Chuyên gia AWS: Bốn cách ứng dụng công nghệ máy học vào cải cách quy trình công nghiệp

Trường Thịnh

(Dân trí) - Khác với những thời đại trước đây trong lịch sử loài người, cuộc cách mạng công nghiệp đã tạo ra vô vàn phát minh và sản phẩm mới.

Ông Swami Sivasubramanian - Phó chủ tịch AWS phụ trách các Dịch vụ Amazon AI và Máy học cho hay, trong khi chúng ta tôn vinh máy dệt, động cơ hơi nước, điện năng hoặc quá trình sản xuất đại trà mà đi tiên phong là những chiếc xe hơi Ford Model T, chúng ta lại thường bỏ qua các cơ chế và quy trình đầy cảm hứng đã giúp tạo ra những sản phẩm tuyệt vời này.

Chuyên gia AWS:  Bốn cách ứng dụng công nghệ máy học vào cải cách quy trình công nghiệp - 1
Ông Swami Sivasubramanian - Phó chủ tịch AWS phụ trách các Dịch vụ Amazon AI và Máy học.

Hãy nghĩ tới những giải pháp đổi mới sáng tạo tưởng như đơn giản được áp dụng phổ biến trong các hoạt động sản xuất như bảo trì thiết bị, đảm bảo chất lượng và tối ưu hóa chuỗi cung ứng. Ngày nay, những phát minh này vẫn còn đóng vai trò quan trọng đối với các quy trình sản xuất và công nghiệp như cách đây hơn một thế kỷ. Nhưng áp dụng thành công những phát minh này trên quy mô và với độ phức tạp như yêu cầu của thị trường toàn cầu hiện nay là một thách thức không nhỏ. Nhờ vào sự hội tụ của dữ liệu và công nghệ máy học, các thông lệ sản xuất công nghiệp lâu đời này đã sẵn sàng để được cải cách lại.

Hàng ngày, từ vùng biên mạng của các công ty, một lượng lớn dữ liệu đang được tạo ra và được lưu trữ trên đám mây. Các công ty này sau đó sử dụng những thông tin này để xem xét và đánh giá lại hầu hết các quy trình của mình. Để có được hiểu biết sâu sắc hơn từ dữ liệu thu thập được để đưa ra các quyết định nhanh và có căn cứ hơn, các công ty trong các ngành sản xuất, năng lượng, khai khoáng, vận tải và nông nghiệp đang phát huy các loại công nghệ máy móc mới để thực hiện tốt hơn các công việc như chế tạo và thiết kế, sản xuất và tối ưu hóa tài sản, quản lý chuỗi cung ứng, dự báo, quản lý chất lượng, sản phẩm và máy móc thông minh, ….

Dưới đây là bốn phương pháp chính đang được các công ty sử dụng để áp dụng công nghệ máy học vào việc nhìn nhận và đánh giá lại các quy trình công nghiệp nhằm nâng cao hiệu quả hoạt động, kiểm soát chất lượng cùng các lĩnh vực khác mà ông Swami Sivasubramanian đưa ra:

Dự báo bảo dưỡng thiết bị

Bảo trì liên tục máy móc là một khó khăn thách thức chung đáng kể mà nhiều công ty sản xuất và công nghệ ngày nay đang phải đối mặt. Từ trước tới nay, hầu hết các hoạt động bảo dưỡng thiết bị đều mang tính bị động (sau khi máy móc bị hỏng) hoặc mang tính dự phòng (được thực hiện định kỳ để tránh hỏng hóc cho máy móc). Cả hai cách làm đều tốn kém và không hiệu quả. Giải pháp tốt nhất là dự báo bảo trì, giúp các công ty dự đoán trước thời điểm cần bảo dưỡng thiết bị. Tuy nhiên, đa số các công ty không có đủ nhân lực và kiến thức chuyên môn cần thiết để xây dựng giải pháp riêng.

Điều may mắn đối với các công ty như GE Power - nhà cung cấp hàng đầu các thiết bị, giải pháp và dịch vụ phát điện - là đã có khả năng dự báo bảo trì. Hiện nay đã có các hệ thống toàn diện sử dụng cảm biến và công nghệ máy học để phát hiện và cảnh báo các công ty về những biến động bất thường về độ rung hoặc nhiệt độ của máy móc mà không cần kinh nghiệm về công nghệ máy học hoặc đám mây. Công nghệ này giúp GE Power nhanh chóng bổ sung thêm cảm biến vào các hệ thống máy móc sẵn có và kết nối chúng với tính năng phân tích theo thời gian thực trên đám mây, chuyển đổi từ bảo trì theo thời gian sang bảo trì dự báo và theo đề xuất. Khi mở rộng quy mô sản xuất, GE Power có thể sử dụng các hệ thống này để cập nhật và bảo trì từ xa các thiết bị cảm biến của mình mà không cần tiếp xúc vật lý với chúng.

Ứng dụng thị giác máy tính phát hiện các hiện tượng bất thường

Việc đảm bảo chất lượng cho các sản phẩm mà một thiết bị sản xuất ra cũng quan trọng như việc đảm bảo để thiết bị đó hoạt động bình thường. Việc kiểm tra bằng mắt thường các quy trình công nghiệp thường được thực hiện thủ công. Đây là một hoạt động tẻ nhạt và cho kết quả không nhất quán. Để cải thiện hoạt động kiểm soát chất lượng, các công ty công nghiệp đang nghiên cứu ứng dụng công nghệ thị giác máy tính để có được tốc độ và độ chính xác cao hơn trong việc xác định một cách nhất quán các lỗi bất thường. Sự phức tạp vẫn là rào ngăn cản các công ty tự xây dựng, triển khai và quản lý các hệ thống hình ảnh phát hiện bất thường ứng dụng công nghệ máy học. Giờ đây, các công ty có thể sử dụng các giải pháp phát hiện bất thường với độ chính xác cao, chi phí thấp, có thể xử lý hàng nghìn hình ảnh mỗi giờ để phát hiện các hỏng hóc và bất thường, sau đó báo cáo về các hình ảnh khác biệt với ảnh chuẩn để có thể thực hiện hành động thích hợp.

Ví dụ, Dafgards, một công ty sản xuất thực phẩm gia đình ở Thụy Điển, sử dụng công nghệ thị giác máy tính trong quá trình sản xuất pizza thương hiệu Billy's Pan Pizza, một loại pizza có thể nướng bằng lò vi sóng và đóng gói với tốc độ 2 chiếc/giây. Mặc dù trước đó họ đã lắp đặt một hệ thống thị giác máy để phát hiện độ phủ phô mai thích hợp trên pizza, nhưng hệ thống này không phát hiện được các vấn đề trên pizza có nhiều lớp topping. Thông qua sử dụng dịch vụ máy học mới với công nghệ thị giác máy tính, Dafgards có thể dễ dàng tăng cường khả năng kiểm tra với chi phí hiệu quả. Thành công của dự án đã thúc đẩy Dafgards mở rộng sử dụng thị giác máy tính cho nhiều loại pizza cũng như các dòng sản phẩm khác, chẳng hạn như bánh hamburger và quiches.

Nâng cao hiệu suất vận hành

Nhiều công ty sản xuất và công ty công nghiệp cũng đang mong muốn áp dụng công nghệ thị giác máy tính để tối ưu hóa hiệu suất và cải thiện hoạt động. Hiện nay, các công ty xử lý nguồn cấp dữ liệu video từ các cơ sở công nghiệp của họ bằng phương pháp thủ công để cấp phép ra vào tại các địa điểm, kiểm tra các lô hàng, phát hiện sự cố rò tràn hoặc các trường hợp nguy hiểm độc hại khác. Nhưng thực hiện nhiệm vụ này trong thời gian thực là một công việc không chỉ khó khăn mà còn tốn kém và dễ gây sai lỗi. Các công ty có thể nâng cấp các camera IP hiện có thành camera thông minh có năng lực xử lý đủ để chạy các mô hình thị giác máy tính. Tuy nhiên việc nâng cấp này là khá tốn kém, hơn nữa việc thu thập hình ảnh với độ trễ thấp và chất lượng cao cũng là một thách thức lớn ngay cả đối với các loại camera thông minh. Một phương án khác là các công ty công nghiệp có thể sử dụng các thiết bị phần cứng chuyên dụng có khả năng bổ sung tính năng thị giác máy tính cho các camera tại chỗ hiện có, hoặc thậm chí sử dụng Bộ công cụ phát triển phần mềm (SDK) để chế tạo các camera mới có thể chạy các mô hình thị giác máy tính thích hợp ở vùng ngoại biên.

Công ty năng lượng toàn cầu BP đang mong muốn triển khai công nghệ thị giác máy tính tại 18.000 cây xăng thuộc hệ thống của BP trên toàn thế giới. BP dự kiến áp dụng công nghệ thị giác máy tính để tự động hóa việc kiểm soát các xe tải chở nhiên liệu ra vào tại các cơ sở của mình và để xác minh việc thực hiện đơn đặt hàng. Công nghệ thị giác máy tính còn có thể giúp cảnh báo cho người lao động về nguy cơ va chạm, xác định vật thể lạ trong các khu vực cấm tạm thời và phát hiện bất kỳ sự cố rò rỉ dầu nào.

Dự báo phục vụ tối ưu hóa chuỗi cung ứng

Ngày nay, chuỗi cung ứng hiện đại là những mạng lưới phức tạp toàn cầu bao gồm các nhà sản xuất, nhà cung cấp, công ty logistics và nhà bán lẻ. Các công ty này cần có những phương pháp phức tạp để nhận biết và đáp ứng nhu cầu của khách hàng, sự biến động về nguồn nguyên liệu thô, và các yếu tố bên ngoài như ngày lễ, các sự kiện và thậm chí cả thời tiết. Dự báo không chính xác các yếu tố này có thể gây ra các hệ quả tốn kém do cung cấp thừa hoặc thiếu, khiến lãng phí đầu tư hoặc tạo ra trải nghiệm khách hàng xấu. Để có thể dự đoán tương lai, các công ty đang sử dụng công nghệ máy học để phân tích dữ liệu chuỗi thời gian và đưa ra các dự báo chính xác giúp giảm chi phí hoạt động và nâng cao hiệu quả, đảm bảo sự sẵn sàng nguồn lực và hàng hóa, cung cấp sản phẩm nhanh hơn và cắt giảm chi phí.

Công nghệ máy học đã giúp Foxconn - Đài Loan vượt qua những biến động chưa từng có về nhu cầu của khách hàng, nguồn cung và công suất do hậu quả của đại dịch COVID-19. Foxconn đã phát triển một mô hình dự báo nhu cầu cho nhà máy của mình ở Mexico để đưa ra dự báo chính xác về số đơn hàng thực. Thông qua sử dụng mô hình học máy, công ty có thể tăng độ chính xác của dự báo lên 8%, ước tính tiết kiệm được 553.000 đô la mỗi năm cho mỗi cơ sở sản xuất, đồng thời giảm thiểu tình trạng lãng phí nhân công và nâng cao sự hài lòng của khách hàng.

Để phát huy tối đa tiềm năng mà công nghệ máy học có thể cung cấp cho môi trường công nghiệp, các sản phẩm được sản xuất cũng như cho các hoạt động logistics và chuỗi cung ứng, các công ty đang ngày càng áp dụng nhiều hơn công nghệ máy học để giúp các quy trình trở nên dễ dàng hơn, nhanh hơn và chính xác hơn. Nhờ kết hợp giữa phân tích dữ liệu thời gian thực trên đám mây và công nghệ máy học tiên tiến, các công ty công nghiệp đang dần biến khát vọng của họ thành hiện thực và thúc đẩy cuộc cách mạng công nghiệp tiếp theo.