Series Từ số hóa đến AI #14: AI có thể làm gì trong nhà máy? 10 use case thực tế nên cân nhắc

I. Điều kiện tối thiểu của một use case AI có giá trị

Một use case nên trả lời được năm câu hỏi:

1. Người dùng là ai?
2. Bước nào trong quy trình đang tốn thời gian, dễ sai hoặc khó phân tích?
3. AI dùng dữ liệu/tài liệu nào?
4. Đầu ra đúng được định nghĩa và kiểm tra thế nào?
5. KPI thành công là gì?

Nếu câu trả lời chỉ là “dùng AI để tối ưu nhà máy”, phạm vi chưa đủ rõ để đầu tư.

II. Tổng quan 10 use case

“Mức sẵn sàng” phụ thuộc hiện trạng từng nhà máy, không phải xếp hạng tuyệt đối.

III. 1. AI Copilot tra cứu manual, SOP và checklist

AI Copilot cho phép người dùng hỏi bằng ngôn ngữ tự nhiên và nhận câu trả lời dựa trên tài liệu được phép. Ví dụ:

• “Máy A báo lỗi E05 thì kiểm tra bước nào trước?”
• “Quy trình LOTO trước khi thay motor là gì?”
• “Checklist khởi động lại sau bảo trì gồm những bước nào?”

Dữ liệu cần có

Tài liệu chính thức, metadata, phiên bản, ngày hiệu lực, chủ sở hữu và quyền truy cập.

Kiểm soát quan trọng

• Câu trả lời phải có nguồn.
• Chỉ dùng tài liệu đang hiệu lực hoặc được đánh dấu rõ.
• Câu hỏi an toàn/chất lượng cần yêu cầu xác nhận của người có thẩm quyền.
• Có log và phản hồi người dùng.

Đây thường là use case dễ bắt đầu hơn predictive maintenance vì không bắt buộc dữ liệu cảm biến lớn, nhưng quản trị tài liệu phải tốt.

IV. 2. Tóm tắt ca, sự cố và báo cáo quản lý

AI có thể tổng hợp nhiều sự kiện thành bản tóm tắt: sản lượng so kế hoạch, dừng lớn, lỗi tăng, phiếu bảo trì mở và hành động cần chú ý.

Giá trị

• Giảm thời gian viết báo cáo.
• Chuẩn hóa cấu trúc bản tin giữa các ca.
• Giúp quản lý nắm nhanh điểm bất thường.

Rủi ro

AI có thể bỏ sót hoặc diễn giải sai nếu nguồn dữ liệu không rõ. Bản tóm tắt phải liên kết về số liệu gốc và được người phụ trách duyệt trong giai đoạn đầu.

V. 3. Hỗ trợ phân tích dừng máy

AI có thể tìm các mẫu như dừng tăng ở ca đêm, tập trung sau changeover hoặc liên quan một nhóm sản phẩm.

Dữ liệu cần có

Sự kiện dừng theo thời gian, máy, nguyên nhân, ca, sản phẩm, lệnh và phiếu bảo trì liên quan.

AI có thể hỗ trợ

• Gợi ý nhóm nguyên nhân từ mô tả.
• Tìm sự kiện tương tự.
• Tóm tắt Pareto và xu hướng.
• Phát hiện nhóm dừng lặp lại.

AI không nên tự xác nhận nguyên nhân gốc. Sản xuất, bảo trì và chất lượng vẫn cần kiểm tra hiện trường.

VI. 4. Phân tích OEE bằng ngôn ngữ tự nhiên

Dashboard cho biết OEE giảm; AI có thể hỗ trợ đi sâu vào Availability, Performance và Quality theo nhiều chiều.

Ví dụ câu hỏi:

• “OEE dây chuyền A giảm chủ yếu do thành phần nào?”
• “Performance thấp tập trung ở sản phẩm và ca nào?”
• “Nhóm dừng nào tăng sau khi đổi kế hoạch?”

Điều kiện tiên quyết là công thức OEE thống nhất, cycle time chuẩn đúng và dữ liệu dừng/lỗi đủ tin cậy.

VII. 5. AI hỗ trợ troubleshooting

Khi sự cố xảy ra, AI có thể kết hợp tài liệu, lịch sử phiếu việc và dữ liệu hiện trường để gợi ý bước kiểm tra hoặc sự cố tương tự.

Một luồng an toàn có thể là:

1. Kỹ thuật viên cung cấp máy, mã lỗi và hiện tượng.
2. AI tìm manual, SOP, lỗi cũ và checklist liên quan.
3. AI trả về các khả năng và bước kiểm tra, kèm nguồn.
4. Kỹ thuật viên xác nhận hoặc loại trừ.
5. Kết quả cuối cùng được ghi lại vào phiếu để làm giàu tri thức.

AI không được bỏ qua LOTO, quy trình an toàn hoặc tự hướng dẫn hành động ngoài tài liệu được phê duyệt.

VIII. 6. Cảnh báo bất thường trong sản xuất

AI có thể học mẫu bình thường của cycle time, nhiệt độ, dòng điện, áp suất hoặc tỷ lệ lỗi để phát hiện lệch.

Khác cảnh báo ngưỡng thế nào?

Cảnh báo ngưỡng phù hợp khi giới hạn đã rõ. AI hữu ích khi “bất thường” phụ thuộc nhiều biến, điều kiện sản phẩm hoặc trạng thái vận hành.

Thách thức

• Nhiều cảnh báo giả làm người dùng mất niềm tin.
• Dữ liệu thay đổi theo sản phẩm và chế độ.
• Cần xác định hành động sau cảnh báo.
• Phải theo dõi độ trôi và hiệu suất mô hình.

Nên bắt đầu với một tín hiệu hoặc nhóm máy quan trọng, có quy trình xác nhận cảnh báo.

IX. 7. Dự báo hỏng máy - predictive maintenance

Đây là use case hấp dẫn nhưng không nên kỳ vọng quá đơn giản. Thường cần:

• Dữ liệu tình trạng đủ tần suất: rung, nhiệt, dòng, áp suất hoặc tín hiệu phù hợp.
• Lịch sử hỏng được gắn nhãn đúng.
• Điều kiện vận hành và thời điểm bảo trì.
• Đủ số trường hợp để phân biệt bình thường và bất thường.

Nên ưu tiên thiết bị trọng yếu có chi phí dừng lớn và cơ chế hỏng có thể quan sát. Với nhiều thiết bị, condition monitoring và cảnh báo theo quy tắc có thể là bước phù hợp trước AI dự báo.

X. 8. Phân tích chất lượng và nguyên nhân lỗi

Ở lớp dữ liệu, AI có thể tìm mối liên hệ giữa lỗi với sản phẩm, công đoạn, máy, ca, vật tư, nhà cung cấp hoặc thông số quá trình.

Ở lớp tri thức, AI Copilot có thể tìm tiêu chuẩn kiểm tra, CAPA cũ và hướng dẫn xử lý.

Điều kiện

• Mã lỗi và mức nghiêm trọng chuẩn.
• Truy xuất sản phẩm/lô/công đoạn.
• Dữ liệu hành động và kết quả.
• Quy trình xác nhận bởi chất lượng.

AI nên hỗ trợ ưu tiên phân tích, không tự kết luận CAPA hoặc quyết định xuất hàng.

XI. 9. Kiểm tra ngoại quan bằng AI thị giác máy

Computer vision có thể phát hiện một số lỗi bề mặt, thiếu chi tiết, sai vị trí hoặc bất thường hình ảnh.

Cần chuẩn bị

• Ảnh đủ chất lượng và đại diện.
• Nhãn lỗi rõ, được chuyên gia xác nhận.
• Điều kiện ánh sáng, góc chụp và tốc độ ổn định.
• Tiêu chí đo false reject và false accept.
• Quy trình xử lý khi mô hình không chắc chắn.

Một mô hình tốt trong phòng thử có thể kém trên dây chuyền nếu điều kiện chụp thay đổi. Pilot phải chạy trong môi trường thật.

XII. 10. Hỗ trợ dự báo rủi ro tiến độ và ưu tiên kế hoạch

AI có thể ước lượng nguy cơ trễ dựa trên tiến độ hiện tại, tốc độ, downtime, chất lượng, vật tư và năng lực còn lại. Nó cũng có thể gợi ý lệnh cần chú ý.

Đây là bài toán phức tạp vì có nhiều ràng buộc và thay đổi. Trước AI, nhà máy cần dữ liệu lệnh, trạng thái và năng lực đủ tốt; dashboard tiến độ và quy tắc cảnh báo cơ bản phải hoạt động.

AI nên đưa ra gợi ý có lý do, không tự thay đổi lịch sản xuất nếu chưa có cơ chế kiểm soát.

XIII. Cách chọn use case đầu tiên

Chấm từ 1 đến 5 theo sáu tiêu chí:

Use case đầu thường nên có giá trị rõ, dữ liệu khả dụng, kiểm chứng được và rủi ro thấp-trung bình.

XIV. Năm dấu hiệu chưa nên dùng AI

• Bài toán chưa rõ, chỉ muốn “có AI”.
• Dữ liệu đầu vào không có chủ sở hữu hoặc không được tin.
• Quy tắc đơn giản/dashboard đã đủ giải quyết.
• Không có người kiểm tra đầu ra.
• Không có KPI, tập test hoặc cơ chế xử lý khi AI sai.

Trong trường hợp đó, chuẩn hóa quy trình, dữ liệu và dashboard thường là bước đầu tư tốt hơn.

XV. Thiết kế pilot AI có trách nhiệm

• Giới hạn phạm vi người dùng và dữ liệu.
• Dùng dữ liệu thật nhưng bảo vệ quyền truy cập.
• Xây bộ câu hỏi/tình huống kiểm thử trước go-live.
• Đo cả độ chính xác, mức sử dụng, thời gian và rủi ro.
• Hiển thị nguồn, mức chắc chắn và giới hạn.
• Có human-in-the-loop cho quyết định quan trọng.
• Lưu log, phản hồi và đánh giá định kỳ.
• Đặt tiêu chí dừng hoặc quay về quy trình thủ công.

XVI. Câu hỏi thường gặp

AI có thể thay chuyên gia lâu năm không?

Không hoàn toàn. AI có thể giúp lưu, tìm và lan tỏa một phần tri thức; chuyên gia vẫn cần xác nhận ngữ cảnh, nguyên nhân và quyết định khó.

Có cần dữ liệu thời gian thực cho mọi use case AI không?

Không. AI Copilot, tóm tắt báo cáo và phân tích lịch sử có thể dùng dữ liệu theo lô. Cảnh báo bất thường hoặc điều khiển cần độ trễ thấp hơn.

Use case AI nào dễ bắt đầu nhất?

Thường là use case tri thức hoặc hỗ trợ tóm tắt trong phạm vi tài liệu/dữ liệu đã quản lý tốt. “Dễ” vẫn đòi hỏi governance, kiểm thử và người dùng thật.

AI có thể tự ra quyết định trong nhà máy không?

Chỉ nên tự động trong phạm vi rủi ro thấp, quy tắc rõ và đã kiểm chứng. Với an toàn, chất lượng, dừng máy hoặc thay đổi kế hoạch, nên bắt đầu bằng gợi ý và phê duyệt của con người.