Trợ lý AI tham gia vào nhà máy sản xuất

https://www.wired.com/story/ai-swaps-desk-work-for-the-factory-floor/

Trợ lý AI tham gia vào nhà máy sản xuất

Các nhà sản xuất đã có sẵn dữ liệu. Các công cụ sử dụng mô hình ngôn ngữ lớn (LLM) có thể giúp họ khai thác dữ liệu này.

Máy mài bi thép về cơ bản vẫn giữ nguyên thiết kế từ khoảng năm 1900, nhưng các nhà sản xuất đã tự động hóa dần mọi quy trình xung quanh nó. Ngày nay, quá trình sản xuất được vận hành bằng băng chuyền và phần lớn là tự động. Nhiệm vụ quan trọng nhất của con người là xác định khi nào có sự cố—và ngay cả công việc đó cũng có thể sớm được giao cho AI.

Tại nhà máy Schaeffler ở Hamburg, quy trình bắt đầu với dây thép, sau đó được cắt và ép thành các viên bi thô. Những viên bi này được làm cứng qua một loạt lò nung, rồi trải qua 3 lần mài với độ chính xác ngày càng cao cho đến khi đạt độ cầu hoàn hảo trong phạm vi một phần mười micron. Thành phẩm là một trong những linh kiện quan trọng nhất của ngành công nghiệp hiện đại, giúp giảm ma sát trong mọi thứ, từ máy tiện đến động cơ ô tô.

Độ chính xác này đòi hỏi phải kiểm tra liên tục—nhưng khi phát hiện lỗi, việc truy tìm nguyên nhân có thể là một bài toán nan giải. Kết quả kiểm tra có thể cho thấy một lỗi nào đó xảy ra trong dây chuyền sản xuất, nhưng nguyên nhân không phải lúc nào cũng rõ ràng. Có thể mô-men xoắn của một công cụ vặn vít bị lệch, hoặc một bánh mài mới thay đang ảnh hưởng đến chất lượng sản phẩm. Để tìm ra nguyên nhân, cần phải so sánh dữ liệu từ nhiều thiết bị công nghiệp khác nhau, trong khi hầu hết các thiết bị này không được thiết kế để chia sẻ dữ liệu với nhau.

AI có thể giải quyết vấn đề này như thế nào?

Năm ngoái, Schaeffler trở thành một trong những công ty đầu tiên sử dụng Factory Operations Agent của Microsoft—một sản phẩm mới được thiết kế riêng cho các nhà sản xuất, hoạt động dựa trên mô hình ngôn ngữ lớn. Công cụ này giúp xác định nguyên nhân của lỗi sản xuất, thời gian ngừng hoạt động, hoặc tiêu thụ năng lượng quá mức. Về cơ bản, đây là một phiên bản ChatGPT dành cho nhà máy, với các mô hình AI của OpenAI chạy trên nền tảng đám mây Azure của Microsoft.

Kathleen Mitford, phó chủ tịch phụ trách tiếp thị ngành công nghiệp toàn cầu của Microsoft, mô tả sản phẩm này là “một trợ lý lý luận hoạt động trên dữ liệu sản xuất”. Theo bà, “công cụ này có thể hiểu câu hỏi của người dùng và dịch chúng thành các truy vấn chính xác dựa trên mô hình dữ liệu tiêu chuẩn”.

Ví dụ, một công nhân nhà máy có thể hỏi “Nguyên nhân nào khiến tỷ lệ lỗi sản phẩm tăng cao hơn bình thường?”, và AI sẽ trả lời bằng dữ liệu tổng hợp từ toàn bộ quá trình sản xuất.

Kết hợp AI với dữ liệu toàn cầu

Factory Operations Agent được tích hợp sâu với các sản phẩm doanh nghiệp của Microsoft, đặc biệt là Microsoft Fabric, nền tảng phân tích dữ liệu của công ty. Nhờ đó, Schaeffler—vận hành hàng trăm nhà máy trên hệ thống của Microsoft—có thể huấn luyện AI bằng dữ liệu từ khắp nơi trên thế giới.

Stefan Soutschek, phó chủ tịch phụ trách CNTT của Schaeffler, cho biết sức mạnh thực sự của hệ thống này nằm ở khả năng phân tích dữ liệu trên quy mô lớn.

“Lợi ích lớn nhất không nằm ở chatbot, dù nó rất hữu ích,” ông nói. “Điểm mạnh là nền tảng dữ liệu công nghệ vận hành (OT) ở phía sau, và chatbot chỉ đơn giản là công cụ truy xuất dữ liệu từ đó.”

Mặc dù có tên gọi là "agent" (trợ lý), nhưng đây không phải AI tự động hành động. Nó không có mục tiêu riêng và chỉ giới hạn trong việc trả lời câu hỏi của người dùng. Người dùng có thể thiết lập để AI thực hiện một số lệnh cơ bản thông qua Microsoft Copilot Studio, nhưng mục tiêu chính của sản phẩm này không phải để AI tự ra quyết định, mà là công cụ giúp truy xuất dữ liệu dễ dàng hơn.

Giải quyết khoảng cách giữa IT và OT

Trong sản xuất, việc tìm ra lỗi thường đòi hỏi so sánh dữ liệu từ nhiều hệ thống khác nhau, bao gồm hệ thống kiểm soát chất lượng, phần mềm nhân sự (HR), và các thiết bị điều khiển công nghiệp như lò nung hoặc máy khoan chính xác.

Trong ngành công nghiệp, đây được gọi là “khoảng cách IT/OT”—tức là sự tách biệt giữa công nghệ thông tin (IT) như bảng tính Excel và công nghệ vận hành (OT) trong nhà máy. Các công ty AI tin rằng các mô hình ngôn ngữ lớn (LLM) như Factory Operations Agent có thể thu hẹp khoảng cách này, cho phép công nhân nhà máy đặt câu hỏi và nhận câu trả lời dưới dạng hội thoại.

Factory Operations Agent dự kiến sẽ ra mắt chính thức trong năm nay, trở thành một công cụ sẵn có cho người dùng Azure AI. Tuy nhiên, đây không phải là sản phẩm duy nhất trong lĩnh vực này.

Các công ty công nghệ đang nhắm đến ngành sản xuất như một thị trường tiềm năng cho các ứng dụng AI. Tháng 9 năm ngoái, Google ra mắt bản cập nhật cho Manufacturing Data Engine, nhằm khai thác dữ liệu từ các thiết bị công nghiệp. Cả Microsoft và Google đều duy trì các nền tảng cho phép các nhà phát triển thử nghiệm và tinh chỉnh AI theo các yêu cầu cụ thể.

Cơ hội và rủi ro của AI trong nhà máy

Cạnh tranh trong lĩnh vực này mang lại lợi ích cho ngành sản xuất, nhưng việc sử dụng AI trong công nghiệp cũng làm tăng các rủi ro về an toàn—đặc biệt là trong môi trường nhà máy, nơi sự cố có thể liên quan đến tính mạng con người.

Điểm quan trọng là Factory Operations Agent chỉ xử lý dữ liệu chứ không trực tiếp điều khiển máy móc, nhưng vẫn có những lo ngại.

Duncan Eddy, giám đốc điều hành tại Trung tâm An toàn AI Stanford, cảnh báo rằng rủi ro lớn nhất với AI như Factory Operations Agent là người dùng có thể không nhận ra khi hệ thống bắt đầu hoạt động sai, hoặc không biết cách can thiệp khi sự cố xảy ra.

“Các hệ thống này có thể gặp lỗi theo những cách mới, bất ngờ và khó đoán,” ông nói.

AI Assistants Join the Factory Floor
Manufacturers already have the data. LLM-powered tools could help them make use of it.
A male factory worker wearing safety gear operates a CNC machine in an industrial manufacturing plant ensuring precision...

The basic machine for grinding a steel ball bearing has been the same since around 1900, but manufacturers have been steadily automating everything around it. Today, the process is driven by a conveyor belt, and, for the most part, it’s automatic. The most urgent task for humans is to figure out when things are going wrong—and even that could soon be handed over to AI.
The Schaeffler factory in Hamburg starts with steel wire that is cut and pressed into rough balls. Those balls are hardened in a series of furnaces, and then put through three increasingly precise grinders until they are spherical to within a tenth of a micron. The result is one of the most versatile components in modern industry, enabling low-friction joints in everything from lathes to car engines.
That level of precision requires constant testing—but when defects do turn up, tracking them down can present a puzzle. Testing might show a defect occurring at some point on the assembly line, but the cause may not be obvious. Perhaps the torque on a screwing tool is off, or a newly replaced grinding wheel is impacting quality. Tracking down the problem means comparing data across multiple pieces of industrial equipment, none of which were designed with this in mind.

This too may soon be a job for machines. Last year, Schaeffler became one of the first users of Microsoft’s Factory Operations Agent, a new product powered by large language models and designed specifically for manufacturers. The chatbot-style tool can help track down the causes of defects, downtime, or excess energy consumption. The result is something like ChatGPT for factories, with OpenAI’s models being used on the backend thanks to the company’s partnership with Microsoft’s Azure.
Kathleen Mitford, Microsoft’s corporate vice president for global industry marketing, describes the project as “a reasoning agent that operates on top of manufacturing data.” As a result, Mitford says, “the agent is capable of understanding questions and translating them with precision and accuracy against standardized data models.” So a factory worker might ask a question like “What is causing a higher than usual level of defects?” and the model would be able to answer with data from across the manufacturing process.
The agent is deeply integrated into Microsoft’s existing enterprise products, particularly Microsoft Fabric, its data analytics system. This means that Schaeffler, which runs hundreds of plants on Microsoft’s system, is able to train its agent on data from all over the world.
Stefan Soutschek, Schaeffler’s vice president in charge of IT, says the scope of data analysis is the real power of the system. “The major benefit is not the chatbot itself, although it helps,” he says. “It’s the combination of this OT [operational technology] data platform in the backend, and the chatbot relying on that data.”
Despite the name, this isn’t agentic AI: It doesn’t have goals, and its powers are limited to answering whatever questions the user asks. You can set up the agent to execute basic commands through Microsoft’s Copilot studio, but the goal isn’t to have the agent making its own decisions. This is primarily AI as a data access tool.

That’s particularly valuable in manufacturing, where tracking down a set of errors might mean comparing data across quality assurance systems, HR software, and industrial control systems like kilns and precision drills. Within the industry, this is known as the IT/OT gap: the disconnect between information tech like spreadsheets and the operational tech that’s used in a factory. AI companies believe large language models like the Factory Operations Agent will be able to work across that gap, allowing it to answer basic troubleshooting questions in a conversational way.
The Factory Operations Agent is due to leave public preview later this year, making it broadly available to Azure AI users. But there will be plenty of competing systems hoping to play a role on the factory floor. As tech companies look for ways to make money from recent breakthroughs in LLMs, manufacturing has proven to be a tempting target. Last September, Google rolled out an update to its Manufacturing Data Engine specifically aimed at unlocking data held on industrial devices, and both Microsoft and Google maintain platforms where independent developers can test out systems with different fine-tuning strategies and different tolerances for risk.
That competition is good for the field, but the increasing use of industrial AI also raises the stakes for safety—particularly on the factory floor, where malfunctions can be a matter of life or death. Crucially, the Factory Operations Agent only manipulates data rather than directly controlling machinery, but there are still concerns. Speaking in his personal capacity, Duncan Eddy, executive director of the Stanford Center for AI Safety, says the biggest concern for AI models like the Factory Operations Agent is simply that users won’t recognize when the system is starting to fail, or won’t know how to intervene once they do.
“These systems can fail in new and surprising and unpredictable ways,” he says.