Phân tích AI dữ liệu kiểm tra chất lượng 2026: quyết định là tỷ lệ đối chiếu được

Sau ba tháng giao dữ liệu kiểm tra cho một nhà cung cấp AI, bản báo cáo gửi về ghi rằng “tỷ lệ lỗi cao vào sáng thứ Hai”. Đó không phải điều giám đốc nhà máy muốn biết. Ông muốn biết ở lô hàng bị lõm bề mặt (sink mark) hôm ấy, áp suất giữ (holding pressure) là bao nhiêu MPa. Phân tích AI dữ liệu kiểm tra chất lượng không trả lời được câu hỏi này, và lý do không phải là mô hình yếu hay dữ liệu huấn luyện ít. Lý do là đơn vị phát sinh lỗi khác với đơn vị ghi nhận điều kiện sản xuất. Bài viết này đo độ lệch đó bằng một chỉ số gọi là tỷ lệ đối chiếu được (matchable rate), rồi lấy một nhà máy ép nhựa tại Thái Lan làm mô hình để tính bằng con số đến tận chi phí và thời gian hoàn vốn. Xin nói trước kết luận: phạm vi thu thập chi tiết nhất không phải là phạm vi hoàn vốn nhanh nhất.

Lý do thật sự khiến phân tích AI dữ liệu kiểm tra chất lượng không trúng

“Chúng tôi đã tích lũy dữ liệu chất lượng ba năm. Với chừng này thì phân tích AI được chưa?” Đây là câu hỏi chúng tôi thỉnh thoảng nhận được từ các nhà máy Nhật Bản tại Thái Lan. Câu trả lời phụ thuộc vào nội dung của khối dữ liệu đó. Và khi được xem nội dung thật, câu trả lời thường là “chưa được”. Không phải vì dữ liệu ít, mà vì thứ đang được tích lũy không có hình dạng cho phép giải thích nguyên nhân.

Chỉ cho học kết quả kiểm tra thì không ra được nguyên nhân

Ở nhiều nhà máy, cái được gọi là “dữ liệu chất lượng” thực chất là bảng tổng hợp kết quả kiểm tra. Xét theo cột thì có ngày, ca, số hiệu máy, mã sản phẩm, hạng mục lỗi, số lượng lỗi. Ở những nhà máy làm tốt, cùng lắm là thêm tên nhân viên kiểm tra và khung giờ.

Chuyện gì xảy ra khi đưa nguyên bảng này cho AI? Thuật toán sẽ tìm trong số các cột được cấp những cột nào tương quan với số lượng lỗi. Các cột dùng được chỉ có ngày, ca, số hiệu máy và mã sản phẩm. Vì vậy câu trả lời trả về cũng chỉ là tổ hợp của bốn thứ đó. “Nhiều vào sáng thứ Hai.” “Nhiều ở máy số 3.” “Nhiều ở mã sản phẩm X.” Tất cả có thể đều là sự thật, nhưng đây là tổng hợp chứ không phải phân tích. Với PivotTable trong Excel thì năm phút là ra.

Vì sao lại thành ra như vậy? Vì phân tích nguyên nhân là công việc đi tìm những biến giải thích (explanatory variable) cho kết quả. Từ một tập dữ liệu không chứa biến giải thích thì dùng mô hình nào cũng không thể có lời giải thích. Trong ép nhựa, lõm bề mặt xuất hiện là do áp suất giữ, thời gian làm nguội, nhiệt độ nhựa nóng chảy (melt temperature) và nhiệt độ khuôn, vậy mà những cột đó lại không tồn tại trong bảng. Thứ không tồn tại thì không có cách nào để học.

Đây là thất bại đang lặp lại trên toàn ngành. Gartner cho rằng 70-85% dự án AI không đạt được mục tiêu ban đầu (nguồn). Và gốc rễ của thất bại được chỉ ra không phải là năng lực của bản thân AI, mà là chất lượng thấp của dữ liệu đầu vào. Tại ngành sản xuất Nhật Bản, tỷ lệ doanh nghiệp ứng dụng công nghệ số đã tăng từ mức chưa tới 50% năm 2019 lên hơn 80% năm 2023, nhưng ở các doanh nghiệp dưới 300 nhân viên mức độ ứng dụng lại thấp, chênh lệch theo quy mô doanh nghiệp thể hiện rất rõ (nguồn). Nhà máy mô hình trong bài viết này có 320 nhân viên, tức là đúng ngay ranh giới đó.

Cũng nên nhìn sang phía những trường hợp thành công. Có trường hợp cho AI học dữ liệu kiểm tra ba năm, rút ra tri thức dạng “với tổ hợp nhiệt độ, độ ẩm và tốc độ gia công này thì tỷ lệ lỗi tăng”, phản hồi lại dây chuyền sản xuất và giảm được 30% tỷ lệ lỗi sản phẩm. Cũng trong trường hợp đó, thời gian lập báo cáo kiểm tra giảm từ 30 phút xuống 5 phút, tức giảm 83% (nguồn).

Điều đáng chú ý ở trường hợp này không phải con số 30%. Đáng chú ý là trong dữ liệu huấn luyện đã có sẵn các biến giải thích nhiệt độ, độ ẩm và tốc độ gia công, ở dạng có thể ghép với kết quả kiểm tra. Thứ tự nhân quả bị hiểu ngược. Không phải vì đưa AI vào nên nguyên nhân hiện ra, mà vì các biến có khả năng là nguyên nhân đã được xếp trên cùng một trục nên AI mới làm việc được. Xin lưu ý, con số 30% này là trường hợp của doanh nghiệp khác, khác với giả định “giảm 25%” của nhà máy mô hình mà chúng tôi sẽ tính ở phần sau. Đừng trộn lẫn hai con số này.

Ở đây, xin nói rõ ranh giới với các chủ đề lân cận. Ứng dụng AI trong ngành sản xuất có thể sắp xếp theo công đoạn thành kiểm tra chất lượng (kiểm tra ngoại quan bằng AI, phát hiện bất thường), bảo trì thiết bị (bảo trì dự đoán) và mua hàng tồn kho (dự báo nhu cầu, tối ưu tồn kho) (nguồn). Trong số đó, phần phát hiện lỗi bằng hình ảnh được bàn ở bài Hướng dẫn triển khai kiểm tra ngoại quan bằng AI. Bài viết này bàn bước tiếp theo, tức là dùng dữ liệu số để chỉ ra nguyên nhân của những lỗi đã được phát hiện. Camera cho biết “sản phẩm này bị lỗi”, nhưng không cho biết “vì sao nó thành lỗi”.

Đơn vị phát sinh lỗi và đơn vị ghi nhận điều kiện đang lệch nhau

Hãy đặt cạnh nhau hai loại biểu mẫu ở hiện trường.

Tờ thứ nhất là hồ sơ kiểm tra. “Ngày 12 tháng 8, máy số 3, lõm bề mặt, 12 sản phẩm.” Tờ thứ hai là bảng điều kiện ép. “Ngày 12 tháng 8, ca A, máy số 3, áp suất giữ 45MPa, nhiệt độ nhựa 240°C, làm nguội 18 giây.” Viết tay, mỗi ca một lần, do tổ trưởng điền.

Ghép hai tờ này lại thì nói được điều gì? “Trong ca A, với áp suất giữ 45MPa, đã xuất hiện 12 sản phẩm lõm bề mặt.” Chỉ vậy thôi. Không biết 12 sản phẩm đó rơi vào khoảnh khắc nào của ca A. Và thật ra cũng không biết áp suất giữ có thực sự duy trì ở 45MPa suốt tám tiếng hay không, bởi thứ được ghi lại chỉ là một giá trị duy nhất tại lần tổ trưởng đi kiểm tra.

Hãy xác nhận quy mô theo giả định của nhà máy mô hình. 20 máy ép, khuôn 4 lòng (cavity), thời gian chu kỳ 30 giây, 2 ca 16 giờ và 24 ngày làm việc. Mỗi máy mỗi ngày 7,680 sản phẩm, mỗi ngày 153,600 sản phẩm, mỗi tháng 3,686,400 sản phẩm, mỗi năm 44,236,800 sản phẩm. Với tỷ lệ lỗi 1.5%, số sản phẩm lỗi mỗi năm là 663,552. Nếu đặt tổn thất trên mỗi sản phẩm gồm chi phí nguyên liệu và chi phí gia công là 2.50 THB thì tổn thất lỗi hàng năm là 1,658,880.00 THB.

Mỗi một trong 663,552 sản phẩm đó nhất định đều có một khoảnh khắc mà nó được ép ra. Vì là khuôn 4 lòng nên một shot cho ra 4 sản phẩm cùng lúc. Lõm bề mặt hay sai lệch kích thước đều xảy ra ngay tại shot đó. Nói cách khác, đơn vị phát sinh lỗi là shot. Trong khi đó, đơn vị ghi nhận điều kiện lại là ca. Một bên là 30 giây, bên kia là 8 tiếng. Bảo ghép hai thứ này lại thì cũng gần như bảo chồng một chiếc đồng hồ chỉ có kim giây lên một tờ lịch rồi đọc giờ.

Và đây không phải vấn đề “thiếu dữ liệu”. Đây là vấn đề khác đơn vị. Cùng một nhà máy, tích lũy ba năm hay mười năm, nếu đơn vị khác nhau thì vẫn không nối được với nhau. Nỗ lực theo hướng tăng khối lượng dữ liệu ở đây sẽ không được đền đáp.

Tỷ lệ đối chiếu được: chỉ số cần đo trước cả độ chính xác

Vậy bắt tay từ đâu? Không phải từ độ chính xác (precision) hay độ bao phủ (recall), mà từ tỷ lệ đối chiếu được (matchable rate).

Định nghĩa và cách đếm tỷ lệ đối chiếu được

Tỷ lệ đối chiếu được là tỷ lệ các trường hợp lỗi mà ta nối được một cách duy nhất với thông tin về những gì đang diễn ra vào đúng lúc đó. Mẫu số là số vụ lỗi, tử số là số vụ trong đó lỗi được gắn duy nhất với dữ liệu điều kiện.

Cách đếm rất đơn giản và không cần hệ thống nào cả. Lấy 50 vụ lỗi gần nhất từ sổ ghi chép. Rồi với từng vụ, điền bốn mục sau bằng ký hiệu O hoặc X. Thứ nhất, có biết thời điểm phát sinh đến từng phút, tốt hơn nữa là từng giây, hay không. Thứ hai, có xác định được điều kiện ép tại thời điểm đó hay không. Thứ ba, có biết là máy nào, khuôn nào, shot nào hay không. Thứ tư, có biết lô nguyên liệu (material lot) và mẻ sấy (drying batch) đang được nạp hay không.

Điều quan trọng nhất ở đây là chữ “duy nhất”. Những ô được điền bằng suy đoán phải đánh X. “Hôm đó chạy mã sản phẩm này thì chắc là máy số 3” là X. “Điều kiện trung bình của ca A thì cỡ chừng này” cũng là X. Ô nào con người điền bằng trí nhớ và cảm tính thì không thể giao cho máy. Nếu giao, nó sẽ trở thành dữ liệu huấn luyện mang nhãn sai.

Vì sao phải đo chỉ số này trước cả độ chính xác? Có hai lý do. Thứ nhất, những lỗi chưa đối chiếu được thì không lọt vào dữ liệu huấn luyện. Nếu tỷ lệ đối chiếu được là 12% thì trong 663,552 sản phẩm lỗi, phần dùng được cho phân tích nguyên nhân chỉ là một phần rất nhỏ. Mô hình có xuất sắc đến đâu cũng không thể nói gì về phần nó không nhìn thấy.

Lý do thứ hai còn nghiêm trọng hơn. Dữ liệu bị gán ghép cưỡng ép trong khi thật ra chưa đối chiếu được sẽ sai theo kiểu không thể biết là mình đang sai. Mô hình có trả về con số độ chính xác cao thì đó vẫn có thể là “độ chính xác được tính trên nền những gán ghép lệch”. Bởi độ chính xác là chỉ số lấy tiền đề rằng việc đối chiếu là đúng. Làm vậy nghĩa là bàn về chất lượng mái nhà mà chưa đo nền móng.

Mô hình 4 giai đoạn (hiện trạng, A, B, C)

Hãy mô hình hóa xem tỷ lệ đối chiếu được thay đổi ra sao theo từng giai đoạn đầu tư. Các con số dưới đây là giả định của bài viết này, không phải giá trị đo thực tế tại một nhà máy cụ thể. Tuy vậy, hình dạng đi lên qua từng giai đoạn thì phổ biến ở nhiều nhà máy ép nhựa.

Con số 12% ở hiện trạng là những ca mà dù điều kiện có thô, ta vẫn tình cờ truy ngược được. Chẳng hạn thời điểm đổi lô nguyên liệu tình cờ có ghi trong báo cáo ngày, hoặc lỗi bung ra hàng loạt ngay sau khi thay khuôn. Nói ngược lại, đại đa số phần còn lại là “được tính vào số lỗi mà không biết lúc đó đã xảy ra chuyện gì”.

Điều đáng chú ý là giai đoạn A. Dù đã điện tử hóa hồ sơ kiểm tra và ghi được thời điểm cho từng sản phẩm, con số cũng chỉ lên 28%. Vì mẫu số vẫn là toàn bộ số vụ lỗi, còn phía điều kiện vẫn là bảng viết tay mỗi ca một lần. Chỉ chỉnh trang phía kiểm tra thôi thì đối tượng để ghép vẫn thô, nên vẫn không đối chiếu được. Đây chính là lý do mang tính cấu trúc khiến những dự án kiểu “chỉ giao dữ liệu kiểm tra cho nhà cung cấp” bị đứng lại.

Đến B thì bật lên 76%. Vì điều kiện được thu thập tự động từ máy ép theo chu kỳ 1 phút và được đặt lên cùng một trục thời gian với hồ sơ kiểm tra. Đến lúc này mới có thể truy được các lỗi bắt nguồn từ lô nguyên liệu, từ khâu sấy và từ khâu vận chuyển. Đến C thì đạt 96%. Có thêm thu thập theo tín hiệu kích hoạt ở cấp shot và có số hiệu lòng khuôn, nên nhìn được cả biến động trong từng shot lẫn chênh lệch giữa các lòng khuôn.

Chu kỳ thu thập quá thô thì nguyên nhân ở cấp shot sẽ vĩnh viễn không hiện ra

Khi đề xuất với một nhà máy đang dừng ở giai đoạn A rằng “vậy ta thu thập điều kiện một cách tự động đi”, điều chắc chắn xảy ra tiếp theo là cuộc tranh luận về chu kỳ thu thập (sampling interval). Nếu ở đây quyết định dễ dãi rằng “chu kỳ 1 phút là được rồi” thì sẽ sinh ra những khoảng trống về sau không lấy lại được.

Với thời gian chu kỳ 30 giây, chu kỳ thu thập 1 phút làm mất những gì

Thời gian chu kỳ của nhà máy mô hình là 30 giây. Mỗi máy cho ra 120 shot trong một giờ. Áp chu kỳ thu thập 1 phút lên đó thì cứ 2 shot mới lấy được giá trị 1 lần. Với một nửa số shot, việc lúc ấy nhiệt độ là bao nhiêu, áp suất là bao nhiêu MPa sẽ vĩnh viễn không tồn tại.

Đây không phải chuyện “độ chính xác giảm còn một nửa”. Đây là chuyện về nguyên lý thì không thể truy vết ở cấp shot. Lõm bề mặt hay thiếu nhựa (short shot) không nhất thiết xuất hiện liên tục. Do nguyên liệu bị kẹt hoặc do định lượng dao động, có khi chỉ đúng một shot đơn lẻ bị lệch điều kiện. Với một chu kỳ thu thập không ghi lại được đúng shot bị lệch đó thì bản thân sự kiện lệch cũng không tồn tại. Về sau có cải tiến mô hình đi nữa, thứ không có dữ liệu thì không khôi phục lại được.

Còn một cái bẫy nữa của thu thập theo chu kỳ mà người ta hay bỏ sót. Đó là khi bộ thu thập được cấu hình để ghi “giá trị trung bình của 1 phút đó”. Đã lấy trung bình thì các giá trị lệch đơn lẻ chắc chắn bị san phẳng. Đỉnh nhiệt độ nhựa hay cú tụt của áp suất giữ đều bị chôn vào giá trị trung bình và biến mất. Lấy trung bình là phép tính để xóa bất thường, nên việc lưu dữ liệu dùng cho phát hiện bất thường và phân tích nguyên nhân lỗi dưới dạng giá trị trung bình là làm ngược giữa mục đích và phương tiện.

Nếu muốn truy theo từng shot thì không dùng thu thập theo chu kỳ mà dùng thu thập theo tín hiệu kích hoạt (trigger-based collection). Đây là cách nhận tín hiệu hoàn tất shot rồi ghi một bản ghi. Một shot một dòng nên không bị bỏ sót. Cách này cần lấy được tín hiệu từ phía thiết bị và cần cấu hình phía PLC, nên về cách lấy cụ thể xin tham khảo bài Thực tế thu thập dữ liệu PLC.

Tuy nhiên, không cần đưa toàn bộ máy và toàn bộ hạng mục sang thu thập theo tín hiệu kích hoạt. Như sẽ thấy ở chương sau, những dạng lỗi (defect mode) đòi hỏi cấp shot là có giới hạn. Đây chính là luận điểm của nửa sau bài viết.

Trước khi tăng tần suất thu thập, hãy chỉnh đồng hồ

Có một vấn đề cần giải quyết trước cả cuộc tranh luận về chu kỳ thu thập. Đó là đồng hồ.

Trong nhà máy có khá nhiều thiết bị mang thời gian riêng. Máy nhập liệu ở công đoạn kiểm tra, bộ điều khiển máy ép, bộ thu thập dữ liệu, máy chủ MES, máy tính ở văn phòng. Những chiếc đồng hồ này, nếu cứ để mặc, chắc chắn sẽ lệch. Đồng hồ tích hợp của thiết bị không được cấu hình đồng bộ thời gian (time synchronization) sẽ tích lũy dần độ trôi.

Ở một dây chuyền có thời gian chu kỳ 30 giây, nếu đồng hồ của máy kiểm tra và đồng hồ của máy ép lệch nhau 2 phút thì sao? Với sản phẩm được ghi là “phát hiện lỗi lúc 10 giờ 15 phút” ở khâu kiểm tra, điều kiện ép được gắn vào lại là giá trị của 2 phút trước đó. Thời gian chu kỳ là 30 giây, nên trong 2 phút ấy đã có rất nhiều shot chạy qua. Ta sẽ đang cho máy học điều kiện của một shot hoàn toàn khác như là nguyên nhân của lỗi đó.

Điều rắc rối là sai sót này không hiện ra dưới dạng lỗi hệ thống. Dữ liệu vẫn đủ, số dòng vẫn khớp, mô hình vẫn chạy. Con số độ chính xác vẫn ra. Chỉ có điều nội dung bên trong lệch toàn bộ. Và khi kết quả phân tích không khớp với cảm nhận của hiện trường, thứ bị nghi ngờ thường không phải chiếc đồng hồ mà là mô hình. Đây là con đường rẻ nhất để đi tới kết luận “AI không đáng tin”.

Vậy cần khớp tới mức nào? Bài viết này đặt mốc tham chiếu là 1/10 thời gian chu kỳ, tức trong vòng 3 giây. Đây là giá trị bài viết này áp dụng như một mốc tham chiếu thực tiễn, không phải giá trị được quy định trong bất kỳ tiêu chuẩn nào. Nếu cần cơ sở cho con số 3 giây thì cách nghĩ là nó phải đủ nhỏ so với thời lượng của một shot. Ý tưởng ở đây là chỉ cần độ lệch nằm trong phạm vi không làm nhầm shot là được.

Về triển khai, cách cơ bản là dựng một máy chủ NTP trong nhà máy rồi đồng bộ các máy nhập liệu, bộ thu thập và máy chủ về đó. Cũng có trường hợp bộ điều khiển máy ép quá cũ và không hỗ trợ NTP. Khi đó, cách thực tiễn là thiết kế sao cho dấu thời gian được đóng ở phía bộ thu thập, và quyết định dứt khoát là không dùng đồng hồ của bộ điều khiển cho việc đối chiếu. Ấn định một nguồn thời gian có thẩm quyền duy nhất vẫn an toàn hơn là cố dùng thiết bị không đồng bộ được. Đồng thời, nếu giữ lại nhật ký ghi độ lệch theo ngày thì về sau có thể phán đoán rằng “dữ liệu của giai đoạn này không tin được”. Về cách lấy thời điểm ở phía kiểm tra, bài Thiết kế hệ thống thu thập dữ liệu kiểm tra tự động cũng là tài liệu tham khảo hữu ích.

Mỗi dạng lỗi đòi hỏi một độ mịn khác nhau: nên chi tiết tới đâu

Đọc tới đây, có thể bạn sẽ nghĩ “vậy cứ lấy tất cả theo cấp shot và cấp lòng khuôn là xong chứ gì”. Về kỹ thuật thì đúng như vậy. Nhưng xét như một khoản đầu tư thì chưa chắc. Lý do là tùy dạng lỗi mà đơn vị phát sinh nguyên nhân lại khác nhau.

Những lỗi chỉ cần tới cấp lô nguyên liệu

Ba dòng trên cùng của bảng là những dạng lỗi có đơn vị phát sinh nguyên nhân thô hơn shot.

Hãy xét đốm đen và tạp chất. Khi nguyên nhân nằm ở phía nguyên liệu thì nguyên nhân là việc tạp chất “đã lẫn trong lô nguyên liệu đó”. Lô nguyên liệu có đơn vị là một bao hoặc một pallet, phải mất nhiều giờ mới tiêu thụ hết. Vì vậy thứ cần có là số hiệu lô nguyên liệu và thời điểm nạp lô đó vào. Biết được hai thứ này là truy được theo dạng “từ 10 giờ 40 phút, sau khi nạp lô X, đốm đen tăng lên”. Nhiệt độ nhựa theo từng shot không đóng góp gì thêm cho phán đoán này.

Vệt bạc cũng có cấu trúc tương tự. Khi nghi ngờ do sấy chưa đủ thì đơn vị là mẻ của máy sấy. Chỉ cần biết mẻ nào được dùng vào lúc nào là đủ. Thời gian sấy và nhiệt độ của từng mẻ, cùng với thời điểm nạp liệu. Những dữ liệu này thu thập theo chu kỳ 1 phút cũng bắt được thoải mái.

Xước khi gắp sản phẩm và vận chuyển thì hơi khác về bản chất, đơn vị phát sinh là từng sản phẩm. Tuy vậy dữ liệu điều kiện cần có là “thời điểm × công đoạn”, chứ không phải điều kiện ép theo từng shot. Để xem sản phẩm bị cọ xát ở đâu, tại cánh tay robot gắp sản phẩm, tại băng tải hay tại công đoạn đóng thùng, chỉ cần biết từng sản phẩm đã đi qua công đoạn nào vào lúc nào. Việc này cũng nằm gọn trong phạm vi B.

Điểm chung của ba dạng lỗi này là nguyên nhân kéo dài trong một khoảng thời gian dài. Nguyên nhân kéo dài thì hồ sơ thô cũng bắt được.

Những lỗi bắt buộc phải có cấp shot và cấp lòng khuôn

Hai dòng dưới của bảng thì khác.

Lõm bề mặt và thiếu nhựa, khi nguyên nhân là biến động điều kiện, sẽ xuất hiện theo từng shot. Định lượng dao động, vòng chống chảy ngược (check ring) bị mòn, nguyên liệu ăn vào không đều. Những hiện tượng này chỉ xảy ra ở một số shot nhất định rồi shot kế tiếp lại trở về bình thường. Như đã nói ở chương trước, ghi cứ 2 shot 1 lần thì không bắt được. Phải dùng thu thập theo tín hiệu kích hoạt để một shot có một bản ghi thì mới nhìn thấy áp suất giữ và nhiệt độ nhựa của đúng shot đó.

Chênh lệch giữa các lòng khuôn ở lỗi sai lệch kích thước còn rắc rối hơn. Giả sử ở khuôn 4 lòng, chỉ một lòng khuôn có đường nước làm mát sắp bị tắc, hoặc rãnh thoát khí đã xuống cấp. Chỉ những sản phẩm ra từ lòng khuôn đó bị sai kích thước. Thế nhưng nếu hồ sơ kiểm tra không có số hiệu lòng khuôn thì ta sẽ nhìn cả 4 sản phẩm như một khối. Dù chỉ một lòng khuôn lệch rất nhiều, khi nhìn dưới dạng phân bố của 4 sản phẩm thì chỉ thấy “độ phân tán hơi lớn”. Nguyên nhân đang tập trung vào một điểm, vậy mà nó hóa trang thành vấn đề phân tán của toàn bộ.

Kiểu hóa trang này làm sai lệch tận gốc hướng xử lý. Nếu được chẩn đoán là vấn đề phân tán thì người ta sẽ đi động vào toàn bộ điều kiện ép. Trong khi thứ thực sự cần làm chỉ là vệ sinh đường nước của một lòng khuôn. Chỉ vì thiếu đúng một cột là số hiệu lòng khuôn mà vĩnh viễn không tới được biện pháp đúng. Đó chính là lý do tồn tại của phạm vi C.

Để lấy được số hiệu lòng khuôn thì cần khắc dấu lên khuôn và cần có cơ chế đọc dấu đó ở công đoạn kiểm tra. Đây là việc cải tạo khuôn, đồng thời cũng là việc thêm thao tác kiểm tra. Không phải chuyện chỉ đổi cấu hình phần mềm là xong.

Càng tăng độ mịn, chi phí càng tăng phi tuyến

Tới đây đã rõ rằng tăng độ mịn thì nhìn thấy được nhiều thứ hơn. Vấn đề là cách chi phí tăng lên không có cùng hình dạng với cách lợi ích tăng lên.

Khi nâng từ B lên C, phần cần bổ sung là nhận dạng lòng khuôn, gồm khắc dấu lên khuôn và đọc dấu, với 22,000 THB cho mỗi khuôn trên 20 bộ khuôn, cộng thêm 200,000 THB cho xây dựng mô hình và thiết kế vận hành. Đầu tư ban đầu tăng từ 1,660,000 THB lên 2,300,000 THB. Chi phí hàng năm cũng tăng từ 300,000 THB lên 450,000 THB.

Thứ tăng lên không chỉ là tiền. Thứ nhất là khối lượng dữ liệu. Thu thập theo tín hiệu kích hoạt cho một shot một bản ghi, nên mỗi máy mỗi giờ sinh ra số dòng tương ứng 120 shot. Con số này nhân lên với 20 máy, 2 ca 16 giờ, 24 ngày làm việc. So với thu thập theo chu kỳ thì số dòng vọt lên, và phải làm lại thiết kế lưu trữ cũng như tìm kiếm.

Thứ hai là gánh nặng vận hành. Khắc dấu lên khuôn có nghĩa là đối tượng bảo trì khuôn tăng thêm một hạng mục. Dấu khắc mòn đi thì không đọc được, và bản ghi không đọc được thì không đối chiếu được. Ở công đoạn kiểm tra, thao tác đọc số hiệu lòng khuôn cho từng sản phẩm được cộng thêm vào. Dù chỉ vài giây cho mỗi sản phẩm, xét về gánh nặng của nhân viên kiểm tra thì không thể bỏ qua.

Thứ ba là vận hành mô hình. Dữ liệu theo từng shot chứa nhiều giá trị ngoại lai hơn dữ liệu thô. Ngay trước và ngay sau khi dừng máy, giai đoạn khởi động sau khi thay khuôn, giai đoạn quá độ khi đổi nguyên liệu. Cần lập ra các quy tắc loại trừ những giai đoạn này và duy trì chúng liên tục. Công việc này không phải làm một lần lúc triển khai là xong, mà cứ mỗi lần thay đổi điều kiện lại phải rà soát lại.

Nói cách khác, đầu tư vào C là ngoài phần đội thêm của chi phí ban đầu, ta còn mua luôn một gánh nặng vận hành thường trực. Nhà máy của bạn có những dạng lỗi xứng đáng với gánh nặng đó hay không? Đó chính là điểm phân nhánh của quyết định.

Tính toán mô hình cho nhà máy tại Thái Lan: giả định và cách đặt lợi ích

Hãy quy về con số. Giả định của nhà máy mô hình như sau.

Xin bổ sung về giả định đơn giá giờ. Tiền lương tại Thái Lan đang theo xu hướng tăng, mức tăng lương tại các doanh nghiệp Nhật Bản là 3.8% năm 2023, 4.58% năm 2024 và dự kiến 4.64% năm 2025. Lương tối thiểu sau lần điều chỉnh ngày 1 tháng 1 năm 2025 cũng đã ở mức 337 đến 400 THB mỗi ngày, riêng Bangkok là 372 THB (nguồn, nguồn). Bài viết này không tính phần tăng đó vào mà dùng đơn giá giờ ở thời điểm hiện tại, nhưng những lợi ích thuộc dạng cắt giảm giờ công sẽ có xu hướng tăng giá trị theo từng năm. Nghĩa là bảng tính dưới đây đang nhìn phía lợi ích một cách thận trọng.

Chúng tôi đặt bốn khoản lợi ích.

Lợi ích 1 là giả định giảm 25% trên 663,552 sản phẩm lỗi mỗi năm. Con số 25% này là giả định mô hình của bài viết, không phải giá trị thực tế. Nó khác với mức giảm 30% ở trường hợp doanh nghiệp khác đã giới thiệu ở chương trước, xin đừng trộn lẫn. Lấy 165,888 sản phẩm được cắt giảm nhân với tổn thất 2.50 THB mỗi sản phẩm ta được 414,720.00 THB.

Lợi ích 2 là giờ công phân tích nguyên nhân, thứ luôn phát sinh mỗi khi có lỗi. Giả định 48 vụ mỗi năm, tức trung bình 4 vụ phân tích mỗi tháng. Cách đặt là mỗi vụ đang tốn 40 giờ sẽ còn 16 giờ. Trong 40 giờ đó, phần lớn là thời gian đi gom biểu mẫu, thời gian chép lại bảng điều kiện và thời gian dựng biểu đồ bằng Excel, còn thời gian thực sự để suy nghĩ thì rất ít. Nếu đã có sẵn dữ liệu đã đối chiếu trong tay thì phần công đoạn đầu này biến mất. Cả năm 1,152 giờ, nhân với đơn giá giờ kỹ sư 337.5 THB ta được 388,800.00 THB.

Lợi ích 3 là việc đối chiếu hằng ngày. Ở mỗi ca trong 2 ca, một người mất 1.5 giờ mỗi ngày để ghép hồ sơ kiểm tra với bảng điều kiện ép và tổng hợp thành báo cáo ngày. Nhân 24 ngày với 12 tháng ra 864 giờ mỗi năm. Cắt giảm 80% giúp tiết kiệm được 691.2 giờ, nhân phần tiết kiệm này với đơn giá giờ nhân viên văn phòng 210.0 THB được 145,152.00 THB. Công việc này khác về bản chất với ba khoản còn lại ở chỗ nó phát sinh mỗi ngày, bất kể có lỗi hay không.

Lợi ích 4 là dò điều kiện sau khi thay khuôn. Giả định mỗi lần trong 480 lần thay khuôn mỗi năm sẽ rút ngắn 0.6 giờ thời gian căn chỉnh cho tới khi hàng đạt ổn định. Nếu điều kiện của lần trước từng cho hàng đạt với cùng khuôn và cùng nguyên liệu có thể tra ra được kèm thời điểm, ta có thể lấy đó làm giá trị khởi đầu. Cả năm 288 giờ, nhân 337.5 THB được 97,200.00 THB.

Cũng xin nói thêm một câu về môi trường đầu tư. Hồ sơ xin đầu tư tại Thái Lan trong nửa đầu năm 2026 đã đạt 43.6 tỷ USD với 1,299 hồ sơ, tăng 37% so với cùng kỳ năm trước, trong đó lĩnh vực số chiếm 33 tỷ USD (nguồn). Ở chương trình “Smart and Sustainable Industry” của BOI cũng đã có 132 hồ sơ với tổng giá trị 507.6 triệu USD, nhằm mục đích đổi mới máy móc, đưa vào công nghệ số và tích hợp robot tự động hóa (nguồn). Việc có được áp dụng chính sách hay không phải xét theo từng hồ sơ cụ thể, nên chúng tôi không tính vào bảng dưới đây. Khi đưa lên tờ trình xin phê duyệt, xin xác nhận riêng xem doanh nghiệp của bạn có thuộc diện áp dụng hay không.

Về cách phân bổ lợi ích, chúng tôi cũng nêu rõ giả định. Bốn khoản lợi ích trên được chia cho phạm vi A, B và C như thế nào? Bài viết này đặt như sau.

• A = Lợi ích 3 (145,152.00) + 30% của Lợi ích 2 (116,640.00) = 261,792.00
• B = A + 70% còn lại của Lợi ích 2 (272,160.00) + Lợi ích 4 (97,200.00) + 60% của Lợi ích 1 (248,832.00) = 879,984.00
• C = B + 40% còn lại của Lợi ích 1 (165,888.00) = 1,045,872.00

Lý do chia Lợi ích 1 theo tỷ lệ 6 đối 4 giữa B và C là vì ở bảng dạng lỗi của chương trước, chúng tôi đặt rằng các dạng lỗi có thể xử lý được tới phạm vi B, gồm đốm đen và tạp chất, vệt bạc, xước khi vận chuyển, chiếm 60% xét theo giá trị tiền. Con số 60% này là giả định của bài viết, không phải giá trị đo thực tế. Nếu cơ cấu chiếc bánh lỗi của nhà máy bạn khác đi thì cách phân bổ này sẽ thay đổi. Và như sẽ nói ở phần sau, chính tỷ lệ này là thứ làm đảo ngược kết luận.

Chi phí và hoàn vốn: phạm vi trúng nhất không phải phạm vi nhanh nhất

Hãy so sánh ba phạm vi. Xét theo tỷ lệ đối chiếu được thì A là 28%, B là 76%, C là 96%. Mức độ trúng của phân tích thì C cao nhất. Vậy hoàn vốn có nhanh nhất không? Không.

Phạm vi A, chỉ phân tích AI trên dữ liệu kiểm tra (3.39 năm)

Điện tử hóa hồ sơ kiểm tra tốn 300,000 THB, gồm 8 máy nhập liệu và thiết kế biểu mẫu, nền tảng trực quan hóa bằng BI tốn 180,000 THB. Đầu tư ban đầu là 480,000 THB, chi phí hàng năm là 120,000 THB.

Thứ đạt được ở đây là trạng thái kết quả kiểm tra được lưu điện tử theo từng sản phẩm kèm thời điểm, và việc tổng hợp cùng trực quan hóa có thể làm ngay trong ngày. Công việc đối chiếu hằng ngày (Lợi ích 3) gần như biến mất ở đây. Giờ công phân tích nguyên nhân (Lợi ích 2) cũng nhẹ đi ở phần gom biểu mẫu, nên chúng tôi tính 30% tương đương 116,640.00 THB. Tổng lợi ích là 261,792.00 THB, trừ chi phí hàng năm thì lợi ích ròng là 141,792.00 THB. So với đầu tư ban đầu 480,000 THB, thời gian hoàn vốn là 3.39 năm, tức 40.6 tháng.

Điều cần xác nhận ở đây là khoản giảm lỗi (Lợi ích 1) được tính bằng không. Lý do như đã nói, vì tỷ lệ đối chiếu được chỉ dừng ở 28%. Khi phía điều kiện vẫn là bảng viết tay mỗi ca một lần thì không xác định được nguyên nhân. Không xác định được nguyên nhân thì không đổi được điều kiện công đoạn, mà điều kiện công đoạn không đổi thì lỗi không giảm. A là khoản đầu tư để ghi chép nhanh hơn, chứ không phải khoản đầu tư để giảm lỗi, đó là cách đặt vấn đề của bài viết này.

Phạm vi B, lấy điều kiện ép trên cùng một trục thời gian (2.86 năm)

Cộng thêm vào A là 20 bộ thu thập dữ liệu cho máy ép (42,000 THB mỗi bộ, thành 840,000 THB), 180,000 THB cho đồng bộ thời gian và hạ tầng mạng, 160,000 THB cho mở rộng nền tảng dữ liệu. Đầu tư ban đầu là 1,660,000 THB, chi phí hàng năm là 300,000 THB.

Đến đây, kết quả kiểm tra và điều kiện ép mới lần đầu nằm trên cùng một trục thời gian. Tỷ lệ đối chiếu được lên 76%. Các lỗi bắt nguồn từ lô nguyên liệu, từ khâu sấy và từ khâu vận chuyển trở nên truy được, nên phần tương đương 60% của giảm lỗi (248,832.00 THB) được ghi nhận. 70% còn lại của phân tích nguyên nhân (272,160.00 THB) và dò điều kiện sau khi thay khuôn (97,200.00 THB) cũng nằm ở đây. Bởi muốn tra được điều kiện của những lần cho hàng đạt trước đây thì điều kiện phải được ghi lại tự động.

Tổng lợi ích là 879,984.00 THB, lợi ích ròng là 579,984.00 THB. So với đầu tư ban đầu 1,660,000 THB, thời gian hoàn vốn là 2.86 năm, tức 34.3 tháng. Đầu tư ban đầu gấp hơn ba lần A, nhưng hoàn vốn lại rút từ 3.39 năm xuống 2.86 năm.

Phạm vi C, cá thể hóa tới cấp shot và cấp lòng khuôn (3.86 năm)

Cộng thêm vào B là nhận dạng lòng khuôn, gồm khắc dấu lên khuôn và đọc dấu, 440,000 THB cho 20 bộ khuôn, cùng 200,000 THB cho xây dựng mô hình và thiết kế vận hành. Đầu tư ban đầu là 2,300,000 THB, chi phí hàng năm là 450,000 THB.

Tỷ lệ đối chiếu được lên 96%. Cả biến động theo từng shot của lõm bề mặt và thiếu nhựa lẫn chênh lệch giữa các lòng khuôn ở lỗi sai lệch kích thước đều trở nên nhìn thấy được. Xét về mức độ trúng của phân tích thì rõ ràng đây là điểm mạnh nhất.

Tổng lợi ích là 1,045,872.00 THB, lợi ích ròng là 595,872.00 THB. Thời gian hoàn vốn là 3.86 năm, tức 46.3 tháng. Chậm hơn cả B lẫn A.

Vì sao ở C thời gian hoàn vốn lại dài ra

Lý do là tử số và mẫu số tăng theo hai nhịp khác nhau.

Khi đi từ B lên C, đầu tư ban đầu tăng từ 1,660,000 THB lên 2,300,000 THB, chi phí hàng năm tăng từ 300,000 THB lên 450,000 THB. Trong khi đó lợi ích ròng chỉ tăng từ 579,984.00 THB lên 595,872.00 THB. Gần như đi ngang. Mẫu số tăng mạnh còn tử số hầu như không tăng, nên số năm hoàn vốn dài ra.

Vì sao tử số không tăng? Vì khoản lợi ích mới phát sinh ở C chỉ là 40% còn lại của Lợi ích 1 (165,888.00 THB). Hãy nhớ lại bảng dạng lỗi ở chương trước. Những dạng lỗi chỉ truy được ở C gồm hai thứ là lõm bề mặt cùng thiếu nhựa, và sai lệch kích thước. Theo giả định của bài viết, hai thứ này chiếm 40% xét theo giá trị tiền. Để lấy được phần 40% đó, ta phải mua trọn gói việc khắc dấu cho 20 bộ khuôn và cả bộ máy vận hành mô hình. Hơn nữa chi phí hàng năm nặng thêm từ 300,000 THB lên 450,000 THB, nên một phần đáng kể của lợi ích tăng thêm bị tiêu hao ngay tại đó.

Từ đây có thể rút ra hai điều.

Thứ nhất, mức độ trúng của phân tích và hiệu quả của khoản đầu tư là hai trục khác nhau. Tỷ lệ đối chiếu được 96% là điểm đến đúng về mặt kỹ thuật, nhưng nếu phần đầu tư tăng thêm để đạt 96% lớn hơn phần lợi ích mới lấy được nhờ 96% đó thì xét như một khoản đầu tư là thua. Những đề xuất kiểu “hãy nâng độ chính xác lên nữa” thường không phân biệt điều này.

Thứ hai, điểm phân nhánh nằm ở cơ cấu chiếc bánh lỗi của chính nhà máy bạn. Bài viết này đặt Lợi ích 1 theo tỷ lệ 6 đối 4 giữa B và C. Đây là giả định của bài viết, không phải giá trị đo thực tế. Nếu phần lớn giá trị tiền của lỗi tại nhà máy bạn nằm ở lõm bề mặt, thiếu nhựa và sai lệch kích thước thì tỷ lệ này sẽ đảo lại, và số năm hoàn vốn của C có khả năng thấp hơn B. Ngược lại, nếu là nhà máy mà đốm đen, tạp chất và sấy chưa đủ giải thích được phần lớn, thì gần như không có lý do gì để tiến lên C.

Vì vậy kết luận là thế này. Độ mịn không phải thứ “cứ nâng được tới đâu thì nâng”, mà là thứ phải khớp với đơn vị mà các dạng lỗi của chính nhà máy bạn đòi hỏi. Và khi chưa nắm được cơ cấu dạng lỗi của mình theo giá trị tiền thì bản thân phán đoán này cũng không thực hiện được. Vì thế việc đầu tiên cần làm không phải là đầu tư, mà là đếm cơ cấu của những lỗi gần nhất.

Xin lưu ý thêm, cả ba phạm vi so sánh ở đây đều đi qua B. Không tồn tại lộ trình nhảy thẳng từ A lên C. Bởi việc nhận dạng theo từng shot chỉ có thể đặt trên nền móng là thu thập tự động điều kiện và đồng bộ thời gian. Việc đi từng bước là điều không thể tránh. Thứ cần quyết định là “dừng ở B hay đi tới C”, chứ không phải “chọn A hay chọn C”.

Kế hoạch 90 ngày: bắt đầu từ việc đo tỷ lệ đối chiếu được

Nộp thẳng tờ trình cho phạm vi B thì sẽ bị hỏi cơ sở và dừng lại. Hãy dùng 90 ngày để chuẩn bị đủ nguyên liệu cần cho quyết định. Chi phí gần như bằng không.

Day 1-30, đếm tỷ lệ đối chiếu được trên 50 vụ lỗi gần nhất

30 ngày đầu tiên hoàn toàn không bàn tới hệ thống. Chỉ đếm thôi.

Lấy 50 vụ lỗi gần nhất từ sổ ghi chép. 50 vụ là đủ. Bởi việc tự tay truy từng vụ một quan trọng hơn sự chặt chẽ về thống kê. Rồi với từng vụ, điền O hoặc X cho bốn mục là thời điểm phát sinh, điều kiện ép, số hiệu máy cùng khuôn, và lô nguyên liệu. Xin thống nhất với toàn bộ thành viên ngay từ đầu quy tắc rằng ô nào điền bằng suy đoán thì đánh X. Nếu chỗ này lỏng, tỷ lệ đối chiếu được sẽ ra cao hơn thực tế.

Đồng thời, hãy lập thêm một bảng nữa. Đó là bảng phân loại 50 vụ đó theo dạng lỗi và tổng hợp giá trị tiền của từng dạng, bằng số lượng nhân với tổn thất mỗi sản phẩm. Đốm đen và tạp chất, vệt bạc, xước khi vận chuyển, lõm bề mặt cùng thiếu nhựa, sai lệch kích thước. Năm dạng này chia nhau ra sao? Như đã nói ở chương trước, tỷ lệ tiền giữa nhóm dạng lỗi đạt tới B và nhóm đạt tới C sẽ quyết định việc dừng ở B hay đi tới C. Giả định 6 đối 4 của bài viết có đúng với nhà máy bạn hay không, chỉ bảng này mới trả lời được.

Thứ thu được trong 30 ngày này là hai con số. Tỷ lệ đối chiếu được của chính nhà máy bạn, và cơ cấu giá trị tiền của lỗi theo dạng. Khi đưa lên tờ trình, hai con số này là nguyên liệu mạnh hơn bất kỳ con số nào từ trường hợp của doanh nghiệp khác.

Day 31-60, quyết định đồng bộ thời gian và chu kỳ thu thập

30 ngày tiếp theo dùng để chốt các tiền đề kỹ thuật.

Trước hết là đồng hồ. Liệt kê toàn bộ thiết bị mang thời gian trong nhà máy, chụp ảnh màn hình hiển thị của chúng tại cùng một khoảnh khắc rồi so sánh. Máy nhập liệu ở khâu kiểm tra, bộ điều khiển máy ép, bộ thu thập, máy chủ, máy tính văn phòng. Đo thực tế xem lệch nhau bao nhiêu giây. Xem có nằm trong mốc tham chiếu 3 giây của bài viết này hay không, với những thiết bị không nằm trong mốc đó thì xác nhận khả năng đồng bộ NTP. Nếu có thiết bị không hỗ trợ, hãy quyết định là không dùng thời gian của thiết bị đó cho việc đối chiếu, và quyết định thay vào đó sẽ đóng dấu thời gian bằng gì.

Tiếp theo là chu kỳ thu thập. Đây là lúc cơ cấu theo dạng lỗi của Day 1-30 phát huy tác dụng. Nếu phần lớn giá trị tiền thuộc nhóm dạng lỗi đạt tới B thì chu kỳ 1 phút là đủ. Nếu nhóm đạt tới C dày lên, hãy xác nhận với nhà sản xuất máy ép về khả năng thu thập theo tín hiệu kích hoạt. Xin đừng theo kiểu “cứ lấy thật chi tiết cho chắc”, mà hãy quyết định theo lối gắn kết “chu kỳ này là để truy dạng lỗi này”. Chu kỳ có thể làm thô lại về sau, nhưng dữ liệu đã không lấy thì sau này không tạo ra được. Việc lưu lại cơ sở của quyết định thành văn bản là quan trọng.

Đồng thời, hãy quyết định luôn cách lưu giữ dữ liệu. Một bản ghi sẽ mang những gì, độ mịn của thời gian là tới giây hay không, có chuẩn bị sẵn cột số hiệu lòng khuôn để trống ngay từ đầu hay không. Tư duy thiết kế tổng thể được sắp xếp trong bài Tư duy xây dựng hệ thống quản lý dữ liệu chất lượng.

Day 61-90, kiểm chứng chỉ với một dạng lỗi duy nhất

30 ngày cuối cùng, hãy thu hẹp phạm vi về một điểm và làm thử trên thực tế. Xin đừng bắt đầu đồng thời với mọi dạng lỗi.

Thứ được chọn là dạng lỗi đạt tới B có giá trị tiền lớn nhất ở Day 1-30. Ở nhiều nhà máy ép nhựa, đó sẽ là đốm đen và tạp chất, hoặc vệt bạc. Đối tượng là 1 đến 2 máy ép. Hãy xếp số hiệu lô nguyên liệu cùng thời điểm nạp liệu, mẻ sấy cùng thời điểm, và kết quả kiểm tra lên cùng một trục thời gian trong đúng 30 ngày, làm thủ công cũng không sao. Dùng Excel cũng được.

Thứ cần xác nhận trong 30 ngày này không phải độ chính xác của mô hình, mà là tỷ lệ đối chiếu được có thực sự tăng lên hay không. Giá trị đã đếm ở Day 1-30 dịch chuyển tới đâu với cách vận hành này. Và dưới tỷ lệ đối chiếu được đã tăng đó, các ứng viên nguyên nhân có thực sự thu hẹp lại hay không. Nếu nhìn thấy quan hệ kiểu “chỉ khi dùng lô X thì đốm đen mới nhiều” thì như vậy là đủ. Ở giai đoạn này chưa cần mô hình AI. Thứ lẽ ra phải thấy được bằng biểu đồ phân tán và bảng chéo mà không thấy được, thì đưa AI vào cũng không thấy.

Kết thúc 90 ngày, trong tay bạn còn lại ba thứ: “tỷ lệ đối chiếu được của chính nhà máy”, “cơ cấu giá trị tiền của lỗi theo dạng” và “kết quả kiểm chứng trên một dạng lỗi”. Có ba thứ này thì việc dừng ở B hay đi tới C có thể được bàn bằng con số của chính nhà máy bạn, chứ không phải bằng trường hợp của doanh nghiệp khác.

Bốn thất bại thường gặp

Chỉ giao kết quả kiểm tra cho nhà cung cấp. Đây là kiểu phổ biến nhất. Người ta nói “chúng tôi có dữ liệu chất lượng ba năm” rồi trao đi, mà thứ trao đi chỉ là bảng gồm ngày, số hiệu máy, mã sản phẩm, hạng mục lỗi và số lượng lỗi. Phía nhà cung cấp đã nhận thì phải trả lại cái gì đó, nên thứ quay về là một báo cáo gần với bảng tổng hợp. Và đánh giá “AI cũng chẳng có gì ghê gớm” đọng lại trong nội bộ. Trước khi trao đi, hãy đếm xem bảng đó có bao nhiêu cột là biến giải thích. Nếu bằng không thì có trao đi cũng không ra được nguyên nhân.

Vứt bỏ dữ liệu hàng đạt. Cách vận hành chỉ ghi điều kiện khi có lỗi không phải là hiếm. Nhưng phân tích nguyên nhân là công việc so sánh điều kiện lúc có lỗi với điều kiện lúc hàng đạt. Chỉ có một phía thì không thành so sánh. Dù chất chồng bao nhiêu bản ghi “áp suất giữ 45MPa thì có lỗi”, nếu lúc hàng đạt cũng là 45MPa thì áp suất giữ không phải nguyên nhân. Chính dữ liệu lúc hàng đạt mới là nhóm đối chứng. Thu thập điều kiện một cách liên tục nghĩa là thu thập cả dữ liệu của những khoảng thời gian mà phần lớn sản phẩm đều đạt. Cắt bỏ phần này thì bản thân mục đích của việc thu thập sụp đổ.

Cho học trong khi thời gian vẫn còn lệch. Như đã nói ở chương trước, vấn đề lớn nhất là lỗi này khó được nhận ra như một thất bại. Số dòng vẫn khớp, mô hình vẫn chạy, độ chính xác vẫn ra. Vậy mà tất cả đều lệch. Hơn nữa khi kết quả phân tích không khớp với cảm nhận của hiện trường, thứ bị nghi ngờ là AI chứ không phải chiếc đồng hồ. Trước khi bắt đầu thu thập dữ liệu, xin nhất định đo thực tế thời gian của toàn bộ thiết bị rồi mới bắt đầu. Kịch bản tệ nhất là về sau mới phát hiện “dữ liệu của giai đoạn đó không dùng được”.

Không nối nguyên nhân đã tìm ra với việc thay đổi điều kiện công đoạn. Phân tích có trúng thì tự nó cũng không giảm được lấy một sản phẩm lỗi. Khi có kết quả kiểu “thiếu nhựa tăng lên ở những shot ngay sau khi nhiệt độ nhựa rơi xuống dưới ngưỡng quản lý dưới”, thì phải rà soát lại ngưỡng dưới đó, sửa đổi tiêu chuẩn tác nghiệp, thiết lập điều kiện cảnh báo giám sát, rồi đo hiệu quả sau khi thay đổi. Làm tới đây thì Lợi ích 1 mới thành hình. Nói ngược lại, nếu chưa xác định được người phụ trách và thẩm quyền phản ánh kết quả phân tích vào bảng điều kiện và tài liệu tiêu chuẩn, thì ngay từ đầu nên tính Lợi ích 1 bằng không. Trong trường hợp đó, quyết định đầu tư sẽ trở thành câu hỏi liệu chỉ với phần lợi ích tương đương A thì có đứng vững hay không. Thứ phát huy tác dụng sau cùng khi đưa AI vào không phải năng lực của mô hình, mà là mạch nội bộ đưa kết quả quay lại công đoạn.

FAQ

Phân tích AI dữ liệu kiểm tra chất lượng là gì?

Đó là việc ghép kết quả lỗi thu được từ khâu kiểm tra với dữ liệu điều kiện về những gì đang diễn ra trong sản xuất vào lúc đó, để xác định nguyên nhân của lỗi bằng con số. Chỉ tổng hợp kết quả kiểm tra để xem “khi nào và ở đâu thì nhiều lỗi” thì vẫn chỉ dừng ở mức tổng hợp chứ không phải phân tích. Muốn ra được nguyên nhân, các biến giải thích như áp suất giữ, nhiệt độ nhựa và lô nguyên liệu phải nằm trên cùng một trục thời gian với kết quả kiểm tra. Bài viết này gọi tỷ lệ ghép được đó là tỷ lệ đối chiếu được, và xem nó là chỉ số phải đo trước cả độ chính xác.

Quản lý chất lượng bằng AI khác gì kiểm tra ngoại quan bằng AI?

Kiểm tra ngoại quan bằng AI là kỹ thuật “tìm ra” lỗi từ hình ảnh. Nó dùng camera và mô hình nhận dạng hình ảnh để phán định vết xước, sứt mẻ, tạp chất. Còn phân tích nguyên nhân mà bài viết này bàn tới thuộc lĩnh vực “đoán trúng nguyên nhân” của những lỗi đã được tìm ra, và thứ được dùng là dữ liệu số chứ không phải hình ảnh. Hai thứ này bổ trợ cho nhau, và việc kiểm tra ngoại quan lưu lại kết quả phán định lỗi cho từng sản phẩm dưới dạng điện tử sẽ nâng chất lượng đầu vào cho phía phân tích nguyên nhân. Việc tự động hóa bản thân khâu kiểm tra được bàn ở bài khác, nên xin hãy dùng theo đúng mục đích.

Phân tích nguyên nhân lỗi cần bao nhiêu dữ liệu?

Vấn đề nằm ở đơn vị chứ không phải khối lượng. Dù đã tích lũy ba năm, nếu đơn vị phát sinh lỗi là shot còn đơn vị ghi nhận điều kiện là ca thì không ghép được nên không ra được nguyên nhân. Ngược lại, nếu điều kiện đã nằm trên cùng một trục thời gian thì ngay cả trong khoảng thời gian tương đối ngắn, các ứng viên nguyên nhân vẫn hiện ra. Trong kế hoạch 90 ngày của bài viết này, 30 ngày cuối được dành cho việc kiểm chứng thu hẹp về một dạng lỗi với 1 đến 2 máy ép. Trước khi tăng khối lượng dữ liệu, hãy đếm tỷ lệ đối chiếu được của chính nhà máy mình.

Phân tích AI dữ liệu kiểm tra chất lượng tốn bao nhiêu chi phí?

Với nhà máy mô hình của bài viết này, tức nhà máy ép nhựa tại Thái Lan, 320 nhân viên, 20 máy ép, chúng tôi tính ba phương án theo phạm vi. Phạm vi A chỉ dừng ở điện tử hóa hồ sơ kiểm tra và trực quan hóa bằng BI có đầu tư ban đầu 480,000 THB và chi phí hàng năm 120,000 THB. Phạm vi B thêm thu thập tự động điều kiện ép và đồng bộ thời gian có đầu tư ban đầu 1,660,000 THB và chi phí hàng năm 300,000 THB. Phạm vi C bao gồm cả nhận dạng lòng khuôn và xây dựng mô hình có đầu tư ban đầu 2,300,000 THB và chi phí hàng năm 450,000 THB. Thời gian hoàn vốn lần lượt là 3.39 năm, 2.86 năm và 3.86 năm.

AI phát hiện bất thường và phân tích nguyên nhân có phải là một?

Là hai thứ khác nhau. Phát hiện bất thường là cơ chế phát hiện việc “đã xảy ra một trạng thái khác thường lệ”, nó học các mẫu hình lúc bình thường rồi báo khi có sai lệch khỏi đó. Phân tích nguyên nhân là cơ chế dùng biến giải thích để xác định “vì sao lại thành lỗi”. Phát hiện bất thường có kêu thì cũng không biết nguyên nhân là áp suất giữ hay nguyên liệu. Ngược lại, ngay cả những biến động điều kiện chậm rãi trong ngưỡng mà phát hiện bất thường không kêu thì lỗi vẫn phát sinh. Nếu vận hành cả hai, vì cả hai đều dùng chung dữ liệu điều kiện làm đầu vào, nên có thể dùng chung một nền tảng thu thập.

Kết luận

Nguyên nhân khiến phân tích AI dữ liệu kiểm tra chất lượng không trúng không phải năng lực của mô hình, cũng không phải khối lượng dữ liệu huấn luyện. Đó là việc đơn vị phát sinh lỗi khác với đơn vị ghi nhận điều kiện sản xuất. Một bên là shot 30 giây, bên kia là ca 8 tiếng. Hai thứ này có tích lũy bao nhiêu cũng không nối lại được với nhau.

Vì vậy thứ cần đo trước cả độ chính xác và độ bao phủ là tỷ lệ đối chiếu được, tức tỷ lệ các vụ lỗi mà ta nối được một cách duy nhất với thông tin về những gì đang diễn ra vào lúc đó. Trong mô hình của bài viết, chúng tôi đặt hiện trạng là 12%, giai đoạn A đã điện tử hóa hồ sơ kiểm tra là 28%, giai đoạn B thu thập tự động điều kiện ép trên cùng một trục thời gian là 76%, và giai đoạn C cá thể hóa tới cấp shot và cấp lòng khuôn là 96%. Điểm mấu chốt là ở A con số chỉ lên tới 28%. Chỉ chỉnh trang phía kiểm tra thôi thì đối tượng để ghép vẫn thô, nên vẫn không đối chiếu được.

Và trước khi bắt đầu thu thập, xin hãy chỉnh đồng hồ. Dữ liệu thu thập trong khi thời gian còn lệch sẽ sai theo kiểu không thể biết là mình đang sai. Bài viết này đặt mốc tham chiếu là 1/10 thời gian chu kỳ, tức trong vòng 3 giây. Đây là mốc tham chiếu của bài viết, không phải giá trị tiêu chuẩn.

Về chi phí. Phân tích trúng nhất là ở C, nhưng hoàn vốn nhanh nhất là B với 2.86 năm. A là 3.39 năm, C là 3.86 năm. Khi tiến lên C, đầu tư ban đầu tăng từ 1,660,000 THB lên 2,300,000 THB, chi phí hàng năm tăng từ 300,000 THB lên 450,000 THB, vậy mà lợi ích ròng hầu như không nhúc nhích, chỉ từ 579,984.00 THB lên 595,872.00 THB. Bởi những dạng lỗi chỉ truy được ở C, theo giả định của bài viết, dừng ở mức 40% giá trị tiền. Cách phân bổ 40% và 60% này là giả định của bài viết, không phải giá trị đo thực tế.

Do đó kết luận là thế này. Độ mịn không phải thứ cứ nâng được tới đâu thì nâng, mà là thứ phải khớp với đơn vị mà các dạng lỗi của chính nhà máy bạn đòi hỏi. Và nếu chưa nắm được cơ cấu lỗi của mình theo giá trị tiền thì không thể đưa ra phán đoán đó. Trước khi đầu tư, hãy đếm.

Nếu bạn cần một điểm khởi đầu cho cuộc thảo luận trong nội bộ, chỉ cần lấy 50 vụ lỗi gần nhất từ sổ ghi chép rồi đếm từng vụ một xem “có nói được một cách duy nhất rằng lúc đó đã xảy ra chuyện gì hay không” là đủ. Kết quả là 12% hay là 40%? Chỉ với một con số đó cùng cơ cấu giá trị tiền của lỗi theo dạng, cuộc thảo luận chọn B hay C đã có thể diễn ra bằng ngôn ngữ của chính nhà máy bạn. Tại TOMAS TECH, các doanh nghiệp sản xuất Nhật Bản tại Thái Lan có thể trao đổi với chúng tôi về cách đo tỷ lệ đối chiếu được, cách quyết định đồng bộ thời gian và chu kỳ thu thập, cũng như cách triển khai kiểm chứng trên một dạng lỗi. Ngay cả khi bạn còn đang ở giai đoạn cân nhắc và chưa quyết định triển khai cũng không sao, xin cứ liên hệ với chúng tôi.