Khó khăn của triển khai dữ liệu tổng hợp trong sản xuất không phải là tạo thật nhiều ảnh. Vấn đề là hợp đồng phải nêu rõ dữ liệu tổng hợp bù cho thiếu hụt nào của thực tế, bằng điều kiện nào, và tuyên bố nào vẫn phải được chứng minh bằng dữ liệu nhà máy thật. Trong kiểm tra ngoại quan AI và nhận thức vật thể/robot, lỗi hiếm, tư thế nguy hiểm, che khuất, phản xạ hoặc trạng thái sau đổi mã hàng thường không đủ mẫu. Nhưng nếu quá phụ thuộc mô phỏng, dự án có thể che khuất domain gap giữa dữ liệu sinh và dây chuyền. Bài viết tập trung vào data contract, trộn dữ liệu thật–tổng hợp, RFP, điều kiện dừng và bằng chứng nghiệm thu.
Kết luận trước: mua quy trình tạo bằng chứng, không mua số lượng ảnh
Dữ liệu tổng hợp không tự động thay thế dữ liệu thật. Hãy coi nó là phần bổ sung có kiểm soát cho điều kiện khó quan sát, tốn thời gian, nguy hiểm hoặc đắt. Một chương trình có thể mua sắm cần sáu cam kết:
- Cố định nhiệm vụ, thiệt hại của quyết định sai, phạm vi vận hành và ngoại lệ.
- Tách dữ liệu thật cho train, tune và final acceptance; giữ bộ cuối khỏi nhóm sinh dữ liệu.
- Hợp đồng hóa factor, distribution, label, provenance và phiên bản generator.
- So sánh real-only, synthetic-only và mixed trên cùng một real holdout.
- Đặt ngưỡng sàn theo loại lỗi, tài sản, ánh sáng, lô và operating slice, không chỉ điểm trung bình.
- Định trước điều kiện dừng nếu domain gap, gánh nặng vận hành hoặc TCO không cải thiện.
Lộ trình AI/ML cho smart manufacturing năm 2026 của NIST nêu sự phức tạp của dữ liệu công nghiệp, quản trị dữ liệu, tích hợp cảm biến/điều khiển không đồng nhất, cùng yêu cầu vận hành đáng tin cậy, giải thích được và an toàn. Đây không phải chứng nhận cho sản phẩm dữ liệu tổng hợp, nhưng củng cố nguyên tắc mua sắm: phải đánh giá dữ liệu, tích hợp, đo lường và vận hành của toàn hệ thống, không chỉ model score.
Phân loại thiếu hụt trước khi dùng AI tạo ảnh lỗi
“Không đủ ảnh lỗi” quá rộng để đưa vào RFP. Hãy tách thành các bài toán sau.
| Loại thiếu hụt | Ví dụ nhà máy | Vai trò của dữ liệu tổng hợp | Bằng chứng vẫn phải lấy từ thực tế |
|---|---|---|---|
| Hiếm xảy ra | vết xước sâu, sai linh kiện, hỏng dụng cụ | bổ sung rare case có kế hoạch | recall và nhầm lớp trên lỗi thật |
| Không an toàn để tái tạo | người–robot suýt va chạm, vật rơi | bao phủ tư thế và quỹ đạo nguy hiểm | thử safety và interlock thật |
| Label đắt | mask mức pixel, biên bị che | tạo label từ hình học | chất lượng label trên ảnh thật |
| Sản phẩm mới | vỏ, màu, đồ gá mới | khởi tạo trước mass production | ảnh initial production |
| Tổ hợp lớn | ánh sáng, pose, nền, camera | thay đổi factor có hệ thống | interaction và outlier trên line |
| Không được đưa dữ liệu ra ngoài | chi tiết khách hàng, jig bí mật, người | tạo bộ chia sẻ có kiểm soát | leakage, re-identification, hợp đồng |
Dữ liệu tổng hợp chủ yếu giải quyết bài toán “thiếu ví dụ”. Nó không tự sửa camera rung, lens bẩn, trigger lệch, đèn suy giảm, operator đặt phôi khác nhau, process change hay label không nhất quán. PoC phải có backlog riêng cho data coverage và cho thiết bị/vận hành.
Chọn phương pháp sinh theo mức kiểm soát cần thiết
- 3D/physics-based rendering: mô hình hóa CAD, vật liệu, nguồn sáng, camera, sensor và hình học lỗi. Dễ kiểm soát pose, occlusion và label hình học nhưng tốn công làm asset và khớp thực tế.
- Image composition: ghép lỗi hoặc vật lạ vào background thật. Nhanh, nhưng biên, bóng, phản xạ và vị trí không hợp lý có thể tạo shortcut.
- Generative model: sinh từ text, mask hoặc ảnh tham chiếu. Tăng đa dạng ngoại quan, song vẫn cần kiểm soát hình học, quyền, provenance và reproducibility.
- Pseudo defect: biến đổi ảnh bình thường để tạo anomaly cue. Hữu ích khi chưa có lỗi thật, nhưng không nhất thiết đại diện cơ chế hỏng thực.
BladeSynth, công bố trên Scientific Data năm 2025, là dataset nghiên cứu cho kiểm tra cánh động cơ hàng không. Công trình dùng physically based rendering và domain randomization để tạo 12.500 ảnh độ phân giải cao cùng segmentation mask cho bốn lớp corrosion, notch, dent và scratch. Kết quả xác nhận asset, bộ lỗi và pipeline đó; không chứng minh hiệu năng tương tự cho nhựa ép, mối hàn hay bao bì thực phẩm. PDMCNet, công bố trên Scientific Reports năm 2026, sinh pseudo defect từ ảnh bình thường trong support set để hiệu chỉnh few-shot segmentation của lớp chưa thấy. Tác giả báo cáo mIoU 36,03% ở 1-shot và 38,98% ở 5-shot trên Industrial-5i. Các số này chỉ thuộc benchmark và setup đã nêu.
Kiến trúc dữ liệu mô phỏng cho AI sản xuất
Tài liệu NVIDIA Omniverse Replicator chia sim-to-real domain gap thành appearance gap và content gap. Appearance gap là chênh lệch mức pixel do vật liệu, bề mặt, ánh sáng, renderer và sensor. Content gap là chênh lệch về loại, số lượng, vị trí và bối cảnh vật thể. RFP nhà máy nên mở rộng thành gap register có thể hành động.
| Nhóm gap | Factor tiêu biểu | Cách kiểm tra | Ví dụ hiệu chỉnh |
|---|---|---|---|
| Quang học | độ rọi, nhiệt màu, phản xạ, exposure, blur | thống kê ảnh, embedding, error example | đo đèn, sửa material, thêm sensor noise |
| Hình học | shape, tolerance, pose, occlusion, độ sâu lỗi | CAD diff, kết quả theo pose | dùng tolerance đo thật và phân bố vị trí |
| Quy trình | fixture, conveyor, bẩn, operator | lỗi theo ca/máy/mã hàng | khảo sát line, thêm background asset |
| Cảm biến | lens, resolution, distortion, trigger, compression | đánh giá theo camera instance | calibration và mô phỏng acquisition |
| Ngữ nghĩa | định nghĩa lỗi, ranh giới accept/reject | mức đồng thuận inspector | sửa ontology và edge case |
| Thời gian | wear, đèn già, mùa, đổi supplier | holdout giai đoạn sau | trigger recalibration và update |
Không nên định nghĩa generator là “máy tạo ảnh chân thực”. Hãy định nghĩa nó là quy trình sản xuất dữ liệu, đồng thời xuất factor kiểm soát, căn cứ của khoảng giá trị, source asset, code/model version, seed, label và QA. Ảnh không trace hoặc regenerate được sẽ khó audit khi thêm loại lỗi hoặc cập nhật model.
Data contract cho synthetic data manufacturing
| Trường hợp đồng | Nội dung bắt buộc | Bằng chứng nghiệm thu |
|---|---|---|
| Use case | detection, classification, segmentation, pose, grasp | process map và hậu quả của error |
| Data unit | image, frame, sequence, scene | ID scheme và duplicate report |
| Factor space | sản phẩm, lỗi, pose, ánh sáng, nền, sensor | factor table, range, lý do distribution |
| Label schema | class, mask, box, pose, visibility | ontology, boundary example, QA record |
| Provenance | CAD, texture, ảnh thật, generator | nguồn, licence, version, hash |
| Generation | engine, config, seed, code | manifest và cách regenerate |
| Quality gate | artifact, duplicate, label, nội dung cấm | kiểm tự động và human sample review |
| Split policy | train, tune, final acceptance | tách family, lot, asset, time |
| Security | bí mật, con người, transfer, retention | access log, deletion evidence |
| Change control | lý do, ảnh hưởng, retest, rollback | version diff và approval |
Lý do của distribution đặc biệt quan trọng. “Sinh ngẫu nhiên vết xước 0–20 mm” chưa đủ: khoảng đó đến từ process hay quality standard nào, có nên uniform không, bao nhiêu boundary/extreme case? Oversampling lỗi hiếm có thể giúp train nhưng làm lệch probability calibration và threshold. Phải lưu training sampling distribution riêng với prevalence dùng cho acceptance và operation.
So sánh Real-only, Synthetic-only và Mixed
Không có tỷ lệ synthetic tối ưu chung. Đừng khóa phần trăm trước baseline. Hãy chạy tối thiểu ba nhánh dưới cùng model family, compute budget, split và evaluation code:
- Real-only: toàn bộ dữ liệu thật hiện có.
- Synthetic-only: đo sim-to-real và ranh giới thất bại.
- Mixed: dữ liệu thật cộng tổng hợp ở nhiều tỷ lệ.
Cũng cần phân biệt pretrain trên synthetic rồi fine-tune trên real với trộn hai nguồn trong cùng batch. Nghiên cứu năm 2025 *Fully-Synthetic Training for Visual Quality Inspection in Automotive Production* dùng domain randomization và báo cáo rằng trong ba real inspection scenario, object detector train hoàn toàn bằng ảnh synthetic có thể vượt model train bằng ảnh thật. Đây là bằng chứng cho ba scenario, model và pipeline của tác giả, không có nghĩa mọi nhà máy có thể bỏ dữ liệu thật. Giá trị thực dụng là tạo một synthetic-only comparison arm và giữ real holdout độc lập.
Ngăn data leakage
Random split theo từng ảnh có thể đưa cùng một chi tiết, frame video liền kề hoặc rendering gần giống trong cùng seed family vào cả train và test. Nên split theo lot, ngày, máy, mold, serial, acquisition session, CAD family hoặc generation-seed family.
Final acceptance set nên chứa:
- ảnh thật freeze trước PoC, không cho nhóm generate/train xem;
- lot, vật liệu, ánh sáng, máy hoặc camera instance mới;
- normal khó như glare, bẩn, texture và fixture;
- critical defect cùng normal dễ nhầm với defect;
- giai đoạn thời gian sau để thấy degradation.
Synthetic sample có thể kiểm chất lượng generator nhưng không chứng minh hiệu năng trên line. Go/No-Go chính phải dựa trên real data cách ly và line trial.
Yêu cầu RFP cho Dữ liệu tổng hợp trong kiểm tra ngoại quan
RFP cần yêu cầu artifact giúp tìm nguyên nhân lỗi, không chỉ số file.
1. Scope và ngoại lệ
Chỉ rõ line, product family, defect, camera, takt, điểm quyết định và downstream action. Liệt kê lỗi và máy không thuộc phạm vi. Sales demo rộng không được hiểu thành production guarantee.
2. Asset và quyền
Quy định quyền với CAD, texture, ảnh thật, generated asset, weight, prompt, adapter và third-party material; bao gồm derivative work, cross-border transfer, vendor training, retention và deletion sau hợp đồng.
3. Reproducible generation
Yêu cầu software/model version, code, config, seed, dependency và hardware trong manifest. FAT phải cho thấy regenerate được mẫu. Với generator nondeterministic, nghiệm thu distribution và quality gate tái lập được thay vì bắt pixel giống hệt.
4. Đo điều kiện thật
Ghi illuminance, khoảng cách camera, focus, exposure, lens, nền, tốc độ conveyor, pose và machine state. Factor chưa từng đo không có căn cứ để randomize. Nếu ảnh không được rời nhà máy, hãy so sánh on-premises pipeline chỉ xuất statistic đã phê duyệt.
5. Dataset QA
Tự động kiểm duplicate, label sai, vị trí defect phi vật lý, empty mask, class mismatch, artifact, watermark, text và vật thể mật. Sau đó Quality/Engineering review stratified sample về cơ chế phát sinh và tiêu chí kiểm, không chỉ độ đẹp.
6. Performance floor
Báo cáo precision, recall, F1, mAP, mIoU hay pose error phù hợp, tách theo defect, product, asset, ánh sáng, pose và size. Ở cấp line, đo escape, false reject, reinspection, manual review, inference time và downtime.
7. Update và exit
Định nghĩa khi nào review gap, defect thật mới vào hệ thống ra sao và thay đổi nào trigger retest. Khi kết thúc phải bàn giao data, asset, code/config, manifest, evaluation, known limitation và deletion evidence.
Để xem thiết kế tổng thể từ camera đến vận hành, tham khảohướng dẫn triển khai AI kiểm tra ngoại quan. Bài này chủ động thu hẹp vào lớp dữ liệu, mua sắm và nghiệm thu.
PoC dữ liệu tổng hợp trong 90 ngày
90 ngày là ví dụ, không phải cam kết. Chuẩn bị CAD, thu lỗi thật, sửa máy, đánh giá safety hay phê duyệt khách hàng có thể lâu hơn. Hãy quản trị bằng gate và bằng chứng.
Ngày 0–15: Value hypothesis và data contract
- mô tả process, current inspection, error loss và annual volume;
- để Quality duyệt defect ontology và boundary;
- inventory real data theo lot, asset và time;
- chọn gap hypothesis, phương pháp sinh, quyền và security;
- freeze real acceptance set và evaluation code;
- chạy real-only baseline.
Nếu inspector chưa thống nhất defect, không ghi được điều kiện camera hoặc không bảo vệ được independent holdout, hãy sửa trước khi generate.
Ngày 16–35: Minimum generator và Data QA
Làm pipeline nhỏ nhất cho một product, một camera, một đến hai defect. Xuất manifest/label, chạy automatic QA và để Quality review stratified sample. Chỉ scale sau khi loại shortcut cue và sample phi vật lý.
Ngày 36–55: So sánh Real-only/Synthetic-only/Mixed
Dùng cùng model, training budget và inference condition. Xem slice và error type, không chỉ tổng. Synthetic có thể cải thiện điều kiện thường nhưng tăng false alarm trên bề mặt phản xạ; không để average che regression, phải đưa lại gap register.
Ngày 56–70: Shadow test trên line
Chạy song song inspection hiện tại, chưa điều khiển disposition. Quan sát correlated frame, takt, network delay, reconnect camera, changeover, sau vệ sinh và light aging. Ghi thời gian human review và xử lý false reject.
Ngày 71–85: Closed-loop correction
Phân lỗi thành thiếu real data, thiếu synthetic distribution, label disagreement, equipment condition hoặc model limit. Mỗi lần chỉ đổi một causal group. Ghi rõ cải thiện đến từ synthetic, real image, optical change hay threshold.
Ngày 86–90: Nghiệm thu hoặc dừng
Đánh giá trên frozen real set và ca sản xuất chọn trước; quyết định Go, conditional Go, extension hoặc Stop. Nhận manifest, rights, monitoring, update, rollback, training và known limitation, không chỉ model weight. Kết hợphướng dẫn tiêu chí kết thúc AI PoC để tránh pilot kéo dài vô thời hạn.
Nghiệm thu: Process Loss và Slice Floor trước điểm trung bình
| Cấp | Chỉ số ví dụ | Điều cần quyết định |
|---|---|---|
| Model | recall, precision, mAP, mIoU, pose error | năng lực perception |
| Slice | sàn theo defect/size/product/asset/light | điểm yếu bị average che |
| Process | escape, false reject, reinspection, takt, downtime | ảnh hưởng nhà máy |
| Operation | review effort, retraining time, gap cost, recovery | khả năng duy trì |
Không đặt chung “recall 98%” mà bỏ qua current inspection, customer requirement, redundancy, sample size và confidence interval. Nếu acceptance set chỉ có 20 critical defect, phát hiện đủ 20 chưa ước lượng future recall đủ hẹp. Hãy báo số mẫu và uncertainty, kéo dài shadow period và giữ safeguard của process khi bằng chứng chưa đủ.
Acceptance Evidence Pack
Liên kết thành một controlled release:
- requirement ID, process, risk và accountable owner;
- manifest dữ liệu thật/tổng hợp, provenance, licence, hash;
- factor table, seed, generator code/model version;
- split evidence và duplicate test;
- so sánh real-only, synthetic-only, mixed;
- slice result, confusion matrix, representative error;
- shadow log, disposition, takt và downtime;
- domain-gap register và mục chưa giải quyết;
- change history, retest và approver;
- quy trình rollback model/data cùng restoration test.
PDF report thôi chưa đủ. Cần machine-readable manifest trace mỗi result đến data, model, config và execution log, tránh thay dataset âm thầm trong khi report cũ vẫn giữ nguyên.
Điều kiện dừng cho PoC có kỷ luật
Điều kiện dừng bảo vệ đầu tư. Ví dụ cần thống nhất trước PoC:
- critical-defect floor trên isolated real set trượt hai gate liên tiếp;
- tăng gấp đôi synthetic volume nhưng improvement trên real data dưới mức tối thiểu đã chốt;
- slice máy, product hoặc ánh sáng quan trọng vẫn yếu và không có cách sửa đáng tin;
- không audit được provenance, rights, deletion hoặc regeneration;
- inspector agreement thấp nên target truth không ổn định;
- takt, manual review hoặc false reject vượt process limit;
- chi phí thu thập, regenerate, train và accept lại vượt budget cap;
- vendor lock-in ngăn bàn giao asset, manifest hoặc evidence.
Chỉ gia hạn khi đã xác định nguyên nhân, thay đổi có cơ sở, thời hạn, chi phí và reacceptance gate bằng văn bản. “Train thêm có thể tốt hơn” không đủ.
ROI/TCO phải nêu rõ giả định
Dữ liệu tổng hợp có thể giảm một phần collection/label, cho phép làm trước mass production và tái tạo tình huống nguy hiểm. Nó cũng thêm chi phí CAD/material, generator QA, gap analysis, real acceptance và update liên tục.
Bảng sau chỉ minh họa giả định, không phải giá thị trường hay cam kết hiệu quả.
| Giả định | Ví dụ | Cách lấy căn cứ |
|---|---|---|
| Thu và label dữ liệu thật | 300 THB/mẫu | work record nội bộ |
| Mẫu thật baseline | 20.000 | training plan |
| Chi phí platform ban đầu | 2.000.000 THB | vendor quote |
| Update mỗi năm | 900.000 THB | số lần đổi product/asset |
| Mẫu thật sau triển khai | 8.000 | giả thuyết cần kiểm trong PoC |
| Giảm quality escape | chưa tính | chỉ thêm sau khi đo |
Chi phí dữ liệu baseline đơn giản là 20.000×300 = 6.000.000 THB. Phương án synthetic là 8.000×300 + 2.000.000 + 900.000 = 5.300.000 THB, chênh lệch giả định năm đầu 700.000 THB. Nhưng nếu vẫn cần 12.000 mẫu thật, phương án thành 6.500.000 THB và mất lợi thế. Vì vậy tỷ lệ giảm real data là biến cần đo trong PoC, không phải saving bảo đảm. Chỉ bổ sung lợi ích giảm escape hoặc rút ngắn launch sau khi có số thật.
TCO cần gồm compute, render farm, cloud transfer, asset creation, generator review, MLOps, licence, storage, factory capture, reacceptance, training và audit. So giá trên mỗi ảnh sẽ che phần lớn công việc lặp lại.
Governance cho nhà máy ở Thái Lan
Định hướng “Driving Trust AI Governance” 2026 của ETDA nhấn mạnh guideline/toolkit, impact assessment, testing và AI an toàn, minh bạch, công bằng, có trách nhiệm. Nội dung này không chứng nhận phương pháp synthetic data, nhưng tạo bối cảnh chính sách địa phương để dự án giữ provenance, owner, risk, test và evidence.
Câu hỏi mua sắm thực tế gồm:
- CAD, ảnh thật và generated asset có được chuyển giữa nhà máy Thái Lan, HQ và vendor không?
- Ảnh có nhân viên/khách dùng cho mục đích gì, ai truy cập và giữ bao lâu?
- Chi tiết hoặc jig mật của khách hàng có được dùng train model vendor không?
- Ai chịu trách nhiệm cuối cùng cho quality disposition, line stop và scrap?
- Thay product, camera, generator hay model nào trigger reacceptance?
- Cybersecurity, OT connectivity và functional safety có review riêng với dataset quality không?
Synthetic không có nghĩa là được chia sẻ tự do. Ảnh sinh có thể tái hiện CAD hoặc layout bí mật và vẫn lộ trade secret. Cần information classification và điều khoản theo từng asset.
Lỗi triển khai thường gặp
- Lấy số ảnh làm KPI: volume tăng nhưng diversity hữu ích không tăng.
- Cho nhóm generator xem final set: acceptance biến thành tuning.
- Chỉ nhìn photorealism: realism cho người khác feature model sử dụng.
- Bỏ hard normal: glare và bẩn thành defect giả.
- Khóa một synthetic ratio: optimum thay đổi theo defect và stage.
- Nghiệm thu theo average: critical slice vẫn thất bại.
- Không version generator: không reproduce hoặc root cause được.
- Ngừng thu real data: không thấy drift và failure mode mới.
Checklist triển khai
Trước RFP
- [ ] Thống nhất process, defect, exclusion và error cost.
- [ ] Có real-only baseline và isolated real holdout.
- [ ] Quality duyệt ontology và label boundary.
- [ ] Kiểm quyền CAD, ảnh và generated asset.
- [ ] Có appearance/content/process/time gap hypothesis.
- [ ] Duyệt stop rule và budget cap.
Trong PoC
- [ ] Manifest factor, distribution rationale, seed và version.
- [ ] Kiểm duplicate, artifact, label và confidential leakage.
- [ ] So sánh real-only, synthetic-only, mixed công bằng.
- [ ] Đánh giá defect/product/asset/light/pose/size slice.
- [ ] Đo takt, review, false reject và downtime ở shadow mode.
- [ ] Liên kết mỗi gap correction với hiệu quả.
Trước nghiệm thu
- [ ] Đánh giá lại trên frozen real data và giai đoạn sau.
- [ ] Đạt critical slice floor và process KPI.
- [ ] Ghi unresolved gap và operating envelope.
- [ ] Có retest trigger khi đổi product/machine/camera/generator.
- [ ] Nhận data/config/manifest/rights/deletion evidence.
- [ ] Diễn tập rollback về inspection hiện tại.
FAQ: triển khai dữ liệu tổng hợp trong sản xuất
Dữ liệu tổng hợp cho kiểm tra ngoại quan có thể loại bỏ toàn bộ ảnh lỗi thật không?
Thông thường vẫn cần dữ liệu thật để nghiệm thu nhà máy. Một số nghiên cứu cho kết quả synthetic-only tốt nhưng không chứng minh transfer giống nhau cho sản phẩm, quang học, process và defect của bạn. Nếu lỗi thật cực hiếm, hãy kết hợp hard normal, process trial, expert review và shadow monitoring sau launch, đồng thời nêu uncertainty.
Nên dùng 3D hay Generative AI để tạo ảnh lỗi?
3D phù hợp khi geometry, pose, occlusion và label cần kiểm soát chặt. Generative model có thể tạo appearance variation nhanh hơn. Hệ hybrid có thể dùng 3D cho geometry/label, generative cho texture và ảnh thật cho background/sensor. Chọn theo reproducibility, rights, gap closure và kết quả trên real data.
Tỷ lệ dữ liệu thật và tổng hợp tốt nhất là bao nhiêu?
Không có tỷ lệ chung. Nó thay đổi theo defect, product, model, generator và fine-tuning. Hãy so real-only, synthetic-only và nhiều mixed ratio trên cùng isolated real set, rồi quyết định bằng slice floor quan trọng và process loss.
Đo Domain Gap như thế nào?
Dùng image statistics và embedding để chẩn đoán, sau đó phân error trên real data thành optical, geometric, process, sensor, semantic và temporal. Phép đo quyết định là slice thật nào cải thiện hay suy giảm sau khi thêm synthetic. Không nghiệm thu bằng một gap score.
Điều kiện dừng PoC 90 ngày nên là gì?
Ví dụ: critical-defect floor không đạt, major gap chưa giải quyết, quyền hoặc regeneration không audit được, takt/review vượt giới hạn và recurring TCO vượt ngân sách. Gia hạn phải có nguyên nhân, thay đổi, deadline, chi phí và reacceptance gate rõ ràng.
Tóm tắt: mua hiệu năng trên line thật và bằng chứng, không mua một kho ảnh
Chương trình synthetic data manufacturing phải bàn giao quy trình trace được: scope, factor distribution, provenance, rights, generator version, label, quality gate, real–synthetic mixing, domain-gap register, stop rule và acceptance result. So sánh real-only, synthetic-only, mixed công bằng; quyết định trên isolated real set và shadow line. Nghiên cứu và case vendor dùng để xây giả thuyết, không bảo đảm kết quả nhà máy. Nghiệm thu nghĩa là critical operating slice đạt process requirement và hệ thống có thể retest/rollback sau thay đổi.
TOMAS TECH có thể hỗ trợ từ đánh giá “có nên dùng synthetic data không”, inventory dữ liệu, RFP, PoC 90 ngày đến thiết kế acceptance evidence cho kiểm tra ngoại quan và robot perception. Doanh nghiệp có thểliên hệ với chúng tôi ngay khi đang so sánh phương án, trước khi cam kết với generation platform.
Tài liệu tham khảo
- NIST, “2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing” (3 July 2026): https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing
- NIST, “Artificial Intelligence (AI) for Manufacturing” (updated 17 July 2026): https://www.nist.gov/programs-projects/artificial-intelligence-ai-manufacturing
- NVIDIA, “Metropolis for Factories”: https://developer.nvidia.com/metropolis-for-factories
- NVIDIA, “Omniverse Replicator”: https://docs.omniverse.nvidia.com/extensions/latest/ext_replicator.html
- Eltoum et al., “BladeSynth,” Scientific Data 12, 1268 (2025): https://www.nature.com/articles/s41597-025-05563-y
- Zhang et al., “Pseudo defect guided meta calibration for few shot industrial defect segmentation,” Scientific Reports (2026): https://www.nature.com/articles/s41598-026-63902-4
- Huber, Knoll & Guthe, “Fully-Synthetic Training for Visual Quality Inspection in Automotive Production,” Procedia CIRP 134 (2025): https://arxiv.org/abs/2503.09354
- ETDA, “AI 2026: Driving Trust AI Governance” (9 June 2026): https://www.etda.or.th/th/pr-news/aigc_Driving-Trust_AI_Governance.aspx
Bài viết là hướng dẫn mua sắm và triển khai chung dựa trên thông tin công khai được kiểm tra đến ngày 20/9/2026. Nội dung không thay đánh giá functional safety theo thiết bị, bảo đảm chất lượng, hoặc tư vấn pháp lý và hợp đồng.
