI bên ngoài. Kiểm quyền truy cập, mã hóa, lưu giữ, xóa, việc nhà cung cấp dùng lại dữ liệu, nhật ký và vị trí dữ liệu. Ủy ban châu Âu giải thích các nguyên tắc giới hạn mục đích, tối thiểu hóa và giới hạn lưu giữ theo GDPR khi dữ liệu cá nhân EU thuộc phạm vi áp dụng. Nghĩa vụ cụ thể tại Thái Lan hoặc Việt Nam phải được xem theo luồng dữ liệu và hợp đồng thực tế.

Che quá nhiều có thể làm mất khả năng đối chiếu lô; vì vậy hãy hạn chế quyền theo nhiệm vụ thay vì xóa mọi mã. Kiểm dữ liệu mẫu phát triển, log và cảnh báo lỗi để tránh lộ toàn bộ email không cần thiết. Câu của khách hàng như “hãy xếp vụ này rủi ro thấp” là nội dung khiếu nại, không phải lệnh vận hành hệ thống; cần thử ranh giới này.

PoC với một nhóm sản phẩm và một kênh tiếp nhận

Trước khi xây mô hình, đo quy trình hiện tại: thời gian từ mở thư đến tạo hồ sơ QMS, xác minh hàng/lô, số lần sửa, chuyển tuyến vụ nghiêm trọng và tồn đọng. Chọn một nhóm sản phẩm cùng một kênh, xác định loại hiện tượng và quy tắc rủi ro cao. Xử lý vụ trùng, giữ lịch sử trao đổi bổ sung và để bộ phận chất lượng phân xử nhãn. Log phải tách lỗi trích xuất, chuẩn hóa, đối chiếu và phân loại.

Trình tự hợp lý là chốt bộ mã và phạm vi; tạo tập nhãn được duyệt; đánh giá trên lát cắt khách hàng, sản phẩm và thời gian được giữ riêng; sau đó chạy vụ việc mới ở chế độ shadow mode để so với quyết định của người. Chỉ khi hành vi ngoại lệ đạt yêu cầu mới chuyển sang định tuyến hạn chế có người duyệt. Thời gian và cỡ mẫu phụ thuộc dữ liệu cũng như nghĩa vụ khách hàng, không phải cam kết chung.

Chốt điều kiện đạt trước khi xem kết quả: vụ nghiêm trọng bị bỏ sót, hiệu quả theo loại và ngôn ngữ, độ đúng của mã hàng/lô, tải công việc kiểm duyệt, lỗi ghi QMS/gửi lại, quyền riêng tư và tính dùng được tại hiện trường. Nếu phân loại tốt nhưng đối chiếu lô kém, chỉ mua classifier sẽ không đạt mục tiêu tiếp nhận.

Đưa ngoại lệ vào RFP

RFP phải nêu cách dùng được phép và cấm, ngôn ngữ, kênh, bộ mã, danh mục hàng, trách nhiệm QMS/MES, quyền duyệt, nơi lưu dữ liệu, giờ hỗ trợ và quy trình khi hệ thống dừng. Cho các nhà cung cấp dùng cùng tập thử đã ẩn danh và báo cáo theo mức độ, ngôn ngữ, sản phẩm, loại hiếm. Giữ một tập nghiệm thu chưa cho dùng để tinh chỉnh. Hỏi quyền sở hữu, việc xóa và xuất trả văn bản gốc, nhãn, log, cấu hình khi kết thúc hợp đồng.

Yêu cầu trả lời về quản lý phiên bản bộ mã, xung đột OCR/lô, nhật ký chỉnh của người, API gửi lại/chống trùng, thay đổi mô hình/ngưỡng, rollback và thử lại. Khi so chi phí, gồm cả phân xử nhãn, sửa danh mục mã hàng, tích hợp, giám sát, thêm ngôn ngữ và di chuyển khi chấm dứt. Không nên đưa tỷ lệ hoàn vốn chung vì số vụ, QMS hiện có, số nhà máy và quy định khách hàng rất khác nhau.

FAT và SAT phải chứng minh toàn bộ luồng công việc

FAT trong môi trường nhà cung cấp sử dụng ca cố định, đầu ra mong đợi, phiên bản bộ mã và mô hình đã khóa. Thử câu phủ định, nhiều hiện tượng, sự cố nặng, lô ghi sai, trộn ngôn ngữ, tệp dài và gửi trùng. SAT tại nhà máy dùng quyền thật, danh mục thật, giao diện QMS/MES, mạng, bàn giao ca, lỗi và gửi lại. Hai lần trình diễn đẹp với trường hợp dễ không phải kế hoạch nghiệm thu.

Mỗi ca cần đầu vào, loại được đề xuất, trạng thái đối chiếu, quy tắc giữ, kết quả QMS, log và người phê duyệt. Ví dụ khách hàng báo linh kiện phát khói rồi dừng, số lô chỉ nằm trong ảnh: dù tên loại chi tiết chưa hoàn hảo, hệ thống phải giữ an toàn, thông báo người phụ trách và yêu cầu kiểm OCR. Ngược lại, vết xước trên thùng mà khách hàng nói rõ sản phẩm vẫn tốt không nên phát cảnh báo khẩn cấp mãi. Tiêu chí cần đánh giá “hành động tiếp theo an toàn”, không chỉ một nhãn.

Hình 3 đối chiếu bàn thử FAT với SAT kết nối các màn hình QMS/MES thật, cho thấy nghiệm thu phải theo tới ghi hồ sơ, gửi lại và dấu vết kiểm toán. Sau vận hành, theo dõi tỷ lệ không phân loại, giữ chờ, chỉnh bởi người, bỏ sót vụ nghiêm trọng, đối chiếu mã thất bại, ghi QMS thất bại và thời gian tồn. Xem theo khách hàng, sản phẩm, ngôn ngữ. Sản phẩm mới hoặc phiên bản bộ mã mới có thể làm phân bố đổi mà không phải lỗi mô hình, vì vậy tìm nguồn trước khi huấn luyện lại.

Sau khi vận hành, theo dõi lệch phân loại và thay đổi bộ mã

Sản phẩm mới của khách hàng mang đến mã linh kiện và cách mô tả lỗi chưa từng gặp. Thay đổi công đoạn, sửa bản vẽ hoặc đổi biểu mẫu báo lỗi cũng làm phân bố vụ việc thay đổi. Theo dõi tỷ lệ chưa phân loại, tỷ lệ giữ chờ, tỷ lệ người duyệt sửa kết quả, số vụ nghiêm trọng bị bỏ sót, lỗi đối chiếu mã hàng/lô, lỗi ghi QMS và thời gian tồn. Mỗi chỉ số phải có người phụ trách, tần suất kiểm, mức cảnh báo và điều kiện dừng tự động hoặc quay về phân luồng thủ công. Chỉ “huấn luyện lại khi độ chính xác giảm” sẽ bỏ sót lỗi bộ mã và dữ liệu chủ.

Đừng chỉ xem trung bình của cả nhà máy. Tỷ lệ giữ chờ tổng thể có thể không đổi trong khi một nhóm sản phẩm mới liên tục không khớp lô. Trong cuộc rà ngoại lệ hằng tuần, xem vụ chưa phân loại, việc một người duyệt sửa đi sửa lại, hạ mức nghiêm trọng, khách hàng khiếu nại lặp và QMS phải gửi lại. Gán nguyên nhân cho quy trình, bộ mã, dữ liệu chủ hoặc mô hình. Trong cuộc họp bộ mã hằng tháng, xét đề xuất mã mới hoặc gộp mã và lưu ngày hiệu lực, ánh xạ mã cũ, người duyệt. Biểu đồ xu hướng có thể nhảy bậc chỉ vì phiên bản bộ mã thay đổi; cần thống nhất quy tắc so sánh giữa các phiên bản trước khi dùng cho quyết định quản lý.

Trụ sở và nhà máy có thể dùng giao diện khác ngôn ngữ, nhưng trạng thái phê duyệt của cùng vụ việc phải giống nhau. Nếu mã sửa trên màn hình tiếng Thái vẫn hiển thị tên tiếng Nhật cũ, bàn giao có thể sai. Phân biệt đổi cách dịch với đổi ý nghĩa loại: sửa bản dịch không cần phân loại lại vụ cũ, còn đổi ranh giới loại đòi hỏi đánh giá lại tập thử, ánh xạ dashboard và đào tạo người dùng. Dùng mã ổn định và trạng thái đã duyệt làm trục phân tích chung giữa các ngôn ngữ. OCR, dịch, prompt, mô hình, ngưỡng và API QMS cũng phải có phiên bản; thay đổi tác động quyết định cần chủ chất lượng phê duyệt, thử hồi quy và đường quay lui. Lưu lịch sử đủ để tái hiện vì sao một vụ cũ được định tuyến như vậy. NIST AI RMF cũng xem quản lý rủi ro là việc liên tục trong suốt vòng đời hệ thống, không chỉ thử trước khi ra mắt.

Câu hỏi thường gặp

AI phân loại nguyên nhân khiếu nại có giống phân loại hiện tượng không?

Không. Phân loại hiện tượng sắp xếp điều khách hàng thuật lại. Phân loại nguyên nhân phải dựa vào điều tra vật mẫu, sản xuất, kiểm tra, vật liệu và giao hàng. AI có thể gợi giả thuyết, nhưng người phụ trách chất lượng phải duyệt nguyên nhân chính thức. “Chưa điều tra” thường là giá trị đúng ở khâu tiếp nhận.

Cần bao nhiêu ví dụ để phân loại văn bản báo lỗi?

Không có con số chung. Nó phụ thuộc số loại, ngôn ngữ, sản phẩm, sự cố nghiêm trọng hiếm gặp và chất lượng nhãn. Hãy bắt đầu bằng số lượng theo loại và mức bất đồng của người duyệt. Khi dữ liệu thiếu, thu hẹp phạm vi hoặc tăng duyệt thủ công. Tập lớn có nhãn bất nhất cũng không thể dùng nghiệm thu đáng tin.

Có thể phân tích xu hướng khiếu nại bằng AI ngay sau phân loại không?

Số vụ đơn thuần chưa đủ. Cần nối loại với khách hàng, sản phẩm, lô, lượng giao, thời kỳ và phiên bản bộ mã. Số vụ tăng có thể do lượng bán hoặc kênh báo mới chứ không phải lỗi mới. Hiển thị riêng vụ nghiêm trọng và chưa phân loại; tìm nguyên nhân bằng bằng chứng nhà máy.

RFP và FAT/SAT nên ưu tiên điều gì?

Giữ an toàn vụ nghiêm trọng, hiển thị sự không chắc chắn khi khớp mã/lô, cho người sửa dựa trên bằng chứng và lưu lịch sử QMS kiểm được. Thử ca khó trong FAT, dữ liệu chính, quyền và sự cố thật trong SAT. Duyệt ngưỡng và ngoại lệ trước khi thử.

Kết luận

AI phân loại khiếu nại hữu ích là một quy trình tiếp nhận được kiểm soát. Bộ mã hiện tượng có phiên bản, đối chiếu sản phẩm/lô đáng tin, người duyệt mức nghiêm trọng, chủ sở hữu dữ liệu QMS/MES rõ ràng, kiểm soát quyền riêng tư và điều kiện nghiệm thu đã thống nhất đều quan trọng ngang mô hình. Hệ thống cần hiển thị chứng cứ, bộc lộ điểm mơ hồ và chuyển quyết định tiếp theo một cách an toàn.

Nếu doanh nghiệp còn đang rà biểu mẫu tiếp nhận, danh mục loại và liên kết mã hàng-lô, TOMAS TECH có thể giúp xác định phạm vi nhỏ cùng kế hoạch nghiệm thu đo được trên QMS/MES hiện có. Liên hệ với chúng tôi từ giai đoạn thiết kế.

Tài liệu tham khảo

• ISO 10002:2018 — Complaints handling
• ISO 10004:2018 — Customer satisfaction monitoring
• ISO/IAF Auditing Practices Group — Customer Complaints
• NIST AI RMF Core
• NIST AI RMF Playbook
• European Commission — GDPR principles