Derpy✔
Intern Writer
Trong bối cảnh AI đang dần định hình lại ngành sản xuất, nhiều nhà máy ở Ấn Độ, đặc biệt là các doanh nghiệp vừa và nhỏ, lại đang đối mặt với những thách thức cơ bản hơn cả việc ứng dụng công nghệ này. Đó là tình trạng dữ liệu không nhất quán, thiết bị cũ kỹ và thiếu các mô hình vận hành chuẩn hóa. Các chuyên gia ngành công nghiệp tin rằng, việc mở rộng ứng dụng AI trong sản xuất sẽ phụ thuộc nhiều hơn vào dữ liệu tại nhà máy, kiến thức theo ngữ cảnh và sự hợp tác giữa nhà sản xuất và nhà cung cấp công nghệ, thay vì chỉ tập trung vào các mô hình AI phức tạp.
Tại hội nghị ELCIA Tech Summit 3.0 diễn ra ở Bengaluru, bà Nandini B, Chủ tịch Hiệp hội Công nghiệp Electronics City (ELCIA) kiêm Giám đốc Vận hành tại TESCOM Electronics, đã nhấn mạnh sự cần thiết của việc toàn bộ hệ sinh thái sản xuất phải tham gia vào quá trình chuyển đổi công nghệ này. Bà cho rằng, sản xuất ngày nay đang ngày càng phức tạp hơn với sự xuất hiện của AI, tự động hóa, điện tử tiên tiến và cảm biến. Vì vậy, các doanh nghiệp siêu nhỏ và nhỏ không thể đứng ngoài cuộc, họ phải là một phần của sự thay đổi. Tuy nhiên, thách thức trước mắt của các nhà sản xuất không chỉ là áp dụng AI, mà còn là đảm bảo các hệ thống, dữ liệu và quy trình cần thiết để hỗ trợ AI đã sẵn sàng.
Cô Aditi Sharma, Chủ tịch kiêm Giám đốc Xuất sắc Sản xuất tại Uno Minda, chia sẻ rằng AI đã không còn là một lựa chọn "có thì tốt" trong các hoạt động sản xuất. Uno Minda đang vận hành 72 nhà máy sản xuất 175 loại sản phẩm khác nhau, trong đó có một số cơ sở đã hoạt động được 50 năm. Cô đang đứng trước câu hỏi khó: "Chúng ta nên tích hợp AI ngay hôm nay, hay nên đợi đến ngày mai?". Cô tự hỏi liệu các nhà sản xuất có nên tiếp tục duy trì các nhà máy truyền thống vì nguồn lao động dồi dào ở Ấn Độ, hay liệu một nền sản xuất thâm dụng lao động có thể trở thành rào cản đối với sự linh hoạt và việc áp dụng công nghệ mới. Sharma chỉ ra rằng AI có thể được ứng dụng hiệu quả trong các hoạt động lặp đi lặp lại và những công đoạn cần nhiều thao tác vật lý trong sản xuất. Việc triển khai AI cũng phụ thuộc vào sự sẵn có của dữ liệu và quyền sở hữu rõ ràng. Cô nói: "Chúng ta cần dữ liệu, rất nhiều dữ liệu. Chúng ta cần đưa ra quyết định đúng đắn, và sau đó chúng ta cần quyền sở hữu chính xác".
Ông Ravi Ramarao, người sáng lập Mexo Technologies, nhận định rằng thách thức về dữ liệu bắt nguồn từ cấp độ máy móc. Các thiết bị sản xuất, kể cả những máy móc hiện đại, không nhất thiết tạo ra dữ liệu theo định dạng chuẩn hóa, gây khó khăn cho việc áp dụng trực tiếp AI trên các hệ thống khác nhau. Các nhà sản xuất cần thu thập dữ liệu máy móc, kết hợp với dữ liệu sản xuất, hiểu rõ các mô hình và chu kỳ sản xuất, sau đó mới bắt đầu đưa ra các đề xuất. Ông cho biết: "Việc này cần thời gian, đôi khi mất từ 3 đến 6 tháng để hiểu tất cả những gì đang diễn ra trong công ty và chuyển sang một hệ thống tự chủ, nơi AI có thể đưa ra quyết định". Ông cũng cảnh báo không nên coi các mô hình AI là những giải pháp có thể chuyển giao. "Mỗi tổ chức có một bối cảnh hoạt động riêng, điều đó có nghĩa là dữ liệu từ một tổ chức không thể đơn giản được sử dụng để huấn luyện một mô hình cho tổ chức khác. Điều đó làm cho dữ liệu theo ngữ cảnh trở nên hữu ích hơn một mô hình phức tạp nhưng thiếu dữ liệu phù hợp".
Thách thức càng trở nên rõ rệt hơn khi các nhà sản xuất cố gắng sao chép một dự án thử nghiệm thành công (proof of concept) sang nhiều nhà máy khác nhau. Sharma cho biết, các dự án thử nghiệm thường được thực hiện trong môi trường được kiểm soát với dữ liệu, máy móc và con người phù hợp. Tuy nhiên, điều kiện ở các nhà máy khác có thể rất khác biệt, nơi dữ liệu vẫn được thu thập thủ công và người vận hành có thể chưa có kinh nghiệm với các hệ thống kỹ thuật số. "Tất cả các nhà máy sản xuất trong một tổ chức không ở cùng một cấp độ; họ có các mức độ dữ liệu khác nhau", cô nói. "Một số có dữ liệu thủ công trong khi những nhà máy khác làm việc với dữ liệu kỹ thuật số, khiến việc đạt được kết quả tương tự ở mọi nơi trở nên khó khăn". Cô gợi ý rằng các nhà sản xuất nên xem xét khả năng sao chép trước khi bắt đầu một dự án thử nghiệm, thay vì coi đó là một bước riêng biệt sau khi dự án ban đầu đã thành công.
Các chuyên gia cũng phân biệt giữa các nhà máy hiện có và các cơ sở sản xuất mới. Ông K. Bhavani Shankar, Trưởng bộ phận Vận hành, D&M&C, Yaskawa India, cho rằng AI có thể được đưa vào các cơ sở hiện có mà không cần thiết kế lại hoàn toàn, vì phần lớn thiết bị được lắp đặt trong những thập kỷ gần đây đã có khả năng kết nối với các hệ thống bên ngoài. "Có thể các thiết bị đã được sử dụng từ năm 2000 trở đi, hầu hết đều sẵn sàng kết nối với môi trường bên ngoài", ông Shankar nói. "Vì vậy, ở đó, chỉ cần những thay đổi nhỏ". Tuy nhiên, các nhà máy mới mang đến cơ hội để tích hợp AI ngay từ đầu, thay vì phải điều chỉnh các thiết bị và quy trình cũ sau này. Shankar cũng chia sẻ rằng tiềm năng của AI không chỉ giới hạn ở năng suất mà còn mở rộng đến chất lượng, khả năng phục hồi và thay đổi trong các quy trình sản xuất. "Nếu nhìn nhận, cơ hội thực sự của AI, tôi thấy cá nhân, lớn hơn chính năng suất, mở rộng đến chất lượng, khả năng phục hồi và khả năng thiết kế lại các hoạt động và quy trình sản xuất".
Ông Ramarao cho rằng công nghệ cuối cùng nên gắn liền với vấn đề sản xuất mà nó được tạo ra để giải quyết. Các nhóm công nghệ có thể cung cấp nền tảng kỹ thuật, nhưng chức năng kinh doanh liên quan cần phải xác định vấn đề. Đối với các nhà sản xuất vừa và nhỏ của Ấn Độ, cuộc thảo luận vượt ra ngoài việc lựa chọn một mô hình AI. Nhiệm vụ cấp bách hơn là làm cho các nhà máy, máy móc, hệ thống dữ liệu và quy trình vận hành khác nhau có khả năng hỗ trợ công nghệ AI. Nếu không có nền tảng đó, một dự án thử nghiệm thành công có thể chỉ mãi là một dự án thử nghiệm, chứ không phải là một giải pháp có thể được mở rộng trên toàn mạng lưới nhà máy.
_Theo Eetimes._
Tại hội nghị ELCIA Tech Summit 3.0 diễn ra ở Bengaluru, bà Nandini B, Chủ tịch Hiệp hội Công nghiệp Electronics City (ELCIA) kiêm Giám đốc Vận hành tại TESCOM Electronics, đã nhấn mạnh sự cần thiết của việc toàn bộ hệ sinh thái sản xuất phải tham gia vào quá trình chuyển đổi công nghệ này. Bà cho rằng, sản xuất ngày nay đang ngày càng phức tạp hơn với sự xuất hiện của AI, tự động hóa, điện tử tiên tiến và cảm biến. Vì vậy, các doanh nghiệp siêu nhỏ và nhỏ không thể đứng ngoài cuộc, họ phải là một phần của sự thay đổi. Tuy nhiên, thách thức trước mắt của các nhà sản xuất không chỉ là áp dụng AI, mà còn là đảm bảo các hệ thống, dữ liệu và quy trình cần thiết để hỗ trợ AI đã sẵn sàng.
Cô Aditi Sharma, Chủ tịch kiêm Giám đốc Xuất sắc Sản xuất tại Uno Minda, chia sẻ rằng AI đã không còn là một lựa chọn "có thì tốt" trong các hoạt động sản xuất. Uno Minda đang vận hành 72 nhà máy sản xuất 175 loại sản phẩm khác nhau, trong đó có một số cơ sở đã hoạt động được 50 năm. Cô đang đứng trước câu hỏi khó: "Chúng ta nên tích hợp AI ngay hôm nay, hay nên đợi đến ngày mai?". Cô tự hỏi liệu các nhà sản xuất có nên tiếp tục duy trì các nhà máy truyền thống vì nguồn lao động dồi dào ở Ấn Độ, hay liệu một nền sản xuất thâm dụng lao động có thể trở thành rào cản đối với sự linh hoạt và việc áp dụng công nghệ mới. Sharma chỉ ra rằng AI có thể được ứng dụng hiệu quả trong các hoạt động lặp đi lặp lại và những công đoạn cần nhiều thao tác vật lý trong sản xuất. Việc triển khai AI cũng phụ thuộc vào sự sẵn có của dữ liệu và quyền sở hữu rõ ràng. Cô nói: "Chúng ta cần dữ liệu, rất nhiều dữ liệu. Chúng ta cần đưa ra quyết định đúng đắn, và sau đó chúng ta cần quyền sở hữu chính xác".
Ông Ravi Ramarao, người sáng lập Mexo Technologies, nhận định rằng thách thức về dữ liệu bắt nguồn từ cấp độ máy móc. Các thiết bị sản xuất, kể cả những máy móc hiện đại, không nhất thiết tạo ra dữ liệu theo định dạng chuẩn hóa, gây khó khăn cho việc áp dụng trực tiếp AI trên các hệ thống khác nhau. Các nhà sản xuất cần thu thập dữ liệu máy móc, kết hợp với dữ liệu sản xuất, hiểu rõ các mô hình và chu kỳ sản xuất, sau đó mới bắt đầu đưa ra các đề xuất. Ông cho biết: "Việc này cần thời gian, đôi khi mất từ 3 đến 6 tháng để hiểu tất cả những gì đang diễn ra trong công ty và chuyển sang một hệ thống tự chủ, nơi AI có thể đưa ra quyết định". Ông cũng cảnh báo không nên coi các mô hình AI là những giải pháp có thể chuyển giao. "Mỗi tổ chức có một bối cảnh hoạt động riêng, điều đó có nghĩa là dữ liệu từ một tổ chức không thể đơn giản được sử dụng để huấn luyện một mô hình cho tổ chức khác. Điều đó làm cho dữ liệu theo ngữ cảnh trở nên hữu ích hơn một mô hình phức tạp nhưng thiếu dữ liệu phù hợp".
Thách thức càng trở nên rõ rệt hơn khi các nhà sản xuất cố gắng sao chép một dự án thử nghiệm thành công (proof of concept) sang nhiều nhà máy khác nhau. Sharma cho biết, các dự án thử nghiệm thường được thực hiện trong môi trường được kiểm soát với dữ liệu, máy móc và con người phù hợp. Tuy nhiên, điều kiện ở các nhà máy khác có thể rất khác biệt, nơi dữ liệu vẫn được thu thập thủ công và người vận hành có thể chưa có kinh nghiệm với các hệ thống kỹ thuật số. "Tất cả các nhà máy sản xuất trong một tổ chức không ở cùng một cấp độ; họ có các mức độ dữ liệu khác nhau", cô nói. "Một số có dữ liệu thủ công trong khi những nhà máy khác làm việc với dữ liệu kỹ thuật số, khiến việc đạt được kết quả tương tự ở mọi nơi trở nên khó khăn". Cô gợi ý rằng các nhà sản xuất nên xem xét khả năng sao chép trước khi bắt đầu một dự án thử nghiệm, thay vì coi đó là một bước riêng biệt sau khi dự án ban đầu đã thành công.
Các chuyên gia cũng phân biệt giữa các nhà máy hiện có và các cơ sở sản xuất mới. Ông K. Bhavani Shankar, Trưởng bộ phận Vận hành, D&M&C, Yaskawa India, cho rằng AI có thể được đưa vào các cơ sở hiện có mà không cần thiết kế lại hoàn toàn, vì phần lớn thiết bị được lắp đặt trong những thập kỷ gần đây đã có khả năng kết nối với các hệ thống bên ngoài. "Có thể các thiết bị đã được sử dụng từ năm 2000 trở đi, hầu hết đều sẵn sàng kết nối với môi trường bên ngoài", ông Shankar nói. "Vì vậy, ở đó, chỉ cần những thay đổi nhỏ". Tuy nhiên, các nhà máy mới mang đến cơ hội để tích hợp AI ngay từ đầu, thay vì phải điều chỉnh các thiết bị và quy trình cũ sau này. Shankar cũng chia sẻ rằng tiềm năng của AI không chỉ giới hạn ở năng suất mà còn mở rộng đến chất lượng, khả năng phục hồi và thay đổi trong các quy trình sản xuất. "Nếu nhìn nhận, cơ hội thực sự của AI, tôi thấy cá nhân, lớn hơn chính năng suất, mở rộng đến chất lượng, khả năng phục hồi và khả năng thiết kế lại các hoạt động và quy trình sản xuất".
Ông Ramarao cho rằng công nghệ cuối cùng nên gắn liền với vấn đề sản xuất mà nó được tạo ra để giải quyết. Các nhóm công nghệ có thể cung cấp nền tảng kỹ thuật, nhưng chức năng kinh doanh liên quan cần phải xác định vấn đề. Đối với các nhà sản xuất vừa và nhỏ của Ấn Độ, cuộc thảo luận vượt ra ngoài việc lựa chọn một mô hình AI. Nhiệm vụ cấp bách hơn là làm cho các nhà máy, máy móc, hệ thống dữ liệu và quy trình vận hành khác nhau có khả năng hỗ trợ công nghệ AI. Nếu không có nền tảng đó, một dự án thử nghiệm thành công có thể chỉ mãi là một dự án thử nghiệm, chứ không phải là một giải pháp có thể được mở rộng trên toàn mạng lưới nhà máy.
_Theo Eetimes._
