Kiểm tra ngoại quan bằng AI: chi phí và cách triển khai nhà máy

Tại các nhà máy ở Việt Nam, việc giữ một đội ngũ đông đảo ngồi kiểm tra bằng mắt đang ngày càng khó duy trì: lương tăng đều mỗi năm, công nhân kiểm tra lành nghề khó giữ chân, còn tiêu chuẩn phán định thì chỉ nằm trong đầu vài người. Đó là lý do kiểm tra ngoại quan bằng AI được đưa lên bàn họp. Bài viết này sắp xếp lại các điểm cần quyết định cho nhà máy tại Việt Nam: bóc tách chi phí, cách đọc chỉ số độ chính xác, tổ chức vận hành và những gì phải xác nhận trước khi đầu tư.

Bối cảnh Việt Nam: vì sao 2026 là thời điểm phải quyết định

Trước khi bàn về camera, ánh sáng hay mô hình học sâu, cần đặt bài toán vào đúng bối cảnh Việt Nam. Những giả định quen thuộc của nhà máy Nhật Bản hay của một bài viết kỹ thuật viết cho thị trường nội địa Nhật thường không còn đúng khi áp vào Bắc Ninh, Hải Phòng, Bình Dương hay Đồng Nai.

Tiền lương sản xuất tăng đều, lao động kỹ năng thì thiếu

Theo phân tích của Intralink về tự động hóa công nghiệp tại Việt Nam, tiền lương trong lĩnh vực sản xuất tiếp tục tăng khoảng 7–10% mỗi năm, và tình trạng thiếu hụt nhân lực có kỹ năng đang trở thành giới hạn cho mô hình mở rộng dựa vào thâm dụng lao động. Đây là hai vế của cùng một vấn đề: chi phí cho mỗi giờ công tăng lên, trong khi việc tuyển thêm người để tăng sản lượng ngày càng khó.

Một khoản chi phí tăng 7% mỗi năm sẽ tăng gấp khoảng hai lần sau mười năm. Điều này có nghĩa là bài toán hoàn vốn được lập bằng đơn giá nhân công của hôm nay sẽ là một bài toán khác hẳn sau năm năm. Nếu bảng tính đầu tư của bạn giả định chi phí nhân công đứng yên trong suốt vòng đời thiết bị, kết quả đang bị đánh giá thấp về phía lợi ích của tự động hóa.

Cần lưu ý thêm: mức lương thực trả cho công nhân kiểm tra ngoại quan không bằng mức lương tối thiểu vùng. Công đoạn đòi hỏi tay nghề và sự tập trung thường phải tuyển ở dải cao hơn, cộng thêm làm thêm giờ, bảo hiểm bắt buộc, xe đưa đón, hỗ trợ bữa ăn, hỗ trợ nhà ở. Khi tính đơn giá giờ công cho bài toán đầu tư, phải dùng chi phí toàn phần của người lao động chứ không dùng lương cơ bản. Về các quy định cụ thể liên quan đến lương tối thiểu vùng, bảo hiểm và giờ làm thêm, đề nghị xác nhận bằng văn bản với cơ quan chủ quản hoặc chuyên gia tư vấn lao động tại địa phương, vì các quy định này thay đổi theo thời kỳ và theo vùng.

Điện tử và thiết bị điện đang dẫn dắt làn sóng tự động hóa

Cũng theo Intralink, nhóm ngành điện tử và thiết bị điện là lực kéo chính của tự động hóa tại Việt Nam. Các nhà sản xuất lớn đang hoạt động trong nước như Samsung, LG, Amkor, Pegatron được nêu là những doanh nghiệp đầu tư vào robot, hệ thống kiểm tra và quản lý chất lượng dựa trên dữ liệu. Sự kết hợp giữa robot, thị giác máy tính trong nhà máy, hệ thống điều hành sản xuất (MES) và IIoT được ghi nhận là góp phần giảm thời gian dừng máy, ổn định chất lượng và tăng khả năng nhìn thấy hiện trạng sản xuất.

Với một nhà cung cấp cấp 1 hoặc cấp 2 trong chuỗi này, điều đó tạo ra áp lực trực tiếp. Khi khách hàng đầu chuỗi vận hành nhà máy dựa trên dữ liệu, họ sẽ dần yêu cầu nhà cung cấp chứng minh chất lượng bằng dữ liệu chứ không bằng lời cam kết. Câu hỏi “lô hàng này đã được kiểm tra như thế nào” sẽ khó trả lời nếu bằng chứng duy nhất là chữ ký trên phiếu kiểm.

“Nhà máy thông minh hoặc là không” — cách đặt vấn đề của năm 2026

Vietnam Investment Review đã đặt tiêu đề cho một bài phân tích là “Smart factories or bust: decision time in 2026” — tạm hiểu là “nhà máy thông minh hoặc là không, 2026 là thời điểm phải quyết”. Cách đặt vấn đề này phản ánh tâm thế chung của giới sản xuất tại Việt Nam hiện nay: chuyển đổi sang mô hình nhà máy thông minh không còn được xem là một dự án thí điểm tùy chọn, mà là một quyết định có thời hạn.

Điều đó không có nghĩa là phải tự động hóa tất cả mọi thứ ngay lập tức. Nó có nghĩa là doanh nghiệp cần một thứ tự ưu tiên rõ ràng, và kiểm tra ngoại quan thường là công đoạn nằm ở vị trí cao trong danh sách đó, vì đây là nơi tập trung nhiều lao động, nơi phát sinh khiếu nại khách hàng, và cũng là nơi dữ liệu chất lượng đang bị bỏ phí nhiều nhất.

Thị trường tự động hóa và điều khiển công nghiệp tại Việt Nam

Về quy mô thị trường tự động hóa và điều khiển công nghiệp tại Việt Nam, hiện chưa có một con số công bố nào đủ nhất quán để trích dẫn như một dữ kiện chắc chắn, nên bài viết này không đưa ra con số cụ thể. Điều có thể nói dựa trên phân tích của Intralink là xu hướng: nhu cầu đối với robot, thị giác máy tính, MES và IIoT đang mở rộng cùng với dòng vốn đầu tư vào điện tử và thiết bị điện, và mảng dịch vụ tích hợp hệ thống tại chỗ đang phát triển theo.

Ở góc nhìn toàn cầu, thị trường hệ thống kiểm tra ngoại quan bằng AI được dự báo đạt 29,82 tỷ USD năm 2025, 36,84 tỷ USD năm 2026 và 85,24 tỷ USD vào năm 2030, tương ứng tốc độ tăng trưởng bình quân 23,3% mỗi năm (The Business Research Company, tháng 7/2026). Khu vực lớn nhất là Bắc Mỹ, còn khu vực tăng nhanh nhất là châu Á – Thái Bình Dương. Con số này hữu ích để hiểu bối cảnh, nhưng xin nói trước: nó không phải là căn cứ để phê duyệt đầu tư. Căn cứ nằm ở phần tính toán tổn thất của chính nhà máy bạn, sẽ trình bày ngay dưới đây.

Nếu bạn đang xây dựng lộ trình tự động hóa tổng thể chứ không riêng công đoạn kiểm tra, bài Tự động hóa nhà máy và triển khai FA sắp xếp thứ tự ưu tiên giữa các công đoạn. Tự động hóa riêng khâu kiểm tra trong khi khâu cấp phôi và vận chuyển trước – sau vẫn làm thủ công thường khiến hiệu quả bị chặn ở mức thấp hơn kỳ vọng.

Chi phí thật của việc duy trì kiểm tra bằng mắt người

Khi bàn về hiệu quả đầu tư cho việc tự động hóa kiểm tra bằng mắt, nếu chỉ tính phần tiết kiệm là lương của công nhân kiểm tra, phần lớn dự án sẽ không đạt ngưỡng phê duyệt. Ngược lại, khi kiểm kê đầy đủ các khoản chi phí đang bị che khuất, bức tranh thay đổi hẳn.

Bóc tách toàn bộ chi phí đang gắn với công đoạn kiểm tra

• Chi phí nhân công trực tiếp: số người kiểm tra × giờ vận hành × đơn giá giờ công (đã gồm bảo hiểm, làm thêm giờ, phúc lợi, xe đưa đón, hỗ trợ ăn ở).
• Chi phí đào tạo: số giờ để một người mới có thể phán định độc lập, các buổi họp thống nhất tiêu chuẩn, và khoản này lặp lại hằng năm theo tỷ lệ nghỉ việc.
• Chi phí kiểm tra lại và phân loại 100%: khi có lô nghi ngờ, phải huy động người làm thêm, làm ngày nghỉ, điều người từ bộ phận khác sang.
• Chi phí xử lý khiếu nại khách hàng: điều tra nguyên nhân, viết báo cáo 8D, họp đối sách, công tác phí, giảm giá hoặc bồi thường.
• Chi phí dừng giao hàng và vận chuyển thay thế: chuyển từ đường biển sang đường hàng không để giữ tiến độ.
• Tổn thất do kiểm tra quá nghiêm: hàng đạt bị loại oan bởi người kiểm tra khắt khe hơn tiêu chuẩn, làm giảm tỷ lệ thành phẩm.

Với nhà máy tại Việt Nam xuất hàng đi Nhật Bản, Mỹ hoặc châu Âu, khoản “vận chuyển thay thế” đáng chú ý hơn nhiều so với một nhà máy nội địa. Một sự chậm trễ mà ở trong nước có thể bù bằng chuyến xe tải ngày hôm sau thì với hàng xuất khẩu sẽ trở thành việc đổi sang vận chuyển hàng không. Chỉ một lần chuyển đổi như vậy đã có thể tương đương chi phí nhân công cả năm của vài nhân sự kiểm tra. Việc có đưa được khoản này vào phần lợi ích của dự án hay không ảnh hưởng rất lớn đến khả năng được duyệt.

Bắt đầu từ tổn thất, không phải từ chi phí thiết bị

Thứ tự tính toán nên đảo ngược so với thói quen thông thường. Hãy đặt con số tổn thất lên trước:

Tổn thất kỳ vọng do lỗi lọt ra ngoài trong một năm = tỷ lệ lọt lỗi × sản lượng giao hàng năm × chi phí xử lý bình quân cho mỗi vụ lọt lỗi.

Trong đó, “chi phí xử lý bình quân cho mỗi vụ” có thể ước lượng từ chính hồ sơ khiếu nại 2–3 năm gần nhất: cộng công điều tra, chi phí phân loại, chi phí vận chuyển gấp và khoản giảm giá. Đây là số liệu nội bộ của doanh nghiệp bạn, không cần trích dẫn thống kê bên ngoài, và cũng vì vậy mà con số này khó bị bác bỏ trong cuộc họp phê duyệt.

Khi con số này hiện ra, cuộc thảo luận “nên hạ tỷ lệ bỏ sót xuống mức nào” chuyển từ tranh luận cảm tính sang bài toán tiền. Việc xác định yêu cầu cho một hệ thống kiểm tra chất lượng bằng AI vốn nên bắt đầu từ đây.

Ba lý do khiến lập luận “nhân công còn rẻ nên cứ kiểm bằng mắt” không còn đứng vững

Thứ nhất là tiền lương, như đã nêu ở chương trước: tăng 7–10% mỗi năm theo Intralink, và chi phí thực tế của một vị trí kiểm tra cao hơn nhiều so với mức lương ghi trên hợp đồng.

Thứ hai là tuyển không được và giữ không nổi. Mỗi khi một nhà máy mới khởi động trong cùng khu công nghiệp, lực lượng lao động lại dịch chuyển. Kiểm tra ngoại quan là công việc ngồi một chỗ, đơn điệu, nên thường là vị trí bị rút người đầu tiên khi có nơi trả tốt hơn ở gần đó. Người thay thế cần thời gian đào tạo mới phán định giống người cũ, và trong khoảng thời gian đó chất lượng phán định dao động. Nói cách khác, chất lượng kiểm tra đang phụ thuộc vào tình hình thị trường lao động của khu công nghiệp — một mối phụ thuộc rất khó chấp nhận dưới góc nhìn đảm bảo chất lượng.

Thứ ba là sự phụ thuộc vào cá nhân. Ở nhiều nhà máy, phán định cuối cùng cho các trường hợp ranh giới nằm trong tay một chuyên gia chất lượng biệt phái từ công ty mẹ hoặc một vài tổ trưởng gắn bó lâu năm. Ngày người đó nghỉ hoặc hết nhiệm kỳ, tiêu chuẩn thay đổi, và khách hàng lập tức phản ánh “chất lượng đã khác trước”. Tình huống này thực ra là dấu hiệu cho thấy bài tập chuẩn hóa tiêu chuẩn còn dang dở, độc lập với chuyện có đưa AI vào hay không.

Kiểm tra ngoại quan bằng AI: làm được gì, chưa làm được gì

Cụm từ “kiểm tra ngoại quan bằng AI” quá rộng để dùng trực tiếp cho việc ra quyết định, vì độ khó thực tế khác nhau rất xa theo từng loại lỗi. Nếu không phân loại trước khi mời báo giá, bạn sẽ nhận về những con số dựa trên các giả định khác nhau và không thể so sánh.

Độ khó thực tế theo từng loại lỗi

Bảng dưới đây là xu hướng chung. Khả năng thực hiện cụ thể còn phụ thuộc vật liệu, bề mặt và điều kiện chiếu sáng của chính sản phẩm của bạn, nên bắt buộc phải kiểm chứng bằng mẫu thật. Tuy vậy, bảng này đủ dùng để sắp xếp suy nghĩ trước khi gửi yêu cầu báo giá.

Dòng cuối cùng là dòng quan trọng nhất. Vùng “người có kinh nghiệm nhìn là biết” không phải giới hạn kỹ thuật của AI, mà là tình trạng không tồn tại yêu cầu kỹ thuật. Tiêu chuẩn mà con người không diễn đạt được bằng lời và bằng hình ảnh thì cũng không thể dạy cho máy. Ngược lại, nếu nhân dịp triển khai AI mà doanh nghiệp diễn đạt được tiêu chuẩn đó thành văn bản, bản thân điều đó đã là một tài sản của hệ thống đảm bảo chất lượng.

Phân định giữa machine vision theo luật cứng và AI

Nhầm lẫn ở điểm này sẽ làm phồng cả chi phí lẫn thời gian. Nguyên tắc như sau:

• Hình ảnh đối tượng ổn định, điều kiện phán định viết được bằng số (diện tích từ bao nhiêu mm² trở lên, chênh lệch độ sáng bao nhiêu, có hay không có chi tiết) → machine vision nhà máy theo luật cứng (rule-based) là đủ. Nhanh hơn, rẻ hơn, dễ giải thích, độ lặp lại cao.
• Sản phẩm đạt cũng dao động lớn, lỗi mỗi lần hiện ra một kiểu, không viết được điều kiện số → đây mới là chỗ dùng AI (học sâu).
• Hai tình huống trên trộn lẫn, và phần lớn nhà máy nằm ở đây → phương án lai: dùng luật cứng để tiền xử lý, định vị và bắt các lỗi rõ ràng, chỉ đẩy phần khó phán định sang AI.

Trên thực tế, phương án lai thường là lời giải hợp lý nhất, và lý do nằm ở khâu vận hành. Phần luật cứng thì kỹ sư tại nhà máy có thể tự chỉnh ngưỡng; phần AI thì cần huấn luyện. Càng thu hẹp phạm vi giao cho AI, phạm vi mà đội ngũ tại chỗ tự xoay xở được càng rộng.

Khả năng nói “công đoạn này dùng luật cứng là đủ” cũng là một thước đo tốt để đánh giá nhà tích hợp hệ thống. Một đề xuất muốn giải mọi thứ bằng AI đôi khi không phải là biểu hiện của năng lực kỹ thuật, mà là cách tiết kiệm công sức phân tách yêu cầu. Nhà cung cấp dám chỉ ra phần không cần AI thường mang lại tổng chi phí thấp hơn.

Dùng số liệu thị trường như thế nào cho đúng

Theo khảo sát do Cognex công bố tháng 3/2026 với hơn 500 doanh nghiệp sản xuất, nhà tích hợp hệ thống và OEM tại Bắc Mỹ, châu Âu và châu Á, 57% doanh nghiệp trả lời cho biết đã sử dụng AI trong machine vision, và thêm 30% có kế hoạch triển khai trong tương lai gần. Tỷ lệ triển khai theo ngành: logistics 72%, điện tử 61%, ô tô 60%.

Với các nhà máy điện tử tại Việt Nam, con số 61% của ngành điện tử đáng chú ý — xin lưu ý đây là tỷ lệ trong khảo sát toàn cầu của Cognex, không phải số liệu riêng của Việt Nam — vì nó cho thấy trên bình diện quốc tế, phát hiện lỗi sản phẩm bằng AI đã là thực hành phổ biến chứ không còn là thử nghiệm, và các khách hàng đầu chuỗi của bạn nhiều khả năng đang vận hành theo mặt bằng đó.

Tuy vậy, xin nhắc lại điều đã nói ở trên: “vì công ty khác đã làm” là căn cứ yếu nhất trong một hồ sơ đầu tư, và cũng là chỗ bị chất vấn nhiều nhất khi trình lên công ty mẹ. Hãy để số liệu thị trường ở phần bối cảnh, còn trục chính của quyết định đặt vào tổn thất kỳ vọng do lỗi lọt ra ngoài và cấu trúc chi phí kiểm tra của chính nhà máy.

Phân tích chi phí: sáu hạng mục và tổng chi phí sở hữu 5 năm

Nếu chi phí hệ thống kiểm tra AI được báo dưới dạng “trọn gói bao nhiêu tiền”, bạn sẽ không so sánh được các nhà cung cấp. Hãy tách thành sáu hạng mục dưới đây và yêu cầu mọi bên báo giá theo cùng một độ chi tiết. Điều này có tác dụng cả trong đàm phán giá lẫn trong đánh giá kỹ thuật.

Sáu hạng mục chi phí

1. Hệ chụp ảnh (camera, ống kính, chiếu sáng): độ phân giải, trường nhìn, độ sâu trường ảnh, kiểu chiếu sáng (đồng trục, vòm, góc thấp, xuyên sáng). Đây là phần phải tính ngược từ độ phân giải yêu cầu, và là phần cần siết chặt nhất về mặt kỹ thuật. Cắt giảm độ phân giải để tiết kiệm sẽ không thể bù lại bằng AI ở phía sau.
2. Cơ cấu cấp phôi, đồ gá, cơ khí: cơ chế đưa sản phẩm đến vị trí chụp với cùng một tư thế và cùng một tốc độ mỗi lần. Trên thực tế đây có thể là hạng mục lớn nhất trong tổng giá. Với dây chuyền nhiều chủng loại sản lượng nhỏ, việc đổi đồ gá khi chuyển đời sản phẩm làm độ khó thiết kế tăng vọt.
3. Phần mềm AI và bản quyền: phí ban đầu và phí bảo trì hằng năm. Tính theo số dây chuyền, số camera hay theo địa điểm sẽ tạo ra chi phí dài hạn rất khác nhau. Nếu có ý định nhân rộng, phải hỏi trước đơn giá cho thiết bị thứ hai trở đi.
4. Phí tích hợp hệ thống: phân tích yêu cầu, thiết kế quang học, thiết kế cơ khí, kết nối PLC, kết nối hệ thống cấp trên, lắp đặt, nghiệm thu có chứng kiến. Nếu nhà cung cấp không có đội ngũ tại Việt Nam, hạng mục này còn gánh thêm chi phí đi lại, lưu trú và phiên dịch.
5. Tạo dữ liệu huấn luyện (thu thập ảnh và gắn nhãn): công việc đánh dấu “đây là lỗi” trên từng ảnh. Ai làm, dựa trên tài liệu tiêu chuẩn bằng ngôn ngữ nào, mất bao nhiêu giờ — phải chốt ngay từ giai đoạn báo giá. Để mập mờ chỗ này thì chắc chắn sẽ tranh cãi về sau.
6. Bảo trì, tái huấn luyện, thay thế linh kiện: đèn LED suy giảm quang thông, camera bám bụi, ống kính bị lỏng, máy tính cần thay thế. Và tái huấn luyện mỗi khi thêm chủng loại sản phẩm. Chỉ khi nhìn tổng năm năm, bạn mới đánh giá đúng.

Các nhà cung cấp tại Nhật Bản thường công bố khoảng giá tham khảo theo cấu trúc “phần mềm AI + camera + chiếu sáng + máy tính + phí tích hợp” (NTT Communications, 2025). Xin lưu ý đây là số liệu của Nhật Bản, phản ánh mặt bằng giá và cơ cấu chi phí nhân công tại Nhật, không áp dụng trực tiếp cho Việt Nam. Ngoài ra, cấu trúc này thường không bao gồm hạng mục số 2 là cơ cấu cấp phôi và đồ gá — thứ bắt buộc phải có để máy chạy được trong thực tế. Sao chép nguyên khoảng giá tham khảo của Nhật Bản vào dự toán cho nhà máy tại Việt Nam gần như chắc chắn sẽ thiếu.

Hạng mục nào dễ tăng, hạng mục nào có dư địa giảm tại Việt Nam

Điều cần rút ra từ bảng này: biến số lớn nhất quyết định chi phí tại Việt Nam không phải là giá thiết bị, mà là “ai xử lý được tại chỗ”. Cùng một cấu hình, nhà cung cấp có kỹ sư thường trú trong nước và nhà cung cấp cử người sang từng lần sẽ chênh nhau đáng kể khi tính tổng năm năm. Chọn theo giá chào ban đầu rẻ nhất thường phải trả lại phần chênh đó ở giai đoạn vận hành.

So sánh bằng tổng chi phí sở hữu 5 năm

Cách so sánh hiệu quả là yêu cầu mọi nhà cung cấp điền vào cùng một biểu mẫu đơn giản:

• Chi phí ban đầu (tổng các hạng mục 1 đến 5)
• Phí bản quyền và bảo trì hằng năm × 5 năm
• Số lần tái huấn luyện dự kiến × chi phí mỗi lần × 5 năm
• Chi phí linh kiện dự phòng
• Số giờ dừng máy dự kiến mỗi năm × tổn thất mỗi giờ

Ở phía lợi ích, đặt vào: chi phí nhân công kiểm tra (đã gồm phúc lợi) × 5 năm, phần giảm tổn thất kỳ vọng do lỗi lọt ra ngoài, và phần giảm chi phí vận chuyển hàng không khẩn cấp. Với định dạng này, một đề xuất có chi phí ban đầu cao nhưng vận hành nhẹ sẽ được đánh giá đúng giá trị. Ngược lại, bảng so sánh chỉ nhìn chi phí ban đầu luôn có lợi cho những đề xuất giấu gánh nặng vận hành.

Về chi phí hệ thống kiểm tra AI tại Việt Nam, hầu như không có thống kê công khai đáng tin cậy. Vì vậy bài viết này không đưa ra “mức giá thị trường”, và chúng tôi cho rằng cách trung thực nhất là xác nhận từng hạng mục ở giai đoạn báo giá. Nói ngược lại, nếu một đề xuất khẳng định chắc nịch về mức giá thị trường mà không nêu nguồn, việc hỏi lại căn cứ của con số đó là hoàn toàn chính đáng.

Ba chiến lược cho bài toán thiếu mẫu lỗi

Đây là bức tường mà gần như mọi dự án kiểm tra ngoại quan bằng AI đều gặp. Điều trớ trêu là nhà máy nào quản lý chất lượng càng tốt thì vấn đề càng nghiêm trọng: tỷ lệ phát sinh lỗi thấp đồng nghĩa với việc không gom đủ mẫu lỗi để huấn luyện (Nsight). Hiểu nghịch lý này ngay từ đầu sẽ thay đổi cách bạn thiết kế dự án.

Chiến lược 1: Tích lũy — dựng cơ chế chụp ảnh trước khi quyết định đầu tư

Cách này mộc mạc nhất nhưng chắc chắn nhất. Điểm mấu chốt là bắt đầu chụp trước khi ra quyết định triển khai AI.

• Đặt một trạm chụp ảnh đơn giản ngay cạnh công đoạn kiểm tra bằng mắt hiện tại.
• Mọi sản phẩm bị đánh giá NG đều phải được chụp trước khi hủy hoặc sửa lại.
• Khi chụp, ghi kèm ngày, số lô, số máy, loại lỗi và người phán định.
• Chụp cả hàng đạt trong cùng điều kiện — biết được mức dao động của hàng đạt thực ra là điều quan trọng nhất.

Cần chú ý điều kiện chụp. Ảnh tích lũy trong điều kiện chiếu sáng, camera và góc chụp khác với hệ thống chính thức sẽ mất phần lớn giá trị làm dữ liệu huấn luyện. Lý tưởng là chốt sơ bộ điều kiện quang học trước khi chọn nhà cung cấp, nhưng thực tế khó làm được. Phương án dung hòa: chụp ở vài điều kiện chiếu sáng khác nhau, hoặc tối thiểu là ghi lại chính xác đã chụp trong điều kiện nào.

Một tác dụng phụ đáng giá của chiến lược tích lũy là hiện trạng phát sinh lỗi trở nên nhìn thấy được. Sau nửa năm chụp liên tục, không hiếm khi doanh nghiệp phát hiện “hóa ra nguyên nhân của phần lớn khiếu nại chỉ là một loại lỗi duy nhất”. Khi đó, phạm vi yêu cầu cho hệ thống kiểm tra sẽ hẹp hơn và rẻ hơn nhiều so với dự tính ban đầu.

Chiến lược 2: Tạo ra — cố ý làm lỗi và tăng cường dữ liệu

• Cố ý làm hỏng vật thật: dùng đồ gá ép tạo vết móp, cố tình bỏ thiếu chi tiết, đặt dị vật vào. Hiệu quả với các loại lỗi có độ lặp lại cao.
• Tăng cường dữ liệu bằng xử lý ảnh: xoay, lật, thay đổi độ sáng và tương phản, thêm nhiễu. Giúp hạn chế quá khớp.
• Sinh ảnh tổng hợp: ghép vùng lỗi vào ảnh hàng đạt, hoặc dùng mô hình sinh để tạo ảnh lỗi.

Tuy nhiên, cách tạo ra có giới hạn. Vết móp tạo nhân tạo và vết móp phát sinh trong quy trình thật đôi khi hiện lên khác nhau ở những chi tiết rất nhỏ. Mô hình chỉ học từ dữ liệu tạo ra rồi không chạy đúng như kỳ vọng trên dây chuyền thật là một kiểu thất bại rất phổ biến. Nên coi dữ liệu tạo ra chỉ là phần bổ trợ, và chấp nhận rằng việc thu thập một lượng mẫu lỗi thật nhất định là không thể tránh. Về mặt hợp đồng, cũng không nên đặt giả định “có thể thay thế hoàn toàn bằng dữ liệu tạo ra”.

Chiến lược 3: Né bằng thiết kế — chuyển sang học hàng đạt và phát hiện bất thường

Nếu không gom được mẫu lỗi, có thể chỉ học hàng đạt rồi phát hiện những gì “không giống hàng đạt”. Cách này gọi là mô hình phát hiện bất thường, hay mô hình học từ hàng đạt.

Ưu điểm là gần như không cần mẫu lỗi, mà hàng đạt thì lúc nào cũng sẵn, nên khởi động nhanh. Nhược điểm là không phân loại được lỗi thuộc loại nào, và tỷ lệ phát hiện thừa (báo lỗi giả trên hàng đạt) thường cao. Ở những công đoạn mà hàng đạt vốn đã dao động lớn, hệ thống sẽ nhặt cả những dao động bình thường như là bất thường.

Vì vậy, cách dùng thực tế thường là: khởi động bằng mô hình phát hiện bất thường, đẩy các trường hợp “khả nghi” cho người xem lại. Trong quá trình vận hành, mẫu lỗi dần được tích lũy, và với những loại lỗi đã xác định được tên gọi thì chuyển dần sang mô hình phân loại. Kết cấu hai tầng này cân bằng được giữa tốc độ khởi động và độ chính xác cuối cùng.

Chọn chiến lược nào

Điểm chung cho mọi chiến lược: dữ liệu dùng để kiểm chứng bắt buộc phải là mẫu lỗi thật. Dùng dữ liệu tạo ra để huấn luyện thì được, nhưng nghiệm thu bằng dữ liệu tạo ra thì không có ý nghĩa gì.

Ngôn ngữ hóa tiêu chuẩn phán định: từ cảm quan sang tài liệu dùng được

Đây là phần mà các bài viết kỹ thuật ít đề cập nhất, đồng thời là chỗ dự án hay tắc nhất tại nhà máy ở Việt Nam.

Vấn đề mẫu giới hạn “chỉ có ở công ty mẹ”

Nhiều doanh nghiệp sản xuất Nhật Bản có mẫu giới hạn — mẫu vật thật thể hiện ranh giới giữa đạt và không đạt — đã thống nhất với khách hàng. Nhưng tại nhà máy ở Việt Nam, không hiếm trường hợp mẫu giới hạn chỉ nằm ở trụ sở tại Nhật, hoặc bản đặt tại nhà máy chỉ là bản sao có sai khác nhỏ, hoặc đã biến màu theo thời gian.

Triển khai kiểm tra ngoại quan bằng AI, về bản chất, là định nghĩa lại mẫu giới hạn đó bằng số liệu và hình ảnh. Nói ngược lại, nếu tự động hóa khi mẫu giới hạn còn mơ hồ, kết cục có thể tệ hơn trước: không ai giải thích được phán định của AI có khớp với tiêu chuẩn của khách hàng hay không.

Bốn bước chuyển tiêu chuẩn cảm quan thành tiêu chuẩn dùng được

1. Làm hiện rõ tình trạng phán định hiện tại. Cho nhiều nhân viên kiểm tra phán định độc lập trên cùng 20–30 mẫu. Tách ra nhóm mọi người nhất trí và nhóm ý kiến chia rẽ. Nếu tỷ lệ chia rẽ cao, kết luận là tiêu chuẩn thực chất chưa tồn tại.
2. Với các mẫu gây chia rẽ, diễn đạt bằng lời lý do vì sao chia rẽ. Là do chiều dài vết xước, độ sâu vết xước, hay do vị trí (mặt ngoại quan hay mặt không nhìn thấy)? Chính ở bước này bạn mới tìm ra các trục có thể lượng hóa.
3. Lượng hóa và soạn tài liệu tiêu chuẩn: dài từ bao nhiêu mm, diện tích từ bao nhiêu mm², định nghĩa mặt ngoại quan theo bản vẽ, quy tắc cộng dồn khi có nhiều lỗi cùng lúc. Bắt buộc có ảnh. Tài liệu tiêu chuẩn chỉ có chữ sẽ không được dùng đến trong thực tế.
4. Thống nhất với khách hàng. Bỏ qua bước này rồi tự động hóa thì kiểu gì cũng nhận được câu “tiêu chuẩn của chúng tôi không phải như vậy”. Đặc biệt, những thay đổi khiến phán định nghiêm hơn trước (phát hiện thừa tăng) ảnh hưởng trực tiếp đến tỷ lệ thành phẩm, nên cũng cần đồng thuận nội bộ.

Cách soạn tài liệu tiêu chuẩn đa ngôn ngữ

Tại nhà máy ở Việt Nam, tài liệu tiêu chuẩn nên có tối thiểu bản tiếng Việt và bản tiếng Nhật, thêm tiếng Anh nếu cần cho khách hàng hoặc cho kiểm toán. Điều quan trọng ở đây không phải chất lượng bản dịch, mà là cấu trúc.

• Lấy ảnh làm chính, chữ làm phụ. Đặt cạnh nhau ví dụ đạt và ví dụ không đạt, và bắt buộc có ví dụ ở vùng ranh giới.
• Tách trang theo từng trục phán định (xước, bẩn, sứt, in ấn).
• Trình bày số liệu bằng hình, dùng ảnh có thước đo trong khung hình.
• Loại bỏ các điều khoản bao trùm kiểu “và các trường hợp ngoại quan xấu rõ rệt khác”. Đó không phải tiêu chuẩn, mà là đẩy trách nhiệm phán định cho người vận hành.

Nói thêm: công việc soạn tài liệu tiêu chuẩn này có giá trị ngay cả khi bạn chưa triển khai AI. Thời gian đào tạo nhân viên kiểm tra rút ngắn lại, và biến động chất lượng do nghỉ việc giảm xuống. Nếu việc đầu tư AI bị lùi vì lý do ngân sách, riêng phần này vẫn nên tiếp tục.

Xử lý vùng xám bằng ba mức thay vì hai

Phán định trong thực tế có ba vùng: đạt rõ ràng, không đạt rõ ràng, và vùng giữa khó quyết. Khi thiết kế vận hành, nên đặt hẳn vùng giữa thành một mức riêng để chuyển cho con người. Ép về nhị phân sẽ khiến việc đặt ngưỡng biến thành vấn đề chính trị nội bộ. Với ba mức, bạn chuyển được nó thành một mục tiêu vận hành đo được: giữ tỷ lệ rơi vào vùng giữa dưới bao nhiêu phần trăm.

Đọc chỉ số độ chính xác và thiết kế vận hành cho dây chuyền kiểm tra 100%

Khi nhận được một đề xuất ghi “độ chính xác 99%”, bạn cần hỏi gì? Hiểu đúng chỗ này gần như quyết định thành bại của dự án.

“Độ chính xác 99%” gần như không nói lên điều gì

Hãy hình dung một công đoạn có tỷ lệ lỗi 1%. Một mô hình chỉ việc phán định tất cả là “đạt” sẽ đạt độ chính xác 99%, dù không phát hiện được một sản phẩm lỗi nào. Vì vậy, thứ cần xác nhận không phải tỷ lệ đúng tổng thể, mà là hai chỉ số sau:

• Tỷ lệ bỏ sót (phán định hàng lỗi thành hàng đạt): dẫn thẳng đến lỗi lọt tới khách hàng. Cần kéo về càng gần 0 càng tốt.
• Tỷ lệ phát hiện thừa (phán định hàng đạt thành hàng lỗi): ảnh hưởng đến tỷ lệ thành phẩm và số giờ công kiểm tra lại. Cần giữ thấp.

Hai chỉ số này đánh đổi lẫn nhau khi bạn dịch ngưỡng. Siết chặt để giảm bỏ sót thì phát hiện thừa tăng. Không thể đưa cả hai về 0 cùng lúc.

Cách đặt ngưỡng có thể quy về ba hướng:

• Nghiêm (nghi ngờ là loại): tỷ lệ bỏ sót thấp, phát hiện thừa cao. Phù hợp với lĩnh vực mà chi phí lọt lỗi cực lớn, ví dụ chi tiết liên quan an toàn, thiết bị y tế, thực phẩm. Đổi lại, cần nhiều người cho khâu xác nhận lần hai.
• Tiêu chuẩn: cả hai chỉ số ở mức trung bình. Điểm dừng hợp lý cho các chi tiết thông thường khi vẫn bố trí được một số nhân sự xác nhận lần hai.
• Nới (ưu tiên năng suất): bỏ sót cao hơn, phát hiện thừa thấp. Chỉ nên chọn khi hậu quả của việc lọt lỗi có giới hạn, hoặc khi công đoạn sau và khâu nghiệm thu của khách hàng vẫn còn cơ hội phát hiện.

Chọn hướng nào không phải là quyết định kỹ thuật, mà là quyết định quản trị. Do đó, cần xác định rõ ai có quyền quyết định ngưỡng trước khi hệ thống chạy chính thức. Nếu hiện trường tự ý nới, lỗi sẽ lọt ra ngoài; nếu bộ phận chất lượng siết một chiều, toàn bộ hiệu quả tiết giảm nhân sự sẽ biến mất.

Thiết kế vận hành thực tế trên dây chuyền kiểm tra 100%

Với dây chuyền có nhịp sản xuất cố định và yêu cầu kiểm tra toàn bộ sản phẩm, lời giải gần như duy nhất trong thực tế là: AI làm phán định vòng một, con người chỉ xác nhận lại những sản phẩm bị AI đánh giá NG hoặc rơi vào vùng xám.

Điểm cốt lõi của thiết kế này là công thức tính hiệu quả tiết giảm nhân sự thay đổi. Từ chỗ nhân viên xem toàn bộ, nay họ chỉ xem phần AI đã lọc ra:

Số giờ công tiết giảm được = số giờ công kiểm tra ban đầu × (1 − tỷ lệ chuyển sang xác nhận lần hai).

Nghĩa là tỷ lệ chuyển sang xác nhận lần hai càng cao thì hiệu quả tiết giảm càng bị bào mòn. Nếu tỷ lệ này là 20%, khối lượng công việc của nhân viên kiểm tra giảm được 80% chứ không phải 100%; nếu tỷ lệ này lên tới 50% thì một nửa hiệu quả kỳ vọng biến mất. Câu chuyện “vì muốn bỏ sót bằng 0 nên siết ngưỡng, kết cục không giảm được người nào” là một kiểu thất bại rất thường gặp.

Vì vậy, thứ cần chốt ở giai đoạn phân tích yêu cầu không phải là “độ chính xác bao nhiêu phần trăm”, mà là hai con số:

• Trần của tỷ lệ bỏ sót, tính ngược từ tổn thất do lỗi lọt ra ngoài đã tính ở chương trước.
• Trần của tỷ lệ chuyển sang xác nhận lần hai, tính ngược từ mục tiêu tiết giảm nhân sự.

Đáp ứng được hai con số này hay không chính là tiêu chí đạt/không đạt của giai đoạn PoC.

Nghiệm thu: đo cái gì và đo như thế nào

Cách đo cũng phải được chốt trước khi ký hợp đồng.

• Mẫu dùng để đánh giá phải là mẫu chưa từng dùng để huấn luyện. Điều này nghe hiển nhiên nhưng thường bị vi phạm.
• Mẫu đánh giá phải chứa hàng lỗi thật. Đánh giá bằng dữ liệu tạo ra là vô hiệu.
• Đo theo nhịp sản xuất thật, chạy liên tục. Chỉ đánh giá ảnh tĩnh ngoại tuyến là chưa đủ.
• Thời gian đánh giá tối thiểu vài ngày đến một tuần, để bắt được dao động giữa các lô và khác biệt về môi trường ánh sáng giữa các ca.
• Bao gồm biến động môi trường: ban ngày và ban đêm, mùa mưa và mùa khô, mức độ hiệu quả của điều hòa.

Mục cuối cùng đặc biệt quan trọng với nhà máy tại Việt Nam và hầu như không được nhắc đến trong tài liệu kỹ thuật viết cho các nước ôn đới. Nhà xưởng có cửa sổ hoặc có cửa cuốn mở ra vào sẽ có điều kiện ánh sáng ngoài trời thay đổi theo giờ trong ngày. Độ ẩm cao trong mùa mưa ở miền Bắc, hoặc chênh lệch giữa mùa mưa và mùa khô ở miền Nam, có thể ảnh hưởng đến hiện tượng đọng sương trên ống kính và trạng thái bề mặt sản phẩm. Một PoC chỉ thực hiện vào ban ngày mùa khô rồi kết luận đạt, sau đó rớt độ chính xác trong ca đêm mùa mưa, là tình huống hoàn toàn có thể tránh được bằng cách thiết kế thời gian đánh giá cho hợp lý.

Từ PoC đến vận hành chính thức: lộ trình, hợp đồng và thời điểm đầu tư

Bốn giai đoạn và điều kiện kết thúc từng giai đoạn

Giai đoạn 0 — Xác định bài toán (1–2 tháng): chọn công đoạn mục tiêu, tính tổn thất do lỗi lọt ra ngoài, đo mức dao động phán định hiện tại, chuẩn hóa tài liệu tiêu chuẩn. Điều kiện kết thúc: đã văn bản hóa danh sách loại lỗi mục tiêu, trần tỷ lệ bỏ sót và trần tỷ lệ xác nhận lần hai.

Giai đoạn 1 — Kiểm chứng khả năng chụp ảnh (1–3 tháng): mang mẫu thật đi chụp hoặc chụp ngay tại nhà máy, xác nhận lỗi có thực sự hiện lên trong ảnh hay không. Nếu không hiện lên, đây là vấn đề quang học chứ chưa phải vấn đề AI. Điều kiện kết thúc: đã có ảnh mà mắt người nhìn vào cũng xác nhận được lỗi mục tiêu.

Giai đoạn 2 — PoC (2–4 tháng): thu thập dữ liệu huấn luyện, dựng mô hình, đo độ chính xác. Điều kiện kết thúc là hai con số ở chương trước. Nếu không đạt, phải chọn: thu hẹp yêu cầu (giảm số loại lỗi mục tiêu), xem lại hệ quang học, hoặc dừng dự án.

Giai đoạn 3 — Xây dựng và chạy chính thức (3–6 tháng): thiết kế chế tạo cơ cấu cấp phôi và đồ gá, kết nối PLC, kết nối hệ thống cấp trên, lắp đặt, chạy thử, chuyển sang sản xuất hàng loạt. Điều kiện kết thúc: vượt qua đợt đánh giá chạy liên tục trên dây chuyền thật.

Thời lượng chỉ là tham khảo và dao động mạnh theo độ khó của sản phẩm và loại lỗi. Tuy vậy, nên dự trù khoảng một năm cho toàn bộ hành trình. Kế hoạch kiểu “duyệt ngân sách năm nay và có kết quả ngay trong năm nay” là không thực tế. Nếu dự án còn gắn với hồ sơ xin ưu đãi đầu tư hoặc kế hoạch mua sắm thiết bị theo năm tài chính, cần chia sẻ khung thời gian này với các bên liên quan từ sớm.

Những cái bẫy của PoC

• Đưa cho nhà cung cấp toàn mẫu đẹp. Vì nể hoặc vì muốn dự án suôn sẻ mà chọn lọc mẫu dễ, PoC sẽ đạt còn hệ thống thật sẽ trượt. Thứ cần đưa chính là các mẫu ở vùng ranh giới gây tranh cãi.
• Bắt đầu PoC mà chưa định nghĩa tiêu chí thành công. PoC khởi động bằng câu “cứ thử xem sao” sẽ kết thúc bằng câu “chạy cũng tạm ổn”, và không dùng được cho việc ra quyết định.
• Môi trường PoC khác môi trường thật. Ảnh chụp trong phòng thí nghiệm của nhà cung cấp và ảnh chụp trong nhà xưởng là hai thứ khác nhau. Nên thực hiện tại chỗ ở mức tối đa có thể.
• Ép giá PoC quá mức. Nếu buộc nhà cung cấp làm PoC miễn phí hoặc với mức giá quá thấp, họ không thể bỏ đủ công, và thứ bạn nhận lại là dữ liệu ra quyết định kém chất lượng.

Hợp đồng và tiêu chí nghiệm thu

Riêng mục “xử lý khi thêm chủng loại sản phẩm” rất quan trọng với nhà máy của các doanh nghiệp sản xuất Nhật Bản tại Việt Nam, vì danh mục sản phẩm thường thay đổi theo quyết định phân bổ của công ty mẹ. Nếu chi phí thêm chủng loại chưa được chốt trong hợp đồng, mỗi lần tăng sản lượng hay đổi đời sản phẩm bạn lại phải làm lại toàn bộ quy trình phê duyệt đầu tư.

Ưu đãi đầu tư và thời điểm đặt hàng thiết bị

Việt Nam có các chính sách ưu đãi đầu tư gắn với địa bàn, lĩnh vực công nghệ cao và một số tiêu chí khác. Tuy nhiên, các điều kiện áp dụng, hồ sơ, thẩm quyền phê duyệt và mức ưu đãi cụ thể thay đổi theo thời kỳ và theo từng dự án. Vì vậy, bài viết này không nêu số hiệu văn bản pháp luật, mức thuế suất ưu đãi hay yêu cầu chứng nhận cụ thể. Với từng trường hợp, đề nghị xác nhận bằng văn bản với cơ quan chủ quản hoặc chuyên gia tư vấn tại địa phương trước khi đưa giả định ưu đãi vào bài toán hoàn vốn. Đây là điểm nên làm ở Giai đoạn 0 hoặc Giai đoạn 1, không phải sau khi PoC đã xong.

Nguyên tắc thực tiễn quan trọng nhất về thời điểm: ở nhiều chương trình ưu đãi, hồ sơ phải nộp trước khi đặt hàng và nhập khẩu thiết bị. Kiểu thất bại điển hình là PoC tiến triển thuận lợi, đội dự án đặt hàng thiết bị chính thức theo đà, rồi mới quay lại xem xét ưu đãi và không kịp. Hãy xác nhận trước điều kiện và thời gian xử lý hồ sơ, rồi mới lên lịch đặt hàng.

Để tham khảo, tại Thái Lan, hồ sơ xin cấp phép đầu tư trong nửa đầu năm 2026 được ghi nhận tăng 37% so với cùng kỳ, đạt 43,6 tỷ USD với 1.299 dự án; trong đó biện pháp “Smart and Sustainable Industry” của BOI chiếm 132 dự án và 507,6 triệu USD, lĩnh vực máy móc – tự động hóa – robot đạt 387,4 triệu USD với 82 dự án, còn điện – điện tử đạt 3,56 tỷ USD với 179 dự án (Thailand Business News / Asia News Network, tháng 7/2026). Xin nhấn mạnh: đây là số liệu và chính sách của Thái Lan, không áp dụng cho Việt Nam. Cũng cần lưu ý rằng theo biện pháp nói trên của Thái Lan, mức miễn thuế thu nhập doanh nghiệp cơ bản là 50% giá trị đầu tư, và chỉ đạt 100% khi doanh nghiệp đưa tự động hóa hoặc robot vào dây chuyền sản xuất và mua từ 30% trở lên giá trị máy móc thay mới từ ngành công nghiệp tự động hóa trong nước Thái Lan — nhắc lại, đây là chính sách của Thái Lan, không áp dụng cho Việt Nam. Chúng tôi nêu ví dụ này chỉ để minh họa một điều: các chương trình ưu đãi thường kèm điều kiện về tỷ lệ nội địa hóa hoặc cấu hình thiết bị, nên việc đọc kỹ điều kiện trước khi chốt cấu hình là có giá trị thực tế ở bất kỳ quốc gia nào.

Thiết kế tổ chức vận hành: ai sẽ tái huấn luyện mô hình

Đây là phần ít được nói tới nhất, nhưng lại là nơi tập trung nhiều thất bại nhất. Hệ thống chạy tốt trong nửa năm đầu, rồi lô vật liệu thay đổi, đèn suy giảm, sản phẩm mới được đưa vào, độ chính xác tụt xuống, không ai sửa được, và cuối cùng người lại quay về kiểm tra toàn bộ bằng mắt. Đó là kết cục điển hình.

Thiết kế với giả định tại chỗ không có chuyên gia AI thị giác

Rất ít nhà máy tại Việt Nam có kỹ sư chuyên về mô hình AI thị giác làm việc thường trực. Ngay cả khi muốn tuyển, nhà máy phải cạnh tranh với các công ty công nghệ tại Hà Nội, Đà Nẵng hoặc TP. Hồ Chí Minh, và bảng lương của khối sản xuất thường khó thắng trong cuộc cạnh tranh đó.

Vì vậy, điểm xuất phát của thiết kế tổ chức phải là giả định “tại chỗ không có chuyên gia”. Từ đó, chọn một trong ba phương án sau, hoặc kết hợp:

• Chọn công cụ cho phép tái huấn luyện bằng thao tác không cần lập trình: nhân viên đảm bảo chất lượng tại nhà máy chỉ cần bổ sung ảnh và bấm nút là hoàn tất tái huấn luyện. Bạn hy sinh chiều sâu kỹ thuật, nhưng đổi lại hệ thống vận hành được liên tục.
• Ký hợp đồng bảo trì từ xa với nhà cung cấp: phía nhà máy chỉ gửi ảnh, việc cập nhật mô hình do nhà cung cấp thực hiện. Điều quan trọng là ràng buộc trong hợp đồng để không phát sinh chi phí cử người sang mỗi lần.
• Tập trung về công ty mẹ hoặc trụ sở khu vực: với doanh nghiệp có nhiều nhà máy, gom việc quản lý mô hình về một đầu mối, các nhà máy chỉ tập trung vận hành. Đây là mô hình hiệu quả nhất khi có kế hoạch nhân rộng.

Khảo sát năm 2026 của Cognex cung cấp một dữ kiện đáng chú ý cho lựa chọn này: ở nhóm có từ 3 năm kinh nghiệm trở lên với AI thị giác, tỷ lệ trả lời “dễ nhân rộng sang nhiều địa điểm” là 86,1%, so với 75,3% ở nhóm dưới 3 năm (chênh 10,9 điểm phần trăm); tỷ lệ trả lời “phát triển và triển khai nhanh” là 81,2% so với 72,1% (chênh 9,1 điểm phần trăm). Khảo sát cũng ghi nhận rằng động cơ ban đầu khi triển khai là độ chính xác (phát hiện các lỗi nhỏ và phức tạp), nhưng càng vận hành lâu thì trọng số càng dịch sang tính dễ sử dụng, tức là hiện trường có tự vận hành được hay không.

Nói cách khác, câu hỏi thật sự không phải là chọn thiết bị đầu tiên như thế nào, mà là bạn có tự khởi động được thiết bị thứ hai và thứ ba hay không. Nếu kế hoạch không dừng ở một dây chuyền tại một nhà máy, hãy đưa tiêu chí “hiện trường có thao tác được không” vào bảng chấm điểm ngay từ vòng lựa chọn đầu tiên.

Chỉ số cần giám sát và dấu hiệu bất thường

Sự suy giảm của mô hình (trôi mô hình) không xảy ra đột ngột trong một ngày mà tiến triển dần. Hãy xây sẵn cơ chế theo dõi hằng ngày hoặc hằng tuần ngay từ khi triển khai:

• Diễn biến tỷ lệ phán định NG: cao hơn hoặc thấp hơn thường lệ đều cần điều tra.
• Tỷ lệ “AI báo NG nhưng người xác nhận là hàng đạt” ở khâu xác nhận lần hai: cho thấy phát hiện thừa đang tăng.
• Khiếu nại từ khách hàng: chỉ số tệ nhất, cho thấy bỏ sót đã tăng. Phát hiện vấn đề ở mức này là điều cần tránh.
• Thống kê độ sáng và tương phản của ảnh: giúp phát hiện đèn suy giảm hoặc ống kính bám bẩn trước khi độ chính xác tụt.
• Thay đổi cơ cấu chủng loại sản phẩm: ghi lại thời điểm đưa sản phẩm mới vào hoặc đổi vật liệu.

Mục cuối cùng thực chất là câu chuyện quy tắc vận hành. Khi có thay đổi quy trình — đổi vật liệu, đổi điều kiện ép, thay khuôn, đổi phương pháp xử lý bề mặt — thông tin đó có đến được người phụ trách hệ thống kiểm tra hay không? Nếu mạch thông tin này đứt, bạn sẽ gặp những đợt tụt độ chính xác không rõ nguyên nhân. Nên đưa người phụ trách hệ thống kiểm tra vào quy trình quản lý thay đổi 4M như một bên nhận thông tin bắt buộc.

Chốt phân công trước khi chạy

Bảng trên chỉ là ví dụ, nhưng điều quan trọng là dòng “tái huấn luyện mô hình” bắt buộc phải có tên một bên chịu trách nhiệm. Những dự án bắt đầu chạy với ô đó để trống có xác suất rất cao sẽ dừng trong vòng một năm.

Về cách tư duy rộng hơn cho việc đưa AI vào công việc của nhà máy, bài Hướng dẫn triển khai AI tạo sinh để tạo ra kết quả thực tế trình bày cùng một nguyên tắc. Công nghệ của AI thị giác và AI tạo sinh cho khối văn phòng khác nhau, nhưng nguyên tắc “thiết kế sao cho hiện trường tự vận hành được” thì giống hệt.

Biến kết quả kiểm tra thành dữ liệu: kết nối MES và truy xuất nguồn gốc

Nếu chỉ giải thích hiệu quả đầu tư bằng số người kiểm tra cắt giảm được, phần lớn dự án sẽ không qua được vòng phê duyệt. Giá trị của việc kết quả kiểm tra được lưu lại dưới dạng dữ liệu cần được tính vào một cách chính đáng.

Thiết kế để không vứt bỏ kết quả kiểm tra

Với kiểm tra bằng mắt, phán định diễn ra trong đầu người kiểm tra, còn thứ được lưu lại chỉ là kết quả đạt/không đạt và may lắm là tên loại lỗi. Với kiểm tra ngoại quan bằng AI, mọi sản phẩm đều để lại ảnh và căn cứ phán định. Khác biệt này lớn hơn nhiều người nghĩ.

Nói cách khác, kiểm soát chất lượng bằng AI không dừng ở việc loại bỏ sản phẩm lỗi, mà mở ra bốn khả năng sau:

• Phân tích xu hướng phát sinh lỗi theo thời gian, theo máy, theo lô, theo ca làm việc.
• Phát hiện đúng thời điểm tỷ lệ lỗi bắt đầu tăng và phản hồi ngược lại cho công đoạn sản xuất.
• Khi có khiếu nại, truy ngược và trình ra ảnh của đúng lô hàng đó.
• Chứng minh khách quan trong các đợt đánh giá của khách hàng rằng việc kiểm tra đã thực sự được thực hiện.

Hai điểm cuối đặc biệt có giá trị với nhà máy tại Việt Nam của các doanh nghiệp sản xuất Nhật Bản. Khi khách hàng hoặc công ty mẹ yêu cầu giải trình về một vấn đề chất lượng, giữa câu trả lời “nhân viên kiểm tra đã xác nhận” và việc trình ra ảnh của toàn bộ sản phẩm trong lô đó, cuộc trao đổi sẽ diễn ra theo hai chiều hướng hoàn toàn khác nhau.

Chốt khóa liên kết dữ liệu ngay từ đầu

Để dữ liệu kiểm tra dùng được, phải quyết định ngay ở giai đoạn thiết kế: ảnh và kết quả phán định sẽ được gắn với cái gì.

• Số sê-ri sản phẩm (mạnh nhất, nếu đã quản lý được tới từng cá thể)
• Số lô, số lệnh sản xuất
• Số hiệu máy, số hiệu khuôn, số hiệu lòng khuôn
• Ngày giờ sản xuất, ca làm việc, mã nhân viên
• Số lô vật liệu

Trong số này, thứ khó bổ sung về sau nhất là định danh từng cá thể. Nếu không có quy trình gán số sê-ri cho từng sản phẩm, bạn sẽ không thể truy ngược một sản phẩm lỗi về đúng cá thể đó. Ngược lại, nếu quản lý theo lô đã vận hành ổn, bắt đầu bằng việc liên kết ở cấp lô là đủ dùng trong thực tế.

Về cách tổ chức dữ liệu cho toàn nhà máy và thiết kế việc thu thập số liệu thực tế sản xuất, bài Triển khai hệ thống quản lý sản xuất cho nhà máy là tài liệu tham khảo phù hợp. Việc bạn triển khai hệ thống kiểm tra như một thiết bị độc lập hay kết nối nó với hệ thống quản lý sản xuất sẽ quyết định khối lượng tùy chỉnh cần làm.

Nếu bạn đang cân nhắc phương tiện định danh từng cá thể hoặc quản lý hiện vật, bài Triển khai RFID trong nhà máy và cách tính chi phí trình bày các lựa chọn và cấu trúc chi phí. Giá trị của dữ liệu kiểm tra chỉ đạt mức cao nhất khi bạn xác định được nó thuộc về cá thể nào.

Trong các ngành có yêu cầu truy xuất nguồn gốc nghiêm ngặt như thực phẩm và dược phẩm, ảnh kiểm tra sẽ trở thành một phần của hồ sơ truy xuất chứ không chỉ là dữ liệu nội bộ của bộ phận chất lượng. Mức độ yêu cầu của nhóm ngành này được trình bày trong bài Xây dựng hệ thống truy xuất nguồn gốc cho nhà máy thực phẩm. Nếu nhà máy của bạn thuộc nhóm này, hãy đưa yêu cầu về thời hạn lưu trữ ảnh và khả năng truy xuất theo lô vào yêu cầu kỹ thuật ngay từ giai đoạn báo giá, vì bổ sung về sau thường tốn kém hơn nhiều.

Thiết kế cả vòng phản hồi vào công đoạn sản xuất

Lý tưởng nhất, kết quả kiểm tra phải quay ngược lại công đoạn sản xuất. Nếu lỗi tập trung ở một lòng khuôn cụ thể, hãy dừng khuôn đó. Nếu lỗi tăng vào một khung giờ nhất định, hãy xem tương quan với nhiệt độ và độ ẩm. Những cách vận hành này chỉ khả thi khi dữ liệu đã được cấu trúc hóa.

Cùng một tư duy dữ liệu này cũng đang được áp dụng ngoài phạm vi nhà máy: bài Quản lý tồn kho bằng AI trong bán lẻ cho thấy cách dữ liệu hiện trường được dùng để dự báo và ra quyết định, và logic nền tảng thì giống với việc dùng dữ liệu kiểm tra để điều chỉnh sản xuất.

Như Intralink ghi nhận, tại Việt Nam, hoạt động đầu tư vào robot, hệ thống kiểm tra và quản lý chất lượng dựa trên dữ liệu đang tiến triển, dẫn đầu là nhóm ngành điện tử và thiết bị điện; sự kết hợp giữa robot, thị giác máy tính trong nhà máy, MES và IIoT góp phần giảm thời gian dừng máy, ổn định chất lượng và tăng khả năng quan sát hiện trạng. Nhìn hệ thống kiểm tra ngoại quan không phải như một cỗ máy đơn lẻ, mà như cửa ngõ dữ liệu của nhà máy thông minh, sẽ nâng chất lượng của quyết định đầu tư.

Câu hỏi thường gặp

Chi phí hệ thống kiểm tra AI khoảng bao nhiêu?

Các nhà cung cấp tại Nhật Bản thường công bố khoảng giá tham khảo theo cấu trúc gồm phần mềm AI, camera, chiếu sáng, máy tính và phí tích hợp (NTT Communications, 2025); đây là số liệu của Nhật Bản và chỉ nên dùng để hiểu cấu trúc, không dùng làm dự toán cho Việt Nam. Cấu trúc đó cũng thường chưa gồm cơ cấu cấp phôi và đồ gá, vốn bắt buộc phải có để chạy máy thật. Với Việt Nam, hầu như không có thống kê công khai đáng tin cậy về mức giá, nên thay vì tìm một con số thị trường, hãy tách báo giá thành sáu hạng mục như bài viết đã nêu, yêu cầu nhiều nhà cung cấp báo theo cùng độ chi tiết, rồi so sánh bằng tổng chi phí của năm năm.

Có thể bỏ hoàn toàn kiểm tra bằng mắt người không?

Ở thời điểm hiện tại, chúng tôi không khuyến nghị lập kế hoạch dựa trên giả định bỏ hoàn toàn. Cấu hình thực tế là AI phán định vòng một, con người chỉ xác nhận lại các trường hợp NG và vùng xám. Ngay cả với cấu hình này, nếu tỷ lệ chuyển sang xác nhận lần hai thấp thì vẫn giảm được đáng kể nhân sự. Ngược lại, nếu tỷ lệ phát hiện thừa còn cao thì hiệu quả tiết giảm sẽ không xuất hiện, nên phải đưa cả hai chỉ tiêu — trần tỷ lệ bỏ sót và trần tỷ lệ xác nhận lần hai — vào yêu cầu kỹ thuật. Ngoài ra, việc phát hiện những khác thường mang tính cảm giác và xử lý các lỗi ngoài dự kiến vẫn sẽ là phần việc của con người trong thời gian tới.

Mẫu hàng lỗi rất ít thì có triển khai được không?

Có khả năng, nhưng phải đổi cách tiếp cận. Mô hình phát hiện bất thường (học từ hàng đạt) chỉ học sản phẩm đạt rồi phát hiện những gì không giống hàng đạt, nên gần như không cần mẫu lỗi để khởi động. Đổi lại, mô hình này không phân loại được loại lỗi và thường có tỷ lệ phát hiện thừa cao. Nghịch lý “nhà máy quản lý chất lượng càng tốt thì càng khó gom mẫu lỗi” đã được chỉ ra rộng rãi (Nsight), nên tình huống của bạn không hề cá biệt. Cách làm thực tế là khởi động bằng mô hình phát hiện bất thường, vừa vận hành vừa tích lũy mẫu lỗi, rồi chuyển dần sang mô hình phân loại với những loại lỗi đã xác định được.

Độ chính xác đạt bao nhiêu phần trăm thì coi là đạt?

Đừng phán xét bằng tỷ lệ đúng tổng thể. Với công đoạn có tỷ lệ lỗi 1%, chỉ cần phán định tất cả là hàng đạt đã có tỷ lệ đúng 99%. Hai chỉ số cần nhìn là tỷ lệ bỏ sót và tỷ lệ phát hiện thừa, và trần của mỗi chỉ số phải được tính ngược từ hoàn cảnh của chính doanh nghiệp bạn: trần tỷ lệ bỏ sót từ mức tổn thất mà doanh nghiệp chấp nhận được (chi phí xử lý mỗi vụ lọt lỗi × sản lượng giao hàng dự kiến), trần tỷ lệ phát hiện thừa từ mục tiêu tiết giảm nhân sự. Việc có ghi được hai con số này thành tiêu chí nghiệm thu trong hợp đồng hay không sẽ quyết định thành bại của dự án.

Nên chọn machine vision theo luật cứng hay AI?

Nếu điều kiện phán định viết được bằng số thì luật cứng là đủ: nhanh hơn, rẻ hơn, dễ giải thích hơn, và kỹ sư tại nhà máy có thể tự điều chỉnh ngưỡng. AI phát huy tác dụng khi sản phẩm đạt dao động lớn, lỗi mỗi lần hiện ra một kiểu và không thể viết điều kiện bằng số. Phần lớn nhà máy có cả hai loại tình huống, nên cấu hình lai là thực tế nhất: xử lý định vị và các lỗi rõ ràng bằng luật cứng, chỉ đẩy phần khó phán định sang AI. Càng thu hẹp phạm vi giao cho AI, phạm vi mà đội ngũ tại chỗ tự vận hành được càng rộng.

Từ lúc bắt đầu đến khi chạy chính thức mất bao lâu?

Với bốn giai đoạn gồm xác định bài toán, kiểm chứng khả năng chụp ảnh, PoC và xây dựng chính thức, nên dự trù khoảng một năm cho toàn bộ. Con số này dao động mạnh theo độ khó của sản phẩm và loại lỗi, nhưng kế hoạch “duyệt ngân sách kỳ này và có kết quả ngay trong kỳ này” là không thực tế. Nếu dự án có gắn với hồ sơ xin ưu đãi đầu tư, cần xác nhận điều kiện và thời gian xử lý ngay từ giai đoạn đầu, vì nhiều chương trình yêu cầu nộp hồ sơ trước khi đặt hàng thiết bị. Nội dung cụ thể xin xác nhận bằng văn bản với cơ quan chủ quản hoặc chuyên gia tư vấn tại địa phương.

Không có nhân sự biết về AI thị giác tại nhà máy thì vận hành được không?

Nên thiết kế ngay từ đầu với giả định là không có. Ba lựa chọn: chọn công cụ cho phép nhân viên đảm bảo chất lượng bổ sung ảnh và bấm nút để tái huấn luyện mà không cần lập trình; ký hợp đồng bảo trì từ xa với nhà cung cấp để phía nhà máy chỉ gửi ảnh; hoặc tập trung việc quản lý mô hình về công ty mẹ hay trụ sở khu vực. Trong mọi trường hợp, phải ghi rõ trong bảng phân công ai là người thực hiện tái huấn luyện, và chốt trong hợp đồng số lần hỗ trợ mỗi năm cùng phương thức thực hiện.

Sau khi triển khai mà có thêm sản phẩm mới thì sao?

Mỗi lần thêm chủng loại đều cần thu thập ảnh và tái huấn luyện cho chủng loại đó. Hợp đồng không lường trước điều này chính là nguồn gốc của rắc rối về sau. Hãy ghi rõ ngay khi ký: chi phí cho mỗi chủng loại thêm mới, số lượng ảnh cần thiết và thời gian xử lý. Tại nhà máy của các doanh nghiệp sản xuất Nhật Bản ở Việt Nam, danh mục sản phẩm thường thay đổi theo quyết định của công ty mẹ, nên sự có mặt của điều khoản này ảnh hưởng rất lớn đến chi phí dài hạn.

Môi trường nhà máy tại Việt Nam có ảnh hưởng đến độ chính xác không?

Có, và đây là điểm dễ bị bỏ qua. Nhà xưởng có cửa sổ hoặc cửa cuốn mở ra vào sẽ có ánh sáng ngoài trời thay đổi theo giờ, ảnh hưởng đến ảnh chụp. Độ ẩm cao và chênh lệch giữa mùa mưa với mùa khô có thể gây đọng sương trên ống kính hoặc làm thay đổi trạng thái bề mặt sản phẩm. Bụi trong xưởng bám lên kính bảo vệ camera cũng làm độ chính xác giảm dần. Vì vậy, thời gian đánh giá nghiệm thu nên trải qua nhiều ca làm việc và tốt nhất là gồm cả điều kiện thời tiết khác nhau, đồng thời đưa việc vệ sinh camera và kiểm tra đèn vào bảng kiểm đầu ca.

Kết luận: đừng đảo lộn thứ tự ra quyết định

Sai lầm phổ biến nhất khi xem xét kiểm tra ngoại quan bằng AI là bắt đầu từ việc so sánh công nghệ. Xin sắp xếp lại thứ tự mà bài viết này đề xuất:

1. Tính tổn thất cho mỗi vụ lỗi lọt ra ngoài, dựa trên số liệu thực tế của doanh nghiệp.
2. Kiểm kê tổng chi phí của việc kiểm tra bằng mắt, bao gồm cả những khoản ngoài lương trực tiếp.
3. Thu hẹp danh sách loại lỗi mục tiêu, tách phần cần AI và phần không cần AI.
4. Ngôn ngữ hóa tiêu chuẩn phán định, soạn tài liệu tiêu chuẩn đa ngôn ngữ có ảnh minh họa.
5. Quyết định bằng con số trần tỷ lệ bỏ sót và trần tỷ lệ xác nhận lần hai.
6. Lấy báo giá tách theo sáu hạng mục từ nhiều nhà cung cấp và so sánh bằng tổng chi phí năm năm.
7. Chọn chiến lược bảo đảm mẫu lỗi: tích lũy, tạo ra, hay né bằng thiết kế.
8. Đưa người chịu trách nhiệm tái huấn luyện và cơ chế giám sát độ chính xác vào hợp đồng.
9. Xác nhận điều kiện và thời hạn của các chương trình ưu đãi đầu tư trước khi đặt hàng thiết bị, bằng văn bản với cơ quan chủ quản hoặc chuyên gia tư vấn tại địa phương.
10. Chốt khóa liên kết dữ liệu kiểm tra và thiết kế kết nối với hệ thống quản lý sản xuất, truy xuất nguồn gốc.

Trong danh sách này, mục 4 về ngôn ngữ hóa tiêu chuẩn và mục 8 về tổ chức vận hành là hai mục ít được nhấn mạnh trong tài liệu kỹ thuật thông thường, nhưng lại quyết định thành bại tại nhà máy ở Việt Nam. Và cả hai mục này, ngay cả khi việc đầu tư AI bị hoãn lại, vẫn tự thân mang lại cải thiện cho hệ thống đảm bảo chất lượng. Bắt đầu từ đây không phải là cách trì hoãn quyết định đầu tư, mà là cách tiến hành hợp lý.

Thị trường kiểm tra ngoại quan bằng AI toàn cầu được dự báo tăng trưởng bình quân 23,3% mỗi năm và đạt 85,24 tỷ USD vào năm 2030, với châu Á – Thái Bình Dương là khu vực tăng nhanh nhất (The Business Research Company, tháng 7/2026). Nhưng việc thị trường đang lớn lên không phải là lý do để doanh nghiệp bạn triển khai. Căn cứ nằm trong chính con số tổn thất và cấu trúc chi phí của nhà máy bạn.

Nếu bạn đang ở giai đoạn cân nhắc và muốn bắt đầu từ những câu hỏi như “nên làm gì trước”, “công đoạn này có thuộc diện áp dụng được không”, chúng tôi sẵn sàng trao đổi từ mức độ sắp xếp vấn đề, không cần phải có yêu cầu báo giá. Với kinh nghiệm hỗ trợ triển khai hệ thống quản lý sản xuất và IT nhà máy cho các doanh nghiệp sản xuất Nhật Bản tại Thái Lan và khu vực ASEAN, chúng tôi có thể cùng bạn rà soát các điểm cần quyết định dựa trên thực tế hiện trường. Mọi trao đổi xin gửi qua mẫu liên hệ.