Từ Viper Viettel AI Race 2025 đến AI trong nhà máy Việt

Đội Viper vừa vượt qua 6 đối thủ ở vòng chung kết và giành quán quân Viettel AI Race 2025. Một cuộc thi xe tự hành, nhưng thứ đáng quan tâm hơn không phải là chiếc cúp, mà là tư duy AI đứng phía sau bài thi thắng cuộc.

Phần lớn doanh nghiệp sản xuất ở Việt Nam đang nói rất nhiều về “chuyển đổi số”, “AI trong sản xuất”, nhưng khi hỏi sâu: “Cụ thể dùng AI để làm gì trong nhà máy của mình?” thì câu trả lời vẫn khá mơ hồ. Câu chuyện của Viper là một ví dụ thực tế, dễ hình dung, để rút ra bài học áp dụng ngay cho dây chuyền, cho xưởng, cho kho của bạn.

Bài viết này nối tiếp series “AI trong Sản xuất Việt Nam: Hướng dẫn Chuyển đổi Số”, tập trung vào 3 ý:

• Viettel AI Race 2025 gợi ý điều gì về năng lực AI của Việt Nam?
• Tư duy xây bài thi như Viper khác gì với cách nhiều nhà máy đang triển khai AI?
• Doanh nghiệp sản xuất có thể bắt đầu từ đâu trong 3–6 tháng tới, một cách thực tế, không màu mè?

---

1. Viettel AI Race 2025 nói gì về năng lực AI tại Việt Nam?

Viettel AI Race là sân chơi xe tự hành: đội thi phải dùng thị giác máy tính, xử lý tín hiệu, tối ưu thuật toán để chiếc xe mô hình tự chạy trên đường, nhận diện làn, tránh chướng ngại, tối ưu tốc độ. Đội Viper giành quán quân vì tổng điểm cao nhất qua nhiều bài kiểm tra, không chỉ chạy nhanh mà còn ổn định, ít lỗi.

Ý quan trọng với doanh nghiệp sản xuất: nhân lực AI ở Việt Nam không thiếu, thứ thiếu là bài toán thực tế từ doanh nghiệp.

“Cuộc thi cho thấy sinh viên, kỹ sư Việt Nam hoàn toàn làm được AI mức phức tạp cao. Vấn đề là chúng ta có đưa đúng bài toán nhà máy cho họ hay không.”

Từ góc nhìn sản xuất, AI Race cho thấy ba điều:

1. Dữ liệu cảm biến phong phú thì AI mới “thông minh”
   Xe tự hành dùng camera, cảm biến, tín hiệu điều khiển động cơ. Nhà máy cũng tương tự: cảm biến rung, nhiệt độ, hình ảnh camera, dữ liệu ERP, MES,… càng thu được nhiều, AI càng có đất diễn.

2. Hiệu quả được đo bằng kết quả thực tế, không phải slide trình bày
   Viper thắng vì xe chạy tốt trên đường đua, không phải vì thuyết trình hay. Trong nhà máy, dự án AI chỉ đáng giá khi:

   • Giảm giờ dừng máy (downtime)
   • Giảm phế phẩm (scrap)
   • Tăng sản lượng trên cùng số máy, cùng số người

3. Thí điểm nhỏ, đo rõ, sau đó mở rộng
   Bài thi được kiểm tra trên một track rõ ràng, luật chơi rõ ràng. Dự án AI trong sản xuất nếu không có “đường đua” rõ (chỉ số KPI, phạm vi, thời gian) thì rất dễ biến thành dự án R&D kéo dài vô hạn.

---

2. Từ xe tự hành đến nhà máy tự chủ: chung một tư duy AI

Điểm khiến bài thi của Viper đáng để doanh nghiệp học theo không nằm ở mô hình cụ thể, mà ở cách họ tiếp cận vấn đề.

2.1. Chia nhỏ bài toán phức tạp

Xe tự hành phải:

• Nhận diện làn đường
• Nhận biết vật cản
• Tính toán quỹ đạo
• Điều khiển động cơ hợp lý

Trong nhà máy, một bài toán “AI hóa dây chuyền” cũng phức tạp không kém. Cách tiếp cận hiệu quả giống hệt đội thi:

• Đừng bắt đầu từ “Nhà máy thông minh 4.0”
  Hãy bắt đầu từ 1–2 ca sử dụng (use case) cụ thể, ví dụ:

  • Dự đoán hỏng vòng bi trên 5 máy quan trọng
  • Phát hiện lỗi bề mặt sản phẩm trên 1 công đoạn có camera
  • Dự báo nhu cầu vật tư cho 1 nhóm linh kiện

• Với mỗi ca sử dụng, chia tiếp thành:

  • Dữ liệu gì đang có? Dữ liệu gì cần bổ sung?
  • Độ chính xác tối thiểu cần đạt để “đáng” triển khai?
  • Quy trình hiện tại sẽ thay đổi như thế nào nếu AI đúng / AI sai?

2.2. Thu thập và làm sạch dữ liệu trước khi “chơi model”

Đội Viper không thể chiến thắng nếu camera lắp lệch, track mờ, dữ liệu huấn luyện toàn ảnh rung mờ. Họ phải:

• Chuẩn hóa góc đặt camera
• Gán nhãn dữ liệu hình ảnh đủ nhiều
• Loại bỏ dữ liệu lỗi

Nhà máy cũng vậy. Phần lớn dự án AI trong sản xuất ở Việt Nam chết từ khâu dữ liệu, không phải từ mô hình.

Ba việc thường phải làm trước khi nói đến học sâu (deep learning):

1. Chuẩn hóa thu thập dữ liệu

   • Gắn cảm biến rung, nhiệt độ, dòng điện cho máy quan trọng
   • Chuẩn thời gian hệ thống giữa PLC, MES, ERP để dữ liệu đồng bộ
   • Quy ước mã lỗi, mã dừng máy thống nhất

2. Dọn dẹp dữ liệu lịch sử

   • Loại bỏ log sai, trùng
   • Chuẩn lại tên máy, mã công đoạn

3. Tạo vòng phản hồi giữa hiện trường và data
   Khi có lỗi thiết bị hoặc lỗi chất lượng, kỹ thuật viên phải ghi nhận đủ thông tin để AI “học được” nguyên nhân.

Thực tế, ở không ít nhà máy, chỉ cần làm tốt 3 việc này đã giúp báo cáo OEE, phân tích nguyên nhân lỗi chính xác hơn hẳn, chưa cần đến AI phức tạp.

---

3. 3 bài học từ Viper cho doanh nghiệp sản xuất Việt

3.1. Tốc độ + ổn định quan trọng hơn “trí tuệ” mô hình

Viper thắng nhờ tổng điểm chứ không phải vài vòng chạy nhanh nhất. Xe phải vừa nhanh vừa ít lỗi.

Trong sản xuất, điều này tương đương với:

• Mô hình không cần “thông minh nhất thế giới”
  Bạn không nhất thiết phải dùng mô hình mới nhất, phức tạp nhất. Một mô hình đơn giản nhưng ổn định, dễ triển khai, dễ bảo trì thường hiệu quả hơn trong môi trường nhà máy nhiều ràng buộc.

• Quan trọng là 3 chỉ số:

  • Giảm bao nhiêu % downtime?
  • Giảm bao nhiêu % phế phẩm?
  • Rút ngắn bao nhiêu % thời gian thực hiện một thao tác?

Nếu không gắn được AI với các con số này, dự án rất dễ rơi vào dạng “thử nghiệm cho vui” rồi… để đó.

3.2. Đưa AI đến sát nơi phát sinh giá trị

Xe của Viper phải quyết định tại chỗ: rẽ trái, rẽ phải, phanh hay tăng tốc. Không thể gửi dữ liệu lên cloud rồi chờ 2–3 giây mới nhận kết quả.

Nhà máy cũng thế, nhất là trong các kịch bản:

• Kiểm tra lỗi bề mặt sản phẩm tốc độ cao
• Phát hiện vật thể lạ trên băng tải
• Điều chỉnh thông số máy theo thời gian thực

Ở đây, doanh nghiệp nên suy nghĩ theo hướng:

• Dùng edge AI: xử lý ngay trên máy tính gần dây chuyền, gần PLC
• Chỉ gửi dữ liệu tóm tắt lên server để lưu trữ, phân tích dài hạn

Cách làm này:

• Giảm độ trễ
• Giảm rủi ro mạng nội bộ chập chờn
• Tăng mức độ tự chủ của dây chuyền

3.3. Thiết kế “đường đua” rõ ràng cho mỗi dự án AI

Viettel AI Race có luật chơi, thang điểm, track chuẩn. Nhờ vậy, mọi đội đều biết mình phải tối ưu cái gì.

Dự án AI trong sản xuất cũng cần một “đường đua” cụ thể:

• Mục tiêu 3–6 tháng:
  Ví dụ: “Giảm 20% thời gian dừng máy không kế hoạch trên 5 máy A, B, C, D, E.”

• Thang đo:

  • Trước dự án: downtime trung bình/tháng, số sự cố
  • Sau 3 tháng pilot: downtime thay đổi thế nào, số sự cố ra sao

• Phạm vi:
  Chỉ triển khai trên 1 xưởng, 1 nhóm máy, 1 ca để tránh loạn.

Không ít doanh nghiệp bắt đầu dự án AI bằng một bản mô tả cực rộng: “Xây dựng nhà máy thông minh”. Cách này gần như chắc chắn dẫn đến thất bại vì không đo được kết quả, không biết dừng ở đâu.

---

4. Gợi ý lộ trình 6 tháng: từ cảm hứng Viettel AI Race đến AI trong xưởng bạn

Để bài viết không chỉ là cảm hứng, dưới đây là gợi ý lộ trình 6 tháng khá thực tế cho một nhà máy Việt đang ở giai đoạn đầu chuyển đổi số.

Tháng 1–2: Chọn bài toán và dựng “track”

1. Chọn 1–2 bài toán rõ ràng, tác động trực tiếp đến P&L:

   • Bảo trì dự đoán (predictive maintenance) cho nhóm máy có downtime cao
   • Kiểm tra chất lượng tự động bằng camera ở một công đoạn then chốt

2. Xác định rõ “luật chơi”:

   • KPI: giảm bao nhiêu % downtime / phế phẩm / thời gian kiểm tra
   • Thời gian: 3 tháng pilot
   • Phạm vi: xưởng nào, máy nào, ca nào

Tháng 2–3: Dữ liệu, dữ liệu và dữ liệu

• Gắn thêm cảm biến nếu cần: rung, nhiệt, dòng điện, camera…
• Chuẩn hóa ghi nhận lỗi: bắt buộc ghi nguyên nhân, thời điểm, loại lỗi.
• Kết nối dữ liệu: từ PLC/máy -> gateway -> server (on-premise hoặc cloud nội bộ).

Ở giai đoạn này, bạn sẽ thấy rõ “khoảng cách thực tế”: nhiều máy không có cảm biến, dữ liệu không đồng bộ thời gian, kỹ thuật viên quên ghi lỗi,… Đừng nản, đây là bước ai cũng phải đi qua.

Tháng 3–4: Mô hình đơn giản, chứng minh được giá trị

• Với bảo trì dự đoán:

  • Bắt đầu bằng ngưỡng cảnh báo đơn giản dựa trên thống kê (rule-based + thống kê) trước khi dùng model phức tạp.
  • Khi dữ liệu đủ, thử thêm mô hình học máy cơ bản (random forest, gradient boosting…).

• Với kiểm tra chất lượng bằng camera:

  • Bắt đầu bằng việc chuẩn hóa ánh sáng, góc chụp.
  • Gán nhãn hình lỗi/không lỗi tối thiểu vài nghìn ảnh.
  • Dùng mô hình thị giác máy tính đã có sẵn, không cần tự viết từ đầu.

Mục tiêu giai đoạn này: chỉ cần chứng minh được mô hình AI hỗ trợ kỹ thuật viên ra quyết định tốt hơn, chưa cần tự động 100%.

Tháng 4–6: Tích hợp vào quy trình, không chỉ chứng minh trên slide

• Tích hợp cảnh báo vào nền tảng mà kỹ thuật viên hay dùng (SCADA, MES, dashboard nội bộ).
• Đào tạo lại quy trình: khi có cảnh báo AI, ai chịu trách nhiệm kiểm tra? thời gian phản hồi tối đa là bao lâu?
• Đo lại KPI so với lúc chưa triển khai.

Nếu làm đến đây, bạn đã đi xa hơn phần lớn dự án “AI concept” trên thị trường: AI thực sự chạm vào vận hành, không chỉ nằm trên POC.

---

5. Vì sao đây là thời điểm tốt cho AI trong sản xuất Việt Nam?

Từ Viettel AI Race 2025, có thể thấy một hệ sinh thái đang hình thành:

• Các tập đoàn lớn đầu tư hạ tầng AI, ươm tạo nhân lực.
• Lực lượng kỹ sư trẻ như đội Viper chịu khó thử nghiệm, tiếp cận nhanh với công nghệ mới.
• Doanh nghiệp sản xuất bắt đầu chịu áp lực chi phí lao động tăng, đơn hàng FDI yêu cầu minh bạch dữ liệu, truy vết chất lượng.

Tức là ba yếu tố “con người – công nghệ – nhu cầu kinh doanh” đang gặp nhau đúng lúc.

Tôi tin nhà máy Việt nào biết tận dụng “bài toán thật” của mình làm đường đua riêng cho các nhóm AI nội bộ hoặc đối tác thì 2–3 năm nữa sẽ tạo ra khoảng cách rất lớn so với phần còn lại:

• Quy trình mượt hơn
• Chất lượng ổn định hơn
• Biên lợi nhuận tốt hơn, dù chi phí đầu vào tăng

---

Kết lời: Từ đường đua mô hình đến đường đua nhà máy

Viper thắng Viettel AI Race 2025 không chỉ nhờ thuật toán, mà nhờ cả cách họ định nghĩa bài toán, xử lý dữ liệu và tối ưu từng vòng chạy. Đó cũng chính là ba yếu tố quyết định thành bại của mọi dự án AI trong sản xuất.

Nếu bạn đang làm trong một nhà máy Việt Nam và quan tâm tới chuyển đổi số, câu hỏi nên đặt ra hôm nay không phải là: “Dùng model gì cho nhà máy?” mà là:

“Đường đua AI đầu tiên của nhà máy mình sẽ là bài toán nào, đo bằng chỉ số gì, trong 6 tháng tới?”

Khi câu hỏi này rõ ràng, việc tìm đội “Viper nội bộ” cho doanh nghiệp không còn quá khó. Và đó là lúc AI thực sự bắt đầu tạo ra giá trị trong sản xuất, chứ không chỉ là khẩu hiệu.