Series Từ số hóa đến AI #5: AI khác gì dashboard và phần mềm quản lý thông thường?

I. Mô hình bốn tầng dễ hiểu

Có thể hình dung hệ thống số trong nhà máy theo bốn tầng:

1. Quy trình số/phần mềm quản lý: nơi tạo và kiểm soát công việc.
2. Dữ liệu có cấu trúc: nguyên liệu để đo lường và phân tích.
3. Dashboard và cảnh báo: lớp quan sát tình hình.
4. AI: lớp hỗ trợ khai thác dữ liệu và tri thức sâu hơn.

Nếu tầng dưới yếu, tầng trên khó đáng tin. AI không thể tự tạo lịch sử bảo trì đầy đủ nếu kỹ thuật viên không ghi nhận; cũng không thể chọn đúng SOP hiện hành nếu kho tài liệu không kiểm soát phiên bản.

II. Phần mềm quản lý thông thường làm gì?

Phần mềm quản lý vận hành theo các quy tắc và workflow được thiết kế trước. Ví dụ, CMMS có thể:

• Quản lý danh mục thiết bị và cấu trúc tài sản.
• Tiếp nhận yêu cầu, tạo và giao phiếu bảo trì.
• Lập lịch PM, nhắc việc và theo dõi quá hạn.
• Ghi nhận phụ tùng, nhân công, thời gian và lịch sử.
• Phân quyền, phê duyệt và lưu audit trail.

MES hoặc hệ thống theo dõi sản xuất có thể:

• Nhận kế hoạch và quản lý lệnh sản xuất.
• Ghi nhận sản lượng, trạng thái, dừng máy và lỗi.
• Theo dõi tiến độ, cycle time và OEE.
• Liên kết sản phẩm, ca, dây chuyền và công đoạn.

Các hệ thống này tạo ra kỷ luật vận hành và nguồn dữ liệu. Chúng không cần AI để tạo giá trị lớn.

III. Dashboard làm gì?

Dashboard tổng hợp dữ liệu theo công thức và quy tắc đã xác định, giúp người dùng theo dõi:

• Sản lượng so với kế hoạch.
• OEE và ba thành phần Availability, Performance, Quality.
• Top thiết bị hoặc nguyên nhân dừng máy.
• Backlog và PM quá hạn.
• Tỷ lệ lỗi theo sản phẩm, công đoạn, ca hoặc máy.
• Trạng thái đơn hàng và nguy cơ trễ.

Dashboard có thể có bộ lọc, drill-down, cảnh báo màu và cập nhật gần thời gian thực. Nhưng nếu hệ thống chỉ áp dụng công thức cố định và hiển thị dữ liệu, đó chưa phải AI.

IV. AI bổ sung điều gì?

AI có thể hỗ trợ những tác vụ khó viết thành một bộ quy tắc đơn giản hoặc tốn nhiều thời gian cho con người.

Phân tích và tìm mẫu

AI có thể hỗ trợ phát hiện dừng máy tăng chủ yếu ở ca đêm, sau một nhóm sản phẩm hoặc liên quan đến một kiểu lỗi lặp lại. Kết quả này vẫn cần người nghiệp vụ kiểm tra.

Tóm tắt và hỏi đáp

AI có thể tóm tắt tình hình ca, giải thích những điểm bất thường hoặc trả lời câu hỏi dựa trên manual, SOP và lịch sử đã được phân quyền.

Phân loại và gợi ý

AI có thể gợi ý nhóm nguyên nhân từ mô tả tự do, xếp ưu tiên phiếu việc, đề xuất tài liệu liên quan hoặc gợi ý bước kiểm tra ban đầu.

Cảnh báo bất thường và dự báo

Trong những bài toán có dữ liệu phù hợp, AI có thể tìm hành vi lệch khỏi mẫu bình thường hoặc ước lượng rủi ro. Đây là nhóm use case cần kiểm chứng kỹ hơn vì sai số có thể ảnh hưởng vận hành.

V. Cùng một vấn đề, ba lớp hệ thống xử lý thế nào?

Giả sử một dây chuyền có OEE giảm.

AI không thay thế ba bước còn lại. Nó hỗ trợ rút ngắn bước phân tích khi dữ liệu đủ tốt.

VI. Khi nào một tính năng có thể được xem là ứng dụng AI thật sự?

Một ứng dụng AI có giá trị nên trả lời được bốn câu hỏi:

1. AI dùng dữ liệu hoặc tri thức nào?
2. AI hỗ trợ ai, tại bước nào trong quy trình?
3. Đầu ra được kiểm chứng và phê duyệt thế nào?
4. Hiệu quả được đo bằng KPI gì?

Ví dụ, “AI Copilot cho kỹ thuật viên” vẫn quá chung. Một mô tả tốt hơn là:

Khi kỹ thuật viên nhận phiếu sự cố cho nhóm máy đóng gói, Copilot tìm trong manual, SOP, lỗi đã xử lý và checklist đang hiệu lực; trả lời kèm nguồn; kỹ thuật viên đánh giá hữu ích/không hữu ích. KPI là thời gian tìm tài liệu và tỷ lệ câu trả lời được xác nhận đúng.

VII. Ba câu hỏi cần hỏi khi nhà cung cấp nói “có AI”

AI thực sự tạo đầu ra nào?

Yêu cầu nhà cung cấp minh họa bằng dữ liệu và quy trình của nhà máy, không chỉ bằng một chatbot chung hoặc dashboard có nhãn “smart”.

AI cần điều kiện đầu vào gì?

Dữ liệu lịch sử bao lâu, mức đầy đủ ra sao, có cần cảm biến, tài liệu phải chuẩn hóa thế nào, quyền truy cập được xử lý ra sao?

Nếu AI sai thì quy trình phản ứng thế nào?

Ai kiểm tra, có hiển thị nguồn không, có log không, có thể từ chối trả lời khi thiếu bằng chứng không, và quyết định nào không được tự động hóa?

Nếu ba câu hỏi này chưa rõ, nhà máy chưa nên xem tính năng đó là một use case AI hoàn chỉnh.

VIII. Dashboard có thể “thông minh” mà không cần AI không?

Có. Nhiều giá trị có thể đạt được bằng quy tắc truyền thống:

• Cảnh báo PM quá hạn.
• Cảnh báo OEE dưới ngưỡng.
• Tô đỏ lệnh có nguy cơ trễ dựa trên tiến độ hiện tại.
• Phân tích Pareto nguyên nhân dừng máy.
• Tính MTTR, MTBF hoặc tỷ lệ hoàn thành kế hoạch.

Nếu một quy tắc rõ ràng giải quyết tốt vấn đề, không cần dùng AI. Giải pháp đơn giản thường dễ kiểm chứng, vận hành và bảo trì hơn.

AI phù hợp khi số lượng biến lớn, mẫu thay đổi, dữ liệu phi cấu trúc nhiều hoặc người dùng cần hỏi theo ngôn ngữ tự nhiên.

IX. Có thể nhảy thẳng lên AI không?

Một số use case rủi ro thấp có thể bắt đầu sớm. Chẳng hạn, AI Copilot cho một bộ tài liệu đã được làm sạch hoặc AI hỗ trợ tóm tắt báo cáo có thể chạy song song với quá trình số hóa.

Tuy nhiên, cần giới hạn phạm vi và không kỳ vọng AI bù cho những khoảng trống nền tảng. Với dự báo hỏng máy, tối ưu kế hoạch hoặc tự động quyết định chất lượng, yêu cầu dữ liệu, kiểm chứng và quản trị cao hơn đáng kể.

Cách tiếp cận tốt là “đi từng bước nhưng thiết kế để sẵn sàng cho AI”:

• Chuẩn hóa mã và dữ liệu từ đầu.
• Giữ nguồn, phiên bản và lịch sử chỉnh sửa.
• Thiết kế API và khả năng xuất dữ liệu.
• Ghi nhận phản hồi người dùng.
• Xác định rõ quyết định nào do con người phê duyệt.

X. Vai trò của con người trong hệ thống có AI

Trong hầu hết tình huống nhà máy, AI nên là công cụ hỗ trợ. Con người vẫn cần:

• Xác nhận ngữ cảnh hiện trường.
• Kiểm tra nguồn và độ tin cậy.
• Cân nhắc an toàn, chất lượng và ràng buộc sản xuất.
• Phê duyệt hành động có rủi ro.
• Phản hồi để cải thiện dữ liệu, tài liệu và mô hình.

Một quy trình human-in-the-loop rõ ràng giúp nhà máy khai thác tốc độ của AI mà không giao trách nhiệm vận hành cho một hệ thống không hiểu toàn bộ bối cảnh.

XI. Checklist đánh giá một use case AI

• Bài toán có đủ cụ thể và đáng giải quyết không?
• Công cụ truyền thống hoặc dashboard có giải quyết đủ tốt không?
• Dữ liệu/tài liệu đầu vào có nguồn và chủ sở hữu không?
• Người dùng sẽ sử dụng đầu ra ở bước nào?
• Có tiêu chí đúng/sai và tập kiểm thử không?
• Có yêu cầu trích nguồn, log và phân quyền không?
• Quyết định cuối cùng thuộc về ai?
• KPI thành công là thời gian, độ chính xác, chi phí hay rủi ro nào?

XII. Câu hỏi thường gặp

Dashboard có phải AI không?

Không. Dashboard hiển thị dữ liệu theo công thức, bộ lọc và quy tắc. Chỉ khi có năng lực phân tích, học mẫu, xử lý ngôn ngữ, dự báo hoặc gợi ý vượt ra ngoài logic cố định mới có thể xem là AI, tùy cách triển khai.

Chatbot trả lời câu hỏi có phải AI Copilot cho nhà máy không?

Chưa chắc. Copilot cần được kết nối với nguồn tri thức được phép, có phân quyền, phiên bản, trích dẫn và quy trình đánh giá. Chatbot chung không có ngữ cảnh vận hành không thể thay thế điều đó.

AI có thể thay phần mềm CMMS hoặc MES không?

Thông thường không. CMMS và MES quản lý quy trình và dữ liệu giao dịch. AI có thể bổ sung lớp phân tích hoặc giao diện hỏi đáp, nhưng vẫn cần hệ thống nền để tạo dữ liệu và kiểm soát công việc.

Có nên yêu cầu AI tự ra quyết định không?

Chỉ trong phạm vi rủi ro thấp, có quy tắc giới hạn, kiểm thử và cơ chế dừng. Với quyết định ảnh hưởng an toàn, chất lượng hoặc sản xuất, nên bắt đầu bằng hỗ trợ và phê duyệt của con người.