Vấn Đề Dữ Liệu Nhà Máy Mà Các Nhà Sản Xuất ASEAN Không Muốn Nói Đến

Rào cản phổ biến nhất đối với việc triển khai AI trong ngành sản xuất ASEAN không phải là thiếu ngân sách, thiếu quyết tâm từ ban lãnh đạo, hay thiếu nhà cung cấp. Đó là tình trạng của hạ tầng dữ liệu nhà máy. Các vấn đề về hạ tầng dữ liệu của nhà sản xuất ASEAN, hệ thống OT và IT biệt lập, việc ghi nhận cảm biến thiếu nhất quán, các lớp ERP và MES không kết nối với nhau, và việc thiếu khung quản lý quyền sở hữu dữ liệu, khiến AI không thể tiếp cận những dữ liệu đầu vào đáng tin cậy mà nó cần để hoạt động trong môi trường sản xuất thực tế. Bài viết này xem xét từng vấn đề cụ thể và giải thích cách các nhà sản xuất có thể giải quyết chúng trước khi đầu tư vào các hệ thống AI.

Vì Sao Dữ Liệu Nhà Máy Là Điểm Khởi Đầu

Các hệ thống AI trong sản xuất, mô hình bảo trì dự đoán, thuật toán kiểm tra chất lượng, công cụ tối ưu hóa sản xuất, đều có chung một yêu cầu cấu trúc: dữ liệu nhất quán, được gắn nhãn, và liên tục theo thời gian. Khi dữ liệu đó không tồn tại ở dạng có thể sử dụng được, một hệ thống AI không thể được huấn luyện, xác thực, hay giám sát trong môi trường sản xuất thực tế.

Nhiều nhà sản xuất ASEAN đã hoàn thành các dự án thí điểm AI với kết quả đầy hứa hẹn trong điều kiện được kiểm soát. Các dự án thí điểm này sau đó không thể mở rộng quy mô vì môi trường dữ liệu sản xuất thực tế không giống với những gì có sẵn trong giai đoạn thí điểm. Đây chính là vấn đề dữ liệu nhà máy: nó không thể nhìn thấy được cho đến khi nó cản trở tiến độ. Mô hình này xuất hiện nhất quán trong các dự án triển khai AI sản xuất trên khắp ASEAN, bao gồm cả các chương trình được xây dựng theo lộ trình Công nghiệp 4.0 quốc gia của Việt Nam.

Bốn Vấn Đề Cụ Thể

1. Hệ Thống OT và IT Biệt Lập

Các hệ thống công nghệ vận hành (OT), PLC, SCADA, DCS, và các hệ thống công nghệ thông tin (IT), ERP, MES, WMS, thường bị tách biệt bởi cả ranh giới hạ tầng lẫn ranh giới tổ chức. Dữ liệu được tạo ra tại xưởng sản xuất không tự động chảy vào các hệ thống nơi lưu trữ logic kinh doanh và hồ sơ lịch sử.

Tại nhiều nhà máy ở ASEAN, sự tách biệt này phản ánh cả các quyết định mua sắm từ trước lẫn những lựa chọn bảo mật có chủ đích. Kết quả là các hệ thống AI được thiết kế để kết nối hiệu suất vận hành với kết quả kinh doanh không có kênh đáng tin cậy nào để nhận đồng thời dữ liệu đầu vào cần thiết từ cả hai lớp hệ thống.

2. Ghi Nhận Cảm Biến Thiếu Nhất Quán

Ngay cả khi cảm biến đã được lắp đặt, việc ghi nhận dữ liệu vẫn thường thiếu nhất quán. Các vấn đề phổ biến bao gồm: tốc độ lấy mẫu thay đổi mà không có tài liệu ghi lại, cảm biến ngừng hoạt động khi đổi ca và không ghi lại dữ liệu thay vì ghi giá trị rỗng, các khoảng trống do gián đoạn mạng không được ghi lại trong bất kỳ nhật ký kiểm tra nào, và cấu hình cảm biến thay đổi khi bảo trì thiết bị mà không có kiểm soát phiên bản cho những thay đổi cấu hình đó.

Những sự thiếu nhất quán này tạo ra dữ liệu huấn luyện chứa các khoảng trống ẩn và những thay đổi mang tính cấu trúc. Một mô hình AI được huấn luyện trên dữ liệu này có thể có vẻ hoạt động tốt trong giai đoạn phát triển nhưng lại cho ra kết quả không đáng tin cậy trong môi trường sản xuất thực tế, vì nó đã học các mẫu hình từ dữ liệu không phản ánh chính xác quy trình thực tế.

3. Sự Không Kết Nối Giữa ERP và MES

Hệ thống điều hành sản xuất (MES) theo dõi những gì diễn ra tại xưởng sản xuất: lệnh sản xuất, số lượng sản phẩm, các trường hợp giữ chất lượng, thời gian máy ngừng hoạt động. Hệ thống hoạch định nguồn lực doanh nghiệp (ERP) theo dõi lớp kinh doanh: tồn kho, mua sắm, tài chính, đơn hàng khách hàng.

Tại nhiều hoạt động sản xuất ở ASEAN, hệ thống MES và ERP được mua ở những thời điểm khác nhau, từ những nhà cung cấp khác nhau, với công việc tích hợp tùy chỉnh không được duy trì bảo trì. Kết quả là dữ liệu từ cả hai hệ thống không thể được kết nối một cách đáng tin cậy. Một nhà sản xuất muốn huấn luyện hệ thống AI để tương quan các thông số sản xuất với kết quả chi phí sẽ phải đối mặt với vấn đề căn bản về đồng bộ dữ liệu trước khi bất kỳ công việc mô hình hóa nào có thể bắt đầu.

4. Thiếu Quyền Sở Hữu Dữ Liệu

Tại nhiều nhà máy, không ai thực sự sở hữu dữ liệu. Đội kỹ thuật sở hữu thiết bị. Đội IT sở hữu hệ thống mạng. Đội vận hành sở hữu các quy trình. Đội tài chính sở hữu báo cáo. Khi một dự án AI bắt đầu, câu hỏi ai chịu trách nhiệm về chất lượng dữ liệu, quyền truy cập dữ liệu, và quản trị dữ liệu thường không có câu trả lời rõ ràng.

Đây không phải là vấn đề công nghệ. Đó là vấn đề thiết kế tổ chức biểu hiện dưới dạng một hạn chế công nghệ. Khi không có quyền sở hữu dữ liệu được chỉ định rõ ràng, các vấn đề về chất lượng dữ liệu không được giải quyết, các yêu cầu truy cập bị đình trệ, và cấu trúc trách nhiệm cần thiết để duy trì một hệ thống AI trong môi trường sản xuất không tồn tại.

Các Vấn Đề Này Liên Kết Với Nhau Như Thế Nào

Bốn vấn đề này không tồn tại độc lập. Hệ thống OT và IT biệt lập khiến việc thực thi ghi nhận cảm biến nhất quán trở nên khó khăn hơn. Nhật ký cảm biến thiếu nhất quán khiến việc đối chiếu ERP và MES trở nên không đáng tin cậy. Thiếu quyền sở hữu dữ liệu có nghĩa là không ai khắc phục các khoảng trống khi chúng được xác định. Kết quả là một khoản thâm hụt hạ tầng dữ liệu ngày càng lớn khi nhà máy tạo ra nhiều dữ liệu hơn.

Các nhà sản xuất cố gắng giải quyết những vấn đề này chỉ khi một dự án AI đã đang được triển khai sẽ gặp phải sự chậm trễ đáng kể. Công việc xây dựng hạ tầng cần thiết đòi hỏi thời gian, thường là vài tháng để đạt được độ tin cậy dữ liệu cơ bản, và không thể được rút ngắn bằng cách bổ sung thêm nhà cung cấp công nghệ.

Bắt Đầu Từ Đâu

Một điểm khởi đầu thực tế là tiến hành đánh giá hạ tầng dữ liệu trước khi lựa chọn bất kỳ nhà cung cấp AI nào. Việc đánh giá nên lập bản đồ tất cả các nguồn dữ liệu theo loại, chủ sở hữu, tốc độ lấy mẫu, và vị trí lưu trữ; xác định nơi dữ liệu OT và IT có thể được kết nối và nơi không thể; ghi lại tất cả các khoảng trống đã biết trong nhật ký cảm biến lịch sử; và chỉ định quyền sở hữu dữ liệu tạm thời cho các vai trò cụ thể.

Việc đánh giá này không đòi hỏi chuyên môn về AI. Nó đòi hỏi kiến thức về kỹ thuật và vận hành kết hợp với đánh giá trung thực về hiện trạng. Các nhà sản xuất hoàn thành đánh giá này trước khi làm việc với nhà cung cấp AI sẽ giảm thiểu rủi ro thay đổi phạm vi công việc tốn kém sau khi dự án đã bắt đầu.

Gradion hợp tác với các nhà sản xuất ASEAN về mức độ sẵn sàng của hạ tầng dữ liệu trước khi triển khai AI. Đội ngũ kỹ thuật của chúng tôi đã lập bản đồ kiến trúc OT và IT trong các môi trường công nghiệp trên khắp khu vực và hiểu rõ những hạn chế cụ thể xuất hiện tại các cơ sở không được thiết kế sẵn để tích hợp dữ liệu. Trong các dự án AI sản xuất tại Việt Nam và khu vực ASEAN rộng lớn hơn, phát hiện nhất quán nhất là mức độ sẵn sàng của dữ liệu quyết định tiến độ dự án nhiều hơn là việc lựa chọn mô hình hay tài nguyên tính toán.

Câu Hỏi Thường Gặp

Vấn đề dữ liệu nhà máy ngăn cản các nhà sản xuất ASEAN triển khai AI là gì?

Vấn đề dữ liệu nhà máy đề cập đến một nhóm các thách thức về hạ tầng ngăn cản hệ thống AI nhận được dữ liệu đáng tin cậy và nhất quán mà chúng cần để hoạt động trong môi trường sản xuất thực tế. Các vấn đề cốt lõi là hệ thống OT và IT biệt lập, ghi nhận cảm biến thiếu nhất quán, sự không kết nối giữa ERP và MES, và thiếu khung quản lý quyền sở hữu dữ liệu. Những vấn đề này phổ biến trong ngành sản xuất ASEAN vì các nhà máy được xây dựng qua nhiều thập kỷ với các hệ thống được mua sắm độc lập, và việc tích hợp dữ liệu hiếm khi được thiết kế ngay từ đầu.

Cần bao lâu để khắc phục hạ tầng dữ liệu nhà máy trước khi triển khai AI?

Thời gian phụ thuộc vào mức độ nghiêm trọng của các khoảng trống hiện có và độ phức tạp của môi trường nhà máy. Các môi trường đơn giản với khoảng trống tích hợp vừa phải thường cần từ ba đến sáu tháng để đạt được độ tin cậy dữ liệu cơ bản. Các hoạt động nhiều địa điểm phức tạp với hệ thống OT cũ và triển khai ERP phân mảnh có thể cần nhiều thời gian hơn. Một cuộc đánh giá hạ tầng dữ liệu được tiến hành từ đầu quy trình sẽ cung cấp ước tính chính xác hơn cho một cơ sở cụ thể.

Các nhà sản xuất có thể triển khai AI ở một phần của nhà máy trong khi vẫn đang khắc phục hạ tầng dữ liệu ở những phần khác không?

Có, trong một số trường hợp. Các mô hình bảo trì dự đoán cho các danh mục thiết bị cụ thể có thể được triển khai bằng cách sử dụng dữ liệu cảm biến chỉ từ những tài sản đó, mà không cần tích hợp đầy đủ OT và IT. Tuy nhiên, các hệ thống AI đòi hỏi dữ liệu liên chức năng, tương quan các thông số sản xuất với chi phí, chất lượng, và dữ liệu mua sắm, không thể được triển khai một cách đáng tin cậy cho đến khi các khoảng trống tích hợp cơ bản được giải quyết.

Sự khác biệt giữa OT và IT trong bối cảnh sản xuất là gì?

Công nghệ vận hành (OT) đề cập đến phần cứng và phần mềm giám sát và điều khiển thiết bị vật lý: bộ điều khiển logic khả trình (PLC), hệ thống điều khiển phân tán (DCS), và các nền tảng SCADA. Công nghệ thông tin (IT) đề cập đến các hệ thống kinh doanh quản lý dữ liệu và quy trình ở cấp độ tổ chức: ERP, MES, WMS, và các nền tảng CRM. Tại hầu hết các nhà máy, hai lớp hệ thống này phát triển tách biệt và đòi hỏi công việc tích hợp có chủ đích để chia sẻ dữ liệu một cách đáng tin cậy.

Ai nên sở hữu việc quản trị dữ liệu trong một tổ chức sản xuất?

Quản trị dữ liệu trong sản xuất hoạt động tốt nhất khi quyền sở hữu được phân công ở hai cấp độ. Ở cấp độ tài sản, đội kỹ thuật hoặc vận hành nên sở hữu cấu hình cảm biến, hồ sơ hiệu chuẩn, và các tiêu chuẩn ghi nhận dữ liệu cho thiết bị cụ thể. Ở cấp độ doanh nghiệp, một chức năng IT hoặc số hóa nên sở hữu các chính sách truy cập dữ liệu, kiến trúc tích hợp, và giám sát chất lượng dữ liệu. Nếu thiếu một trong hai cấp độ sở hữu này, các vấn đề về chất lượng dữ liệu sẽ được xác định nhưng không được giải quyết, vì trách nhiệm không rõ ràng.