Triển khai giám sát độ trôi mô hình trong AI kiểm tra ngoại quan không có nghĩa là huấn luyện lại mỗi khi tỷ lệ loại bỏ thay đổi. Sau khi thay camera, chỉnh đèn, đổi lớp hoàn thiện bề mặt hoặc chuyển công thức sản phẩm, nhà máy phải xác định yếu tố nào đã thay đổi và quyết định xuất hàng còn đáng tin hay không. Bài viết dành cho bộ phận chất lượng, kỹ thuật sản xuất và IT/OT tại nhà máy ở Thái Lan, đi từ việc phân biệt thay đổi đầu vào với tỷ lệ lỗi thực, nhãn đúng đến muộn và lấy mẫu phân tầng đến chạy thử song song, nghiệm thu và khôi phục phiên bản cũ.
Xác định điều hệ thống giám sát độ trôi phải bảo vệ
“Độ trôi mô hình” thường được dùng cho nhiều hiện tượng khác nhau. Cần phân biệt sự thay đổi phân phối hình ảnh đầu vào, sự thay đổi quan hệ giữa hình ảnh và nhãn chất lượng, và suy giảm hiệu năng đo theo cùng một tiêu chuẩn. Nếu công đoạn trước tạo ra nhiều vết xước hơn, mô hình hoạt động đúng sẽ báo NG nhiều hơn. Nếu đèn yếu đi, sản phẩm tốt có thể trông như bị xước và tỷ lệ NG cũng tăng. Một đường biểu đồ có thể phản ánh hai tình huống trái ngược; không thể dùng riêng nó làm lệnh huấn luyện lại.
Đối tượng theo dõi là toàn bộ chuỗi quyết định: chụp ảnh thành công, trạng thái camera và ánh sáng, khớp mã sản phẩm với công thức, phân phối ảnh, điểm AI, đường loại vật lý, phán định cuối của người và kết quả từ công đoạn sau hoặc khách hàng. Liên kết bằng ID từng sản phẩm hoặc lô. Nếu không có ID từng chiếc, cần ghi rõ cách ghép thời gian, vị trí băng chuyền và số thứ tự cùng cách phát hiện ghép sai. Không có truy xuất này, nhà máy không thể chứng minh phiên bản nào đã kiểm tra lô bị ảnh hưởng.
Hướng dẫn triển khai AI kiểm tra ngoại quan bàn về thiết kế ban đầu, PoC và mua sắm. Bài về loại nhầm sản phẩm tốt đi sâu vào chỉ tiêu bỏ sót và loại nhầm. Bài này tập trung vào chẩn đoán và kiểm soát cập nhật sau khi điều kiện sản xuất thay đổi.
NIST AI RMF Playbook khuyến nghị đánh giá lại chỉ số và biện pháp kiểm soát khi điều kiện vận hành, dữ liệu và mô hình thay đổi, đồng thời lưu đánh giá trước và sau triển khai. Tài liệu không đưa ra ngưỡng cảnh báo chung cho mọi dây chuyền. Nhà máy phải chọn tần suất, giới hạn và người có quyền xuất hàng dựa vào mức độ nghiêm trọng của lỗi, yêu cầu khách hàng, biến động công đoạn và năng lực kiểm tra lại.
Tách thay đổi hình ảnh khỏi số lỗi thực sự tăng
Đầu tiên là phía chụp ảnh. Thay camera hoặc ống kính, lệch góc nhỏ, thay tiêu cự, độ phơi sáng, gain, vị trí hoặc công suất đèn, LED lão hóa, kính bảo vệ bẩn, đồ gá mòn, thời điểm trigger và tốc độ băng chuyền đều làm pixel thay đổi dù chất lượng sản phẩm không đổi. Công thức đèn được lưu chỉ chứng minh giá trị điều khiển, không chứng minh ánh sáng thực tế. Vì vậy phải lưu riêng cài đặt và kết quả kiểm tra tình trạng.
Tiếp đến là sản phẩm và quy trình. Nhà cung cấp hoặc lô vật liệu, mạ, đánh bóng, màng dầu, độ nhám, màu, sơn, thay dao, bảo trì khuôn và sửa bản vẽ có thể làm sản phẩm tốt trông khác trước. Điều này có thể tăng loại nhầm, đồng thời làm khuyết tật thực xuất hiện khác đi. Nếu công đoạn thực sự sinh nhiều khuyết tật hơn, NG tăng là cảnh báo hữu ích. Huấn luyện để cảnh báo biến mất sẽ che giấu vấn đề chất lượng.
Cuối cùng là lỗi ghép dữ liệu và điều khiển. Sản phẩm A có thể bị gọi công thức của B; tín hiệu loại từ PLC có thể gắn nhầm sang ảnh chiếc kế tiếp; ca đêm có thể chỉnh tay nhưng không ghi lại; đồng hồ thiết bị có thể lệch. Các lỗi này trông như độ trôi thống kê nhưng thêm ảnh huấn luyện không giải quyết được. Trước khi phân tích điểm mô hình, hãy xác nhận ID sản phẩm, công thức, thiết bị, ảnh và vị trí đi ra của sản phẩm.
Lập sổ sự kiện thay đổi với thời gian, trạm, mã sản phẩm, lô, người thực hiện, cài đặt camera và đèn trước sau, phiên bản bản vẽ hoặc bề mặt, phiên bản mô hình, ảnh gốc mẫu và cấu hình có thể khôi phục. Ghi cả lần lau chùi ngoài kế hoạch và tăng độ sáng tạm thời. Bộ phận sản xuất, kỹ thuật, chất lượng và IT phải nhìn cùng một sổ. Nếu không, nhiều thay đổi trong vài tuần dễ bị gộp thành một nguyên nhân mơ hồ là “mô hình xuống cấp”.
Nên giám sát những tín hiệu data drift nào của ảnh?
Tín hiệu chất lượng ảnh có thể gồm phân bố độ sáng, độ nét, vị trí chi tiết trong khung, vùng bão hòa, tỷ lệ ảnh mất và thời gian ra quyết định. Phân bố điểm tại vùng nghi lỗi hoặc khoảng cách giữa các đặc trưng ảnh do mô hình trích xuất cũng hữu ích. Nhưng chúng chỉ là chỉ báo thay thế. Độ sáng trung bình toàn ảnh có thể giữ nguyên trong khi vùng cần kiểm tra bị phản xạ. Ngược lại, nền ảnh thay đổi làm khoảng cách đặc trưng tăng nhưng lỗi vẫn nhìn rõ. Một tín hiệu đơn lẻ không chứng minh hàng lỗi bị lọt tăng.
Phân phối chuẩn nên lấy từ sản xuất thực trong điều kiện chụp đã phê duyệt, không chỉ từ bộ ảnh huấn luyện đẹp. Chia theo sản phẩm, trạm, camera, công thức đèn, ca, bề mặt và lô vật liệu khi những yếu tố đó có ảnh hưởng. Cơ cấu sản phẩm đổi có thể làm chỉ số tổng thay đổi dù từng nhóm bình thường. Ngược lại, sản phẩm quan trọng nhưng ít chiếc có thể bị lỗi trong khi trung bình toàn nhà máy vẫn êm. Luôn hiển thị cỡ mẫu và ghi “chưa đủ bằng chứng” cho nhóm nhỏ.
Lớp giám sát đầu tiên là quá trình chụp. Trigger mà không có ảnh, ảnh cháy sáng, chi tiết nằm ngoài khung, mất nét hoặc suy luận quá hạn dây chuyền là lỗi thiết bị hay điều khiển. Chụp mẫu chuẩn lúc khởi động và sau bảo trì để đối chiếu vị trí, độ sáng và khả năng nhìn thấy lỗi. Mẫu chuẩn cũng cần quy tắc cất giữ, vệ sinh và thay mới vì bản thân nó có thể xuống cấp.
Lớp tiếp theo là thay đổi đầu vào và dự đoán có thể tính khi chưa có nhãn. Khi vượt giới hạn điều tra do nhà máy đặt, hãy xem ảnh gốc và sổ thay đổi. Khái niệm giám sát của Microsoft tách chất lượng dữ liệu, data drift, prediction drift và hiệu năng mô hình thành những tín hiệu khác nhau. Không nên hiểu rằng đưa ảnh thô lên một dịch vụ đám mây là hệ thống tự nhận biết mọi độ trôi trong nhà máy. Cách trích xuất đặc trưng, phân tầng, ghép nhãn và hành động an toàn trên dây chuyền phải được thiết kế riêng.
Hướng dẫn của Google Cloud cũng bàn về giám sát ML, nhưng một số chức năng tích hợp áp dụng cho đặc trưng dữ liệu có cấu trúc chứ không phải luồng ảnh thô. Khi nhà cung cấp nói “có monitoring”, hãy hỏi chính xác biểu diễn dữ liệu nào được so, giai đoạn chuẩn lấy từ đâu, cách loại trừ đổi công thức bình thường và cảnh báo dẫn tới hành động nào. Tên tính năng không phải bằng chứng nghiệm thu.
Đo hiệu năng khi nhãn đúng đến muộn
Muốn biết hàng lỗi lọt có tăng thật hay không, cần phán định độc lập với AI. Bộ phận chất lượng có thể lấy mẫu hàng được cho qua để kiểm lại, xác minh vật phẩm bị loại, ghép kết quả công đoạn sau và điều tra hàng trả về. Mỗi nguồn có độ trễ và thiên lệch. Nếu chỉ kiểm lại NG, có thể đo loại nhầm nhưng không ước tính được lỗi trong nhóm OK. Chờ khiếu nại khách hàng thì quá chậm và không rõ xác suất được phát hiện.
Kết hợp lấy mẫu ngẫu nhiên với phân tầng theo mã hàng, ca, camera, bề mặt, lô, trước sau thay đổi và điểm gần ngưỡng. Giữ một bộ thách thức đóng băng gồm lỗi nghiêm trọng thật, nhưng bộ cố định không thể đại diện mọi điều kiện mới. Sau sự kiện thay đổi, tăng kiểm tra hiện vật. Cỡ mẫu và nhịp kiểm phải dựa vào mức nghiêm trọng, quy định khách hàng và sức mạnh bằng chứng cần cho quyết định, không lấy một con số tiện lợi từ bài viết.
Nhãn đúng nên tách ba câu hỏi: Có dấu vết nhìn thấy không? Thuộc loại khuyết tật nào? Theo tiêu chuẩn hiện hành có được xuất hàng không? Nếu khách hàng đổi mẫu giới hạn, cùng một ảnh có thể đổi trạng thái xuất hàng mà khả năng nhìn thấy của AI không đổi. Mẫu ranh giới phải được người có thẩm quyền chất lượng phân xử trên vật thật và lưu phiên bản tiêu chuẩn. Đừng tính lỗi ở mặt dưới không được chụp là mô hình bỏ sót. Lưu lịch sử sửa nhãn và lý do để kiểm toán.
Nếu ảnh chụp thứ Hai tới thứ Sáu mới có kết luận, bảng điều khiển thứ Hai phải đánh dấu hiệu năng là tạm thời. Lưu ngày chụp và ngày xác nhận nhãn, số trường hợp chờ và tuổi chờ, tách số sơ bộ với số đã xác nhận. Cảnh báo ảnh và điểm là tín hiệu sớm; tỷ lệ bỏ sót và loại nhầm được xác minh là bằng chứng đến sau. Nếu rủi ro xuất hàng cao khi còn chờ nhãn, hãy tăng cách ly hoặc kiểm tay thay vì âm thầm đổi mô hình.
Ví dụ giả định: tỷ lệ NG của một mã hàng tăng. Nếu ảnh gốc và ảnh mẫu chuẩn cùng tối đi, kiểm tra đèn, kính bảo vệ và phơi sáng trước. Nếu ảnh ổn định nhưng sản phẩm thật có nhiều vết xước hơn, điều tra dụng cụ và vật liệu đầu nguồn. Nếu ảnh và chất lượng thật ổn định nhưng quyết định thay đổi, kiểm tra phiên bản mô hình, ngưỡng, công thức và ghép dữ liệu. Đây là trình tự chẩn đoán minh họa, không phải ngưỡng phần trăm được khuyến nghị.
Biến cảnh báo thành hành động cụ thể ở hiện trường
Định nghĩa ít nhất ba mức phản ứng. Khi mất ảnh, gọi sai công thức hoặc nghi lọt lỗi nghiêm trọng, phải biết trước sẽ cách ly sản phẩm, chuyển sang kiểm tay hay dừng trạm. Với thay đổi đầu vào nhẹ đang chờ nhãn, tăng giám sát và mẫu. Với biến động trong vùng được phê duyệt, ghi nhận và tiếp tục. Chất lượng giữ quyền xuất hàng; kỹ thuật thiết bị chịu trách nhiệm khôi phục điều kiện chụp; chủ mô hình chịu trách nhiệm phân tích. Không giao mọi quyết định cho người xem dashboard.
Bảng điều khiển vận hành cần hiện phiên bản trạm và công thức, sự kiện thay đổi, ảnh lỗi, số OK/NG/REVIEW, tiến độ xác minh, bỏ sót và loại nhầm theo loại lỗi kèm tử số mẫu số, nhãn chờ, so với phiên bản trước. Nhóm ít sản lượng mà chưa có mẫu kiểm phải hiện “chưa xác minh” chứ không phải “không bỏ sót”. Chỉ định người nhận cảnh báo theo vai trò và người thay. Ở ca đêm Thái Lan, quyết định trước lô nào có thể cách ly chờ sáng và điều kiện nào buộc dừng ngay.
Đặt cập nhật mô hình dưới quy trình quản lý thay đổi
Khi có cảnh báo, trước tiên hãy phục hồi thiết bị bẩn hoặc lệch. Nếu bề mặt mới là quy cách sản phẩm đã phê duyệt, thử xem hệ quang học có thể chụp ổn định không trước khi thêm ảnh huấn luyện. Nếu khuyết tật thật tăng, cần cải thiện công đoạn trước. Huấn luyện để che lỗi thiết bị sẽ tạo một mô hình mong manh, có thể hỏng lại sau bảo trì.
Phiếu thay đổi phải nêu lý do, mã hàng và loại lỗi bị ảnh hưởng, điều kiện ảnh trước sau, kỳ dữ liệu và loại trừ, kết luận nhãn, phiên bản mã huấn luyện và dữ liệu, trọng số, tiền xử lý, ngưỡng, môi trường chạy, giao tiếp PLC, tải kiểm lại dự kiến, người phê duyệt, thời điểm áp dụng và cách quay lại. Chỉ giữ file mô hình không tái tạo được quyết định sản xuất. Hãy quản lý mô hình, tiền xử lý, ngưỡng và công thức chụp như một gói phát hành có phiên bản.
Thêm điều kiện mới khi huấn luyện không được làm mất khả năng kiểm tra điều kiện cũ. Huấn luyện chỉ trên lô mới có thể khiến bề mặt cũ bị đánh giá kém. Tách dữ liệu huấn luyện, chỉnh tham số và bộ nghiệm thu niêm phong theo ngày, lô và trạng thái thiết bị khi có thể. Khung hình liên tiếp của một sản phẩm không nên nằm cả ở tập huấn luyện lẫn tập thử, vì kết quả độc lập sẽ bị lạc quan. Nếu lỗi nghiêm trọng thật quá hiếm, ghi rõ “chưa xác minh” thay vì tuyên bố bảo đảm bằng ảnh tổng hợp hoặc chỉ ảnh hàng tốt.
Tài liệu MLOps của Microsoft đặt quản lý phiên bản dữ liệu, mã, mô hình, thử nghiệm, phê duyệt và theo dõi sản xuất vào cùng vòng đời. Hướng dẫn Custom Vision cũng đánh giá lại sau huấn luyện. Tuy nhiên thao tác dịch vụ không thay thế nghiệm thu tế bào kiểm tra ở nhà máy: còn phải kiểm camera, tín hiệu điều khiển, đường ra sản phẩm và quyết định của người.
So sánh bản ứng viên với bản hiện hành trong chế độ shadow
Cho hai phiên bản chạy trên cùng ảnh sản xuất, nhưng chỉ bản đã phê duyệt điều khiển thiết bị loại; bản ứng viên chỉ ghi kết quả. Phân nhóm các bất đồng theo mã hàng, lô, bề mặt, ca, loại lỗi, khoảng điểm và sự kiện thay đổi. Đừng chỉ báo tỷ lệ hai bản giống nhau. Kiểm vật thật ở trường hợp bản mới loại thêm hàng tốt và trường hợp nó chuyển hàng lỗi mà bản cũ phát hiện sang OK. Tách ảnh mất và quá hạn suy luận khỏi lỗi phân loại.
Hai bản đồng ý với nhau vẫn chưa đủ. Kiểm thời gian xử lý dưới nhiệt và bộ nhớ của thiết bị biên, tải đúng phiên bản khi đổi công thức, và kết quả có gắn với vật phẩm bị loại thực không. Thử tác động điều khiển bằng đầu ra mô phỏng hoặc chế độ cách ly an toàn trước khi nối ứng viên vào cổng loại. Điểm offline tốt hơn không có ích nếu lệnh loại đến trễ.
Bảng nghiệm thu cần có số trường hợp và mẫu số bỏ sót, loại nhầm theo loại lỗi, giới hạn lỗi nghiêm trọng, năng lực xử lý REVIEW, mất ảnh, thời gian suy luận và nhóm chưa thử. Bộ phận chất lượng và sản xuất phải phê duyệt giới hạn từ yêu cầu khách hàng và mẫu thực trước khi nhìn kết quả thử cuối. Nếu thay ngưỡng sau khi xem bộ cuối, phải đánh giá lại độc lập; không gọi kết quả sau chỉnh là thử nghiệm niêm phong.
Yêu cầu FAT, SAT và khôi phục trong RFP
Ở FAT, phát lại ảnh chuẩn và ảnh thách thức để thử từng loại lỗi, tiền xử lý, tổ hợp mô hình–công thức, quy trình cập nhật, quay về bản cũ, log kiểm toán, mất điện, mất liên lạc và thiếu ảnh. Nếu có thể thì dùng cả camera và đèn dự kiến. Ánh sáng ngoài, rung, tốc độ băng chuyền, bụi và dòng sản phẩm của nhà máy không thể tái tạo hết ở FAT; ghi rõ thành hạng mục SAT. Qua FAT không đồng nghĩa bảo đảm chất lượng sản xuất thật.
Ở SAT, dùng sản phẩm thật qua nhiều ca, sau vệ sinh, khi đổi công thức, biến thiên vật liệu và bề mặt được phép, tốc độ khác nhau và khôi phục sau lỗi. Theo dõi thời gian ảnh, phiên bản, ngưỡng, tín hiệu PLC và đích vật lý khi đổi bản. Tăng mẫu kiểm sau khi kích hoạt và duy trì phương pháp kiểm cũ hoặc phán định của người trong giai đoạn đầu. Ấn định thời gian và điều kiện dỡ bỏ từ trước, trao quyền cho chất lượng kéo dài khi bằng chứng yếu.
Khôi phục không chỉ là giữ file mô hình cũ. Phải khôi phục tiền xử lý, ngưỡng, công thức chụp, môi trường chạy và đầu ra PLC tương thích, rồi thử bằng mẫu chuẩn và sản phẩm thật. Quy định sản phẩm kiểm trong lúc quay lại được cách ly ra sao và lô đã giao truy xuất thế nào. Nếu bản cũ không kiểm được sản phẩm mới, có thể phải kiểm tay hoặc dừng riêng mã đó thay vì quay phiên bản đơn giản. Diễn tập khôi phục trong SAT và ghi người làm, thời gian cần thiết.
RFP nên yêu cầu ảnh gốc và metadata, giám sát phân tầng và cảnh báo, xử lý nhãn đến muộn, phiếu thay đổi có phiên bản, ranh giới shadow an toàn, nghiệm thu theo loại lỗi, biên bản FAT/SAT, khôi phục, hỗ trợ và xuất dữ liệu. Ghi thời gian lưu, quyền truy cập, xử lý ảnh khách hàng và hành vi khi mạng đứt. So tổng chi phí gồm kiểm vật thật, tái xác nhận, dừng dây chuyền, hỗ trợ ca đêm và thêm sản phẩm về sau, không chỉ phí huấn luyện lại.
Lộ trình triển khai: đo được rồi mới cập nhật
Trước tiên làm cho hệ thống đo được. Đồng bộ trạm, camera, công thức, mã sản phẩm, mô hình, ngưỡng và thời gian; ghép ảnh với kết quả AI, đường ra vật lý và phán định người. Giữ mẫu chuẩn, phân phối ảnh sản xuất được phê duyệt và bộ thách thức. Nếu dữ liệu thiếu, hiển thị tỷ lệ thiếu và tỷ lệ ghép thành công trước khi mua chỉ số độ trôi phức tạp. Ghép sai có thể tạo xu hướng độ trôi rất thuyết phục nhưng giả.
Tiếp theo, thử cảnh báo chất lượng ảnh và phân phối đầu vào theo trạm và sản phẩm. Đối chiếu cảnh báo ban đầu với ảnh gốc và sổ thay đổi, rồi điều chỉnh điều kiện điều tra theo dữ liệu nhà máy. Không có ngưỡng chung cho mọi sản phẩm. Bắt buộc hành động trước với tình trạng mất khả năng kiểm, còn biến thiên rủi ro thấp có thể bắt đầu bằng cảnh báo được người kiểm. Song song xây lấy mẫu phân tầng và báo cáo độ trễ nhãn.
Cuối cùng, dùng một sự kiện thay đổi thật để diễn tập toàn bộ cập nhật: xác định khôi phục thiết bị có đủ không, mở phiếu, chuẩn bị bộ thử niêm phong, chạy shadow, FAT/SAT, phê duyệt chất lượng, tăng giám sát sau phát hành và thử quay lại. Chỉ khi quy trình quyết định vận hành được mới cân nhắc tự động hóa việc tạo mô hình. Tự động sinh mô hình không bỏ được quyền phê duyệt xuất hàng.
Chủ sở hữu, lưu trữ và phạm vi sản phẩm ảnh hưởng
Chi phí vận hành thường bị bỏ sót là thời gian xác minh vật thật, lưu ảnh có thể truy xuất và ứng phó khi thiết bị dừng. Chất lượng sở hữu định nghĩa lỗi, mẫu giới hạn, nhãn cuối và quyền xuất hàng. Kỹ thuật sở hữu camera, đèn, đồ gá, trigger, PLC và khôi phục. IT cùng chủ mô hình phụ trách ghép dữ liệu, truy cập, phiên bản và phát hành ứng viên. Chỉ định người thay theo từng ca và giới hạn thao tác từ xa của nhà cung cấp.
Chọn lưu toàn bộ ảnh hay lấy mẫu theo lượng dữ liệu, hợp đồng khách hàng và thời gian cần điều tra ngược. Dù lưu chọn lọc, vẫn phải xác định chính sách cho ảnh trước sau thay đổi, điểm sát ngưỡng, NG, REVIEW, ảnh lỗi và hàng OK được kiểm mẫu. Phân biệt ảnh gốc và ảnh sau xử lý. Nếu dùng dịch vụ ngoài, xác định quyền, mã hóa, vị trí lưu, xóa, hạn chế khách hàng và cách hoạt động khi mất mạng. Hợp đồng nên bảo đảm xuất được ảnh, nhãn, lịch sử phán định, công thức, cài đặt phiên bản và báo cáo thử khi kết thúc dịch vụ.
Khi phát hiện độ trôi, xác lập khoảng sản phẩm có thể ảnh hưởng bằng lần cuối mẫu chuẩn và kiểm mẫu còn tốt, ảnh bất thường đầu tiên, thời điểm thay thiết bị, chuyển phiên bản và ranh giới lô. Nếu đồng hồ lệch, mở rộng phạm vi tạm thời rồi thu hẹp bằng chứng vật thật. Chất lượng phải xử lý khác nhau với hàng còn trên dây chuyền, trong kho hoặc đã giao. Chỉ số mô hình trở lại bình thường không đóng sự cố nếu số hàng nghi vấn chưa được xử lý. Dùng cùng ID trong biên bản tiếng Thái và báo cáo khách hàng bằng tiếng Anh hay Nhật để dịch thuật không làm sai phạm vi.
Rà soát định kỳ có ích cho hiện trường
Buổi rà soát hàng tháng không nên chỉ đọc số lượng cảnh báo. Chất lượng trình bày lỗi nghiêm trọng bị bỏ sót, hàng tốt bị loại, hàng REVIEW tồn, phản hồi từ công đoạn sau hoặc khách hàng theo sản phẩm, trạm và ca, kèm tử số và mẫu số. Kỹ thuật trình bày ảnh mẫu chuẩn, thay đèn, vệ sinh ống kính, chỉnh đồ gá, mất trigger và thời gian khôi phục. Chủ mô hình trình bày độ dịch chuyển ảnh và điểm, nhãn chưa phán định, so với bản trước và phạm vi bộ thử niêm phong. Đặt chúng cạnh nhau giúp nhóm lập giả thuyết trước khi quy trách nhiệm cho mô hình.
Nếu chỉ ca đêm loại nhầm tăng, hãy kiểm cơ cấu lô vật liệu và thời điểm vệ sinh hoặc ánh sáng ngoài. So cùng mã hàng, cùng bề mặt giữa hai ca; nếu chênh lệch còn, xem ảnh và điểm. Nếu phán định hàng REVIEW ca đêm bị dồn sang hôm sau, số tạm thời cũng có thể sai lệch. Mọi biện pháp cần điều kiện kết thúc: ảnh mẫu chuẩn trở lại chưa đủ, còn phải xác minh khả năng thấy lỗi ranh giới, mẫu OK và sự khớp giữa quyết định và đường loại thực. Sau cập nhật cho bề mặt mới, phải kiểm bề mặt cũ không suy giảm.
Câu hỏi thường gặp
Có thể nhận biết độ trôi mô hình AI kiểm tra ngoại quan chỉ từ tỷ lệ NG không?
Không. Lỗi thật tăng, đèn đổi, cơ cấu sản phẩm đổi hay chọn sai công thức đều làm NG thay đổi. So ảnh gốc phân tầng, ảnh mẫu chuẩn, lịch sử thay đổi và phán định vật thật độc lập. Không lấy mẫu trong nhóm OK thì dễ đánh giá thiếu hàng lỗi lọt.
Phát hiện data drift thì phải huấn luyện lại ngay?
Trước hết kiểm lỗi chụp và nội dung thay đổi quy trình. Khôi phục trạm bẩn hoặc sai cài đặt; điều tra lỗi đầu nguồn. Chỉ tạo ứng viên có kiểm soát khi ngoại quan sản phẩm tốt đã phê duyệt thay đổi lâu dài và bản hiện hành không còn đạt yêu cầu. Cảnh báo chỉ báo thay thế là lý do điều tra, không phải lệnh huấn luyện tự động.
Nhãn đúng đến muộn thì nghiệm thu cập nhật thế nào?
Theo dõi chụp và đầu vào ngay, nhưng đánh dấu hiệu năng tạm thời cho tới khi nhãn độc lập hoàn tất. Đánh giá ứng viên trên bộ niêm phong và trong shadow; so mẫu đã xác minh bằng hiện vật theo sản phẩm và lỗi. Với lỗi nghiêm trọng thiếu bằng chứng, ghi chưa xác minh và duy trì kiểm thủ công hoặc cách ly thích hợp.
Viết gì vào RFP về tiêu chí nhận huấn luyện lại?
Ghi sản phẩm, lỗi, trạm, điều kiện chụp, dữ liệu gốc và phiên bản, cảnh báo phân tầng, phán định, quyền cập nhật, thử độc lập, shadow, FAT/SAT, quay lại và hỗ trợ ca. Yêu cầu số ca bỏ sót và loại nhầm theo loại lỗi cùng mẫu số. Đặt ngưỡng từ yêu cầu khách hàng và mẫu sản phẩm thật của nhà máy.
Kết luận
Giám sát AI kiểm tra ngoại quan chỉ hữu ích khi nối được ảnh, sản phẩm, quy trình, công thức và kết luận đúng đã xác nhận. Chuỗi bằng chứng ấy phân biệt ảnh đổi với khuyết tật thật và chuyển cảnh báo thành hành động hiện trường. Phiên bản ứng viên cần thử độc lập, shadow, FAT/SAT trên hành vi vật lý và phương án khôi phục đã diễn tập. Nhờ vậy nhà máy giải thích được vì sao phiên bản kiểm tra vẫn phù hợp sau thay đổi sản xuất.
Nếu nhà máy ở Thái Lan đang gặp phán định không ổn định sau đổi camera, đèn hoặc bề mặt, hay đang soạn điều kiện nhận huấn luyện lại, hãy liên hệ TOMAS TECH. Có thể bắt đầu từ việc xác định phép đo và nhật ký thay đổi cần có, kể cả khi log hiện tại còn thiếu.
Tài liệu tham khảo
- NIST AI RMF Playbook: Measure — rà soát chỉ số và kiểm soát khi vận hành thay đổi.
- Microsoft Learn: Model monitoring in production — tín hiệu chất lượng dữ liệu, độ trôi và hiệu năng riêng biệt.
- Microsoft Learn: Machine learning operations — phiên bản, kiểm chứng, phê duyệt và vận hành.
- Microsoft Learn: Test and retrain a model — đánh giá lại sau huấn luyện.
- Google Cloud: Best practices for implementing machine learning — phân biệt theo dõi dữ liệu cấu trúc với ảnh thô.
- AWS Well-Architected: Modern Industrial Data Technology Lens — Scenarios — tình huống dữ liệu công nghiệp.
