Từ bài toán xưởng máy đến nghiên cứu AI
Nghiên cứu AI trong sản xuất là việc dùng các mô hình tính toán để phân tích dữ liệu vận hành, phát hiện tình trạng thiết bị và hỗ trợ quyết định bảo trì. Hai công trình mới của Tiến sĩ Nguyễn Đức Huy cùng cộng sự cho thấy hướng đi này có giá trị nhất khi được thiết kế cho điều kiện máy móc thực tế, thay vì chỉ theo đuổi điểm số thử nghiệm. Ông Huy là chuyên gia AI tại FHM.QAI, FPT Software; nhóm vừa công bố hai bài báo quốc tế về phân loại độ mòn dụng cụ trong gia công CNC.
Bài toán có ý nghĩa trực tiếp với nhà máy: dụng cụ cắt bị mòn ảnh hưởng đến chất lượng gia công, còn giám sát và bảo trì dự đoán có thể giúp phát hiện vấn đề sớm hơn. Nhưng mô hình hữu ích không thể chỉ chính xác; nó còn phải tính toán hiệu quả và chạy được ở môi trường sản xuất có giới hạn tài nguyên. Vì thế, hai nghiên cứu không xem AI như một màn trình diễn công nghệ, mà đặt câu hỏi thực dụng hơn: làm sao đưa việc nhận biết độ mòn vào quy trình vận hành.
Mô hình nhỏ gọn, ưu tiên khả năng triển khai
Hướng thứ nhất tạo ra HyMixNet, mô hình có 0,56 triệu tham số để tự động phân loại độ mòn dụng cụ cắt. Thiết kế kết hợp đặc trưng song song với chuẩn hóa hỗn hợp, nhằm cân bằng độ chính xác và hiệu quả tính toán. Quy mô nhỏ là điểm đáng chú ý: trong sản xuất, một mô hình gọn có thể phù hợp hơn với thiết bị và tài nguyên sẵn có, đồng thời hỗ trợ theo dõi tình trạng dụng cụ và bảo trì dự đoán.
Đây là lựa chọn nghiên cứu có tính kỷ luật. Thay vì mặc định rằng mô hình lớn hơn luôn tốt hơn, nhóm đặt khả năng ứng dụng làm tiêu chí thiết kế. Giá trị của HyMixNet vì vậy không chỉ nằm ở kiến trúc mới, mà ở nỗ lực thu hẹp khoảng cách giữa kết quả trong phòng thí nghiệm và một hệ thống có thể vận hành trong môi trường sản xuất. Với doanh nghiệp, hướng tiếp cận này đáng quan tâm bởi hiệu quả tính toán và điều kiện triển khai thường quyết định AI có được dùng thường xuyên hay không.
Thử nghiệm mô hình ngôn ngữ quy mô nhỏ
Công trình thứ hai mở rộng thử nghiệm sang mô hình ngôn ngữ quy mô nhỏ, với các mô hình từ 0,5B đến 1,7B tham số. Nhóm kết hợp chúng với bộ trích xuất đặc trưng đa tỷ lệ và LoRA, kỹ thuật tinh chỉnh cần thêm tương đối ít tham số. Trong thử nghiệm, phương pháp đạt độ chính xác 94,96% và F1-score 94,89%.
Kết quả này đáng chú ý vì đưa mô hình ngôn ngữ vào một nhiệm vụ công nghiệp cụ thể, thay vì chỉ bàn về khả năng tạo văn bản. Dù vậy, các con số là kết quả thử nghiệm, không tự động chứng minh hiệu quả ở mọi dây chuyền. Ý nghĩa thuyết phục hơn nằm ở việc nghiên cứu cho thấy mô hình ngôn ngữ gọn có thể được kết hợp với xử lý đặc trưng để giải quyết bài toán phân loại tín hiệu trong sản xuất. Đây là một hướng đáng kiểm chứng thêm trong các điều kiện vận hành khác nhau.
Dữ liệu và triển khai mới là phép thử quyết định
Nút thắt của nghiên cứu không chỉ nằm ở thuật toán. Dữ liệu CNC cần được thu thập từ máy móc và cảm biến, đồng thời phải ghi nhận độ mòn dao một cách chuẩn hóa, liên tục và đáng tin cậy; quá trình này tốn kém, phức tạp và cần thiết bị chuyên dụng. Nhóm đã kết nối với một giáo sư tại Bỉ để nhận hỗ trợ về bộ dữ liệu chuẩn phục vụ nghiên cứu và thử nghiệm.
Ông Huy trực tiếp tham gia từ thiết kế phương pháp, phát triển kiến trúc, phân tích dữ liệu và thí nghiệm đến hoàn thiện bản thảo; ông cũng phát triển HyMixNet và mô hình ngôn ngữ tích hợp LoRA. Trước đó, ông tốt nghiệp tiến sĩ tại Đại học Công nghệ Troyes ở Pháp và về nước năm 2019, sau đó làm việc trong lĩnh vực AI và ngôn ngữ lớn. Hai công trình vì thế vừa mở rộng ứng dụng AI vào giám sát độ mòn, vừa nhấn mạnh một nguyên tắc đáng giữ: mô hình chỉ có sức nặng khi dữ liệu đáng tin và bài toán triển khai được đặt ngay từ đầu.
