Xác định lại kiểm soát chất lượng với kiểm tra trực quan do AI cung cấp

Công nghệ mới nổi, từ việc giới thiệu các dây chuyền lắp ráp đến Internet vạn vật, luôn xác định hoạt động sản xuất.

Với việc tạo ra máy tính và tự động hóa sớm đã xuất hiện thị giác máy truyền thống, trong đó máy móc phân tích ảnh chụp của các bộ phận và bộ phận để tìm lỗi dựa trên một bộ quy tắc do con người xác định. Mặc dù nó làm giảm lỗi của con người, nhưng thị giác máy truyền thống thiếu khả năng giải quyết các vấn đề nhức nhối như lỗi phức tạp và môi trường thay đổi.

Ngày nay, trí tuệ nhân tạo (AI) phức tạp hơn, bao gồm học máy (ML) và học sâu (DL), cho phép các nhà sản xuất sử dụng kiểm tra trực quan do AI hỗ trợ để nâng cao chất lượng và giảm chi phí. Nhưng ngay cả bây giờ, chỉ có 5% các công ty sản xuất có chiến lược được xác định rõ ràng để triển khai AI.

Các công ty cần có chiến lược để vượt qua những thách thức trong kiểm tra trực quan, vốn vẫn phụ thuộc nhiều vào nhân viên kiểm tra là con người hoặc thị giác máy dựa trên các quy tắc không linh hoạt. Chi phí gửi các sản phẩm bị lỗi cho khách hàng, cả về danh tiếng và thu hồi, đều không bền vững trong môi trường cạnh tranh toàn cầu.

Các nền tảng AI phù hợp cung cấp các công cụ có thể tăng cường kiểm soát chất lượng và cắt giảm chi phí sau khi người dùng giải quyết các trở ngại chính.

Từ Proof of Concept (PoC) đến sản xuất

Các công ty sản xuất có thể tạo thành công bằng chứng về khái niệm (PoC) của hệ thống kiểm tra trực quan trong vài tuần hoặc thậm chí vài ngày. Tuy nhiên, việc đạt được một giải pháp có thể triển khai sẵn sàng để đưa vào sản xuất và sau đó mở rộng quy mô giải pháp đó có nguy cơ khiến các nhà sản xuất rơi vào bế tắc.

Đến được một PoC, thường ở dạng thử nghiệm ngoại tuyến chạy trong các điều kiện được kiểm soát chặt chẽ, là một cột mốc quan trọng, nhưng các nhà phát triển vẫn còn một chặng đường dài để triển khai thành công. Tại thời điểm này, các nhà sản xuất chỉ có ít hơn 10% phần mềm cần thiết cho lần triển khai đầu tiên và lần triển khai đầu tiên là một phần nhỏ phần mềm cần thiết để mở rộng quy mô cho nhiều dây chuyền sản xuất. Các nhóm cần lập kế hoạch cẩn thận, chuẩn bị và thực hiện từng bước triển khai AI.

Thông thường, các công ty không thể mở rộng các giải pháp ngoài một hoặc hai dự án ban đầu. Điều này đặc biệt phổ biến trong sản xuất do tính chất phức tạp và độc đáo của từng dự án. Trong phát hiện thông thường được xây dựng trên các quy tắc cứng nhắc, bạn sẽ cần đầu tư một lượng lớn thời gian và tiền bạc để điều chỉnh hàng nghìn dòng mã nhằm tính đến các biến số và chi tiết nhỏ.

Các nhà sản xuất phải vượt qua một loạt trở ngại phức tạp đặc biệt để triển khai và mở rộng hệ thống kiểm tra trực quan AI, khiến nhiều dự án bị trì hoãn hoặc thất bại.

Tập dữ liệu nhỏ

Trong một ngành tập trung vào việc ngăn ngừa lỗi, thật khó để triển khai AI để nắm bắt thông tin chi tiết có thể hành động từ một tập dữ liệu nhỏ vì các lỗi xảy ra chỉ trong một phần trăm thời gian. Không giống như các công ty web tiêu dùng như Google và Amazon có thể áp dụng dữ liệu từ hàng tỷ người dùng để đào tạo các mô hình AI mạnh mẽ, việc thu thập các bộ đào tạo lớn trong sản xuất thường không khả thi. 58% số người tham gia nghiên cứu cho biết rào cản lớn nhất đối với việc triển khai các giải pháp AI là thiếu tài nguyên dữ liệu.

Các nhà sản xuất có thể có 100, 10 hoặc thậm chí ít hơn hình ảnh về một lỗi cụ thể mà họ muốn phát hiện. Ví dụ, trong lĩnh vực sản xuất ô tô, nơi thực hành Lean Six Sigma gần như phổ biến, hầu hết các OEM và nhà cung cấp cấp một đều cố gắng có ít hơn ba đến bốn lỗi trên một triệu bộ phận. Các công cụ được thiết kế để hoạt động với dữ liệu lớn không thể hoạt động với lượng dữ liệu nhỏ này.

Khi chỉ có một vài ví dụ về một vấn đề, các mô hình AI rất khó đào tạo. Điều này ngăn cản các công ty mở rộng quy mô hoặc
giải quyết phương sai tự nhiên trong môi trường.

Yêu cầu khiếm khuyết mơ hồ

Việc xác định một lỗi có thể mang tính chủ quan và thông thường hai thanh tra viên không đồng ý về trình độ chuyên môn. Một thanh tra viên có thể coi vết trầy xước là có vấn đề, trong khi người khác lại cho rằng vết xước tương tự đủ nhỏ để có thể bỏ qua. Khi ngay cả các chuyên gia cũng không đồng ý, làm sao chúng ta có thể mong đợi AI do con người đào tạo hoạt động?

Có tỷ lệ lỗi cao giữa các kiểm tra viên: Nhiều nghiên cứu đặt tỷ lệ lỗi cho kiểm tra thủ công từ 20% đến 30%, nghĩa là chỉ có 70% lỗi do kiểm tra viên con người phát hiện.

Không giống như cài đặt dữ liệu lớn như ngành công nghiệp phần mềm, nơi người dùng có thể lấy trung bình phản hồi của hàng triệu người kiểm tra, cài đặt sản xuất có thể lấy trung bình cuộc gọi đánh giá từ hai hoặc ba chuyên gia và nó không hiệu quả. Thông thường, các nhà sản xuất lựa chọn sử dụng tự động hóa như thị giác máy truyền thống để bù đắp cho những thiếu sót trong quá trình kiểm tra của con người, nhưng điều này đi kèm với sự đánh đổi của chính nó. Do độ chính xác thấp, thị giác máy truyền thống buộc người dùng phải cho phép tỷ lệ quá mức cần thiết cao (phần trăm sản phẩm được đánh dấu là bị lỗi thực sự có thể chấp nhận được) để tránh thoát (số lượng bộ phận xấu không được bắt gặp).

Tỷ lệ quá mức cần thiết hoặc dương tính giả có thể lên tới 40% đối với nhiều nhà sản xuất, điều này buộc các thanh tra viên phải kiểm tra thực tế các bộ phận bị loại bỏ trên dây chuyền sản xuất.

Hiện đại hóa sản xuất có nghĩa là đẩy nhanh hiệu quả thông qua việc triển khai các công cụ mới mà không làm giảm tầm quan trọng của nhân viên. Việc tạo các mô hình do AI cung cấp có thể phát hiện chính xác các lỗi sẽ trao quyền cho người lao động bằng cách cho họ thêm thời gian để giải quyết nguyên nhân gốc rễ của các lỗi. Ở đây, người lao động tăng thêm giá trị, trong khi các công ty tiết kiệm chi phí và tăng hiệu quả.

Mặc dù nền tảng AI đầu cuối cho phép kiểm soát chất lượng tốt hơn nghe có vẻ giống như một giấc mơ trở thành hiện thực, nhưng đừng triển khai AI vì mục đích theo kịp số đông. Đẩy nhanh quá trình chuyển đổi kỹ thuật số mà không hoàn thành nghiên cứu và chuẩn bị cần thiết thường dẫn đến các dự án thất bại.

Trên đây là đoạn trích từ sách trắng do Landing AI xuất bản. Nhấp để tải xuống toàn bộ sách trắng.

Để biết thêm thông tin: www.landing.ai