Ứng dụng AI trong dây chuyền sản xuất, tưởng dễ mà khó

Đây là một chủ đề nổi bật trong hội thảo “Giải pháp trí tuệ nhân tạo (AI) trong ngành công nghiệp bán dẫn” do Trung tâm Đổi mới sáng tạo, Sở Khoa học và Công nghệ TP.HCM tổ chức chiều 5-8.

Các chuyên gia đã đặt trọng tâm tìm kiếm khả năng triển khai thực tế trong môi trường sản xuất, yếu tố được đánh giá là rào cản lớn nhất hiện nay.

Chuyên gia Dương Quang Huy – kỹ sư từ Ascendas Systems – cho rằng trong các dây chuyền hiện đại, đặc biệt là dây chuyền bán dẫn, các mô hình AI là bắt buộc để phát hiện lỗi trong sản xuất.

Chẳng hạn các kỹ sư có thể sử dụng các công cụ như Deep Network Designer để xây dựng, trực quan hóa và tinh chỉnh mạng nơ ron, hay Classification Learner để thử nghiệm nhiều thuật toán khác nhau và chọn ra mô hình phù hợp nhất với bộ dữ liệu thực tế.

Theo ông Huy, cái khó nằm ở chỗ khi đưa mô hình từ môi trường huấn luyện vào một dây chuyền sản xuất thực tế, liệu mô hình có còn giữ được độ chính xác như trong phòng lab.

Bởi các thuật toán có thể đạt 99% độ chính xác trong môi trường giả lập, nhưng lại bỏ sót lỗi sản phẩm thực sự trên dây chuyền vì một lý do đơn giản như hình ảnh sản xuất bị chói sáng, có vết bụi hoặc linh kiện bị xoay nhẹ góc.

“Thách thức trong phát triển AI không nằm ở thuật toán, mà từ phòng thí nghiệm ra thực tế”, ông Huy khẳng định.

Theo các chuyên gia, một trong những giải pháp nền tảng và quyết định là chuẩn hóa dữ liệu đầu vào và xây dựng bộ dữ liệu huấn luyện chính xác.

Bởi phần lớn lỗi khi triển khai mô hình đến từ dữ liệu đầu vào không nhất quán, chẳng hạn ảnh bị chói sáng, méo góc, thiếu nét, điều kiện ánh sáng khác so với môi trường huấn luyện, hay linh kiện bị xê dịch nhẹ.

Để giải quyết, chuyên gia Dương Quang Huy khuyến nghị cần thực hiện chuẩn hóa dữ liệu hình ảnh trước khi huấn luyện, bao gồm các bước như cân bằng ánh sáng, chỉnh góc, tăng cường tương phản và loại bỏ nhiễu.

Đồng thời việc gán nhãn chính xác bằng các công cụ hoặc kết hợp gán nhãn thủ công và tự động, giúp mô hình học được đặc trưng thực sự của lỗi, thay vì bị nhiễu bởi các đặc điểm không liên quan.

Cũng tại sự kiện, chuyên gia Trần Kim Duy Lân – giám đốc quốc gia của Navagis – nêu ra thêm một nghịch lý khác trong phát triển AI. Đó là một mặt AI có thể giúp giảm 30% thời gian thiết kế chip và tăng đến 25% năng suất nhà máy. Mặt khác, các trung tâm dữ liệu vận hành AI dự kiến sẽ tiêu thụ đến 21% điện năng toàn cầu vào năm 2030.

Trong bối cảnh đó, ông Lân nhấn mạnh đến tầm quan trọng của việc dịch chuyển từ mô hình AI tập trung sang các mô hình phân tán tại thiết bị, cụ thể là Edge AI và on-device AI. Đây được xem là một xu hướng chiến lược để đảm bảo tính bền vững.

Với Edge AI, dữ liệu được xử lý ngay tại thiết bị như camera thông minh, vi điều khiển, hoặc bo mạch nhúng, thay vì phải truyền toàn bộ lên đám mây. Nhờ đó có thể giảm băng thông truyền tải, đồng thời giảm độ trễ, tăng tính riêng tư và quan trọng nhất giảm tới 100-1.000 lần lượng điện tiêu thụ mỗi tác vụ, nhờ loại bỏ bước xử lý trung gian.