CHLB ĐỨC – Trong tập 205 của Podcast (*) Industrial AI, khách mời là ông Helmut Prieschenk – Giám đốc điều hành công ty WITRON và ông Franziskos Kyriakopoulos – Giám đốc điều hành công ty 7LYTIX.
(*) Podcast: tệp âm thanh kỹ thuật số có sẵn trên Internet và người dùng có thể tải về để nghe trên các thiết bị như máy tính, điện thoại, …

Bài viết dưới đây là tóm tắt những phát biểu quan trọng nhất của hai vị khách mời và những lưu ý của biên tập viên từ nguồn hội chợ Hannover Messe, CHLB Đức.

Mô hình ngôn ngữ lớn LLM trong hậu cần là gì?
Ông Helmut Prieschenk đến từ tỉnh Oberpfalz (phía đông CHLB Đức) giải thích rằng: “Tại công ty WITRON, chúng tôi đã khai thác mô hình ngôn ngữ lớn – LLM (Large Language Models) (*) để làm giải pháp vận hành cho các công ty khách hàng. Tuy nhiên, tôi mong các bạn yên tâm, thế giới sẽ phát triển nếu sử dụng chúng. Chúng tôi vẫn liên tục kiểm tra các giải pháp công nghệ có phù hợp để giúp khách hàng của mình không hoặc các nhà cung cấp của chúng tôi trong việc thực hiện các yêu cầu của khách hàng.”
(*) Large language model: là một loại mô hình ngôn ngữ được đào tạo bằng cách sử dụng các kỹ thuật học sâu trên tập dữ liệu văn bản khổng lồ. Mô hình này có khả năng tạo văn bản tương tự như con người và thực hiện các tác vụ xử lý ngôn ngữ.

Ông Franziskos Kyriakopoulos đồng ý với ý kiến của ông Prieschenk và đưa ra các ứng dụng: “Mô hình ngôn ngữ lớn LLM có thể sử dụng tốt trong việc xử lý các trình tự – đơn đặt hàng, ghi nợ, bán hàng hoặc liên lạc với khách hàng. Điều đó cũng có thể được sử dụng trong công việc hậu cần/ nội bộ.”

Lưu ý của biên tập viên:
– Nhiều công ty liên kết mô hình ngôn ngữ lớn LLM chủ yếu ở dạng ngôn ngữ. Điều đó đúng, nhưng các công cụ này có thể làm được nhiều hơn thế. Ví dụ: Hệ thống chatbot trí tuệ nhân tạo ChatGPT có thể phân tích các tập dữ liệu và thực hiện một bước hướng tới học máy tự động AutoML (Automated machine learning) và đơn giản hóa công việc. Máy tự động sử dụng mô hình ngôn ngữ lớn LLM với sự hỗ trợ đặc biệt nhanh chóng để giúp việc lập trình trở nên dễ dàng hơn. Một số công ty đã trình bày những cách tiếp cận giải pháp này như vậy tại Hội chợ Hannover Messe 2023. Thành công lớn của ChatGPT cũng đến từ trải nghiệm tốt của người dùng đối với ứng dụng. Đối với ngành công nghiệp, sự tương tác giữa công nghệ trí tuệ nhân tạo AI và trải nghiệm của người dùng UX (User Experience) sẽ rất quan trọng trong những năm tới.
– Ông Kyriakopoulos giải thích: “Nếu tôi đặt cược, thì đó sẽ là những điều sau: Các công ty sẽ hoàn thiện các mô hình ngôn ngữ lớn LLM có sẵn (như LLama từ Meta hoặc Alpaca) chạy trên dữ liệu của riêng họ và chứng minh khái niệm PoC (Proof of Concept) (*) hợp tác với các tổ chức nghiên cứu. Trong số này, nhiều công ty sẽ thất bại, nhưng những công ty thành công sẽ có một sản phẩm công nghiệp tuyệt vời. Cơ sở tri thức và tính đa phương thức là chìa khóa. Và đây chính xác là ý tưởng mà chúng tôi sắp thử nghiệm với một đối tác số hóa và một công ty công nghiệp.”
(*) Proof of Concept: là thuật ngữ dùng để đánh giá tính khả thi của ý tưởng hoặc xem nó có thể thành hiện thực hay không.
– Trí tuệ nhân tạo AI chẳng hạn như chatbot GPT hoặc công cụ chuyển đổi văn bản thành hình ảnh DALL-E, cũng sẽ thay đổi quá trình phát triển sản phẩm công nghiệp – nhà thiết kế nhận được sự hỗ trợ từ trí thông minh nhân tạo. Công ty Festo thực hiện lập trình cho các quy trình sản xuất cho khách hàng trong nhiều năm qua. Bước tiếp theo là sử dụng các thuật toán tổng quát để phát triển sản phẩm. Phòng thí nghiệm OpenAI đã xuất bản mô hình 3D cho công cụ chuyển đổi văn bản thành hình ảnh DALL-E. Thách thức đặt ra: sản phẩm phải có khả năng di chuyển. Ông Jan Seyler từ công ty Festo Research đặt ra một câu hỏi: “Máy móc có thể chế tạo ra máy móc được không?”. Ông Seyler chắc chắn rằng: “Nhiều khía cạnh của kỹ thuật có thể được hỗ trợ bởi phương pháp trí tuệ nhân tạo AI. Các thách thức chủ yếu là ngữ nghĩa, hiểu biết chức năng và mô phỏng chính xác.” Và giám đốc công nghệ của công ty Festo – tiến sĩ Ansgar Kriwet đã xác định tương lai của sản phẩm công ty Festo bằng những thuật ngữ đơn giản tại một hội nghị: “A multipurpose hardware as a software defined product packed with AI” – tạm dịch là: “Phần cứng đa năng là một sản phẩm được xác định bằng phần mềm được tích hợp công nghệ trí tuệ nhân tạo AI.”

Góc nhìn của khách hàng
Ông Prieschenk nói rằng: “Khách hàng của chúng tôi ban đầu không tìm kiếm một “công cụ” mới, họ gặp vấn đề và cần một giải pháp hiệu quả, giúp tối ưu hóa quy trình hậu cần trong trung tâm phân phối hoặc trong chuỗi cung ứng, hoạt động ổn định trong thực tế và có thể được tích hợp một cách hợp lý vào một nhà máy đã phát triển.”

Ông Prieschenk nhấn mạnh: chính chỉ số ROI (Return on Investment) – tỷ lệ lợi nhuận trên chi phí, đang cản trở các công ty tại Đức và châu Âu. Ông Kyriakopoulos báo cáo trong hội nghị: “Các nhà phát triển mô hình ngôn ngữ lớn LLM chi tiêu 500 triệu USD mỗi năm và cần thêm vài tỷ USD nữa. Chi phí đó không thể tưởng tượng được ở Đức và Áo.” 

Lưu ý của biên tập viên:
– Những gì ông Prieschenk mô tả trong cuộc phỏng vấn áp dụng cho các công ty chế tạo máy móc. Trí tuệ nhân tạo AI trong công nghiệp phải mang lại tỷ suất lợi nhuận ROI và dễ dàng tích hợp vào hệ thống hiện có. Điều đó nghe có vẻ bình thường nhưng lại là thách thức đối với nhiều công ty. Trí tuệ nhân tạo AI trong công nghiệp luôn phức tạp hơn so với ứng dụng tiêu dùng, vì các quy trình hiện tại phải được tích hợp, do các thông số khác nhau, yêu cầu 24/7 được đưa ra đối với các công ty. Vì vậy, tính mạnh mẽ của thuật toán đóng một vai trò đặc biệt. Các mô hình phải tích hợp với các hệ thống và cũng phải tính đến yếu tố vật lý.
– Vừa qua, các nhà khoa học tại đại học Helmut Schmidt (ở thành phố Hamburg, CHLB Đức), đã phân tích mô hình học sâu nào phù hợp với hệ thống vật lý không gian mạng. Khi nói đến trí tuệ nhân tạo AI và học máy, ngành công nghiệp đòi hỏi độ tin cậy và độ bền cao, 24 giờ, bảy ngày một tuần. Ông Boris Scharinger, giám đốc sáng tạo tại công ty Siemens Digital Industries, đã đặt ra thuật ngữ cho Siemens: “Trí tuệ nhân tạo AI cấp công nghiệp”, đây là thách thức mà tất cả các nhà cung cấp phải đối mặt. Phòng thí nghiệm trí tuệ nhân tạo AI của công ty Siemens (ở thành phố Munich, CHLB Đức), các chuyên gia tư vấn cho khách hàng về chiến lược AI và các ứng dụng khả thi, đồng thời tiến hành nghiên cứu các thuật toán phức tạp. Nhưng ông Scharinger cảnh báo rằng, bạn không thể làm mọi việc một mình. Có nhiều ví dụ và cách hợp tác để thành công như: các thuật toán trí tuệ nhân tạo AI đang được thử nghiệm tại các nhà máy của công ty Siemens, trong khi các công ty khởi nghiệp khác đang dựa vào phần cứng công nghiệp của công ty Siemens cho các giải pháp của họ. Ngoài ra, công ty Siemens có thể đảm nhận vai trò MLOps (Machine Learning Operations) (*) trong quan hệ đối tác khởi nghiệp. Điều này có nghĩa là công ty có trụ sở tại Munich sẽ phân phối các mô hình AI trong quá trình sản xuất, giám sát và cập nhật chúng khi cần thiết. Nếu không có chiến lược MLOps, các nhà chế tạo máy và các công ty tự động hóa sẽ không thể phát triển mô hình kinh doanh trí tuệ nhân tạo AI bền vững. Thậm chí ngày nay, nhiều nhà chế tạo máy móc đang gặp khó khăn trong việc cung cấp dịch vụ kỹ thuật số cho khách hàng của họ. Thiếu lao động có tay nghề, ý tưởng và cơ sở hạ tầng. Đó là thời kỳ của các nhà cung cấp hệ thống MLOps và các công ty cung cấp giải pháp vận hành doanh nghiệp.
(*) Machine Learning Operations: sự kết hợp của Machine Learning (học máy) và Operations (vận hành) nhằm mục đích triển khai và duy trì các hệ thống học máy trong sản xuất một cách đáng tin cậy và hiệu quả.

Khó khăn đối với vấn đề tối ưu hóa trong sản xuất kinh doanh
Công ty 7LYTIX chuyên khai thác mô hình ngôn ngữ lớn LLM, nhưng chú trọng trong việc dự đoán các tính năng cần thiết. Ông Kyriakopoulos nói rằng: “Chúng tôi có thể mang lại giá trị gia tăng, nhưng ngay từ đầu một số công ty thường không hiểu giá trị gia tăng của mô hình sẽ là gì. Doanh thu tăng thêm nhờ giao tiếp tốt hơn với khách hàng hoặc ngược lại doanh số bán hàng bị sụt giảm? Nhiều công ty không thể tính toán được điều đó. Đây là lý do họ phải đối mặt với thách thức và cần sự giúp đỡ từ chúng tôi.” 

Ông Prieschenk cho biết: “Khách hàng của công ty WITRON chúng tôi tính toán rất tốt và đã kinh doanh tốt trong nhiều thập kỷ. Nhưng tôi hiểu ý ông Kyriakopoulos: Trước hết, phải làm rõ vấn đề cần tối ưu hóa ngay từ đầu. Nhà bán lẻ muốn tối ưu hóa mạng lưới chuỗi cung ứng, quy mô kho hàng, giảm thiểu thời gian giao hàng, thay đổi chu kỳ giao hàng, giảm lãng phí sản phẩm dễ hư hỏng và hết hàng hoặc còn ít hàng tồn kho. Về mặt này, chúng tôi đã thu thập được thông tin từ các khách hàng trên khắp thế giới. Ngoài ra, các yêu cầu đối với ngày lễ ở Phần Lan khác so với ở Hoa Kỳ hoặc vào thứ hai có các yêu cầu khác so với thứ năm.” 

Ông Kyriakopoulos nói rằng: “Trước tiên, chúng tôi cần khách hàng đưa ra một yêu cầu và sau đó chúng tôi đề xuất công cụ trí tuệ nhân tạo AI để đáp ứng yêu cầu đó. Và chúng tôi không cần công nghệ Deep Learning (*).”
(*) Deep Learning: một nhánh của Machine Learning và khoa học dữ liệu bắt chước cách con người thu thập những kiến thức cụ thể, giúp máy tính tự huấn luyện chính nó thực hiện những tác vụ tương tự con người, hỗ trợ cho việc dịch ngôn ngữ, phân loại các hình ảnh, nhận dạng giọng nói.

Lưu ý của biên tập viên: “Không phải lĩnh vực nào cũng cần Deep Learning” – đây là một tuyên bố rất quan trọng. Đây cũng là kinh nghiệm của chúng tôi từ nhiều dự án. Và thực tế là nhiều công ty luôn gặp khó khăn trong việc tìm kiếm giải pháp kinh doanh bằng công nghệ trí tuệ nhân tạo AI. Đó là lý do tại sao chúng ta cần các ví dụ ứng dụng, các phương pháp hay nhất và trao đổi kinh nghiệm tại Hội chợ Hannover Messe.

Dự báo nhu cầu hoạt động như thế nào?
Ông Kyriakopoulos giải thích: “Ban đầu, chúng ta phải có cái nhìn tổng quan về dữ liệu. Đây là công việc có phần không thú vị đối với nhiều công ty bán lẻ. Nó không chỉ liên quan đến hàng hóa tồn kho mà còn là số lượng hàng hóa trong cửa hàng, lượng hàng bán ra, điều gì ảnh hưởng đến các yếu tố như: khuyến mãi, số lượng đơn hàng hủy,…” Ngoài ra còn có thẻ khách hàng thành viên, kinh doanh theo mùa, địa điểm cửa hàng hay các chương trình khuyến mãi. Ông Kyriakopoulos nói tiếp: “Và chúng tôi cần biết có gì trong trung tâm phân phối, trong nhà kho, trong xe tải đang vận chuyển, bởi vì việc tối ưu hóa không chỉ dừng lại ở cửa hàng.”

Tương tự, điều quan trọng là tránh các hạn chế giữa các nhóm dữ liệu hoặc giữa các bộ phận. Ông Kyriakopoulos nói rằng: “Dữ liệu được đưa vào các mô hình rất đơn giản. Cơ sở dựa trên trải nghiệm của mọi người. Đây chưa phải là trí tuệ nhân tạo AI. Chúng ta đang nói về mối liên hệ giữa các luồng thông tin. Sau đó, chúng tôi tự đánh giá kết quả, phân tích chuỗi thời gian. Chúng tôi luôn phải xem xét và dự đoán độ chính xác của kết quả sản xuất kinh doanh so với giá trị gia tăng cho khách hàng và người tiêu dùng.”

Lưu ý của biên tập viên: Podcast Industrial AI đã minh họa rất rõ các yêu cầu của ngành công nghiệp đối với trí tuệ nhân tạo AI cũng như những thách thức mà các công ty và khách hàng của họ đang phải đối mặt. Giải pháp bền vững, độ tin cậy 24/7, khả năng tích hợp, trải nghiệm của khách hàng (UX) phải được giải quyết. Ứng dụng trí tuệ nhân tạo AI trong lĩnh vực công nghiệp chính là mục tiêu.

Để xem các tin bài khác về “Trí tuệ nhân tạo – AI”, hãy nhấn vào đây.

 

(Nguồn: Hannover Messe)