AI & Machine Learning trong kỹ thuật¶
Trang này ghi lại những gì mình học và áp dụng được khi đưa AI vào công việc kỹ thuật hằng ngày — không phải danh sách công cụ hot, mà là quy trình, giới hạn và cách kiểm chứng.
1. Phân biệt nhanh các khái niệm¶
| Khái niệm | Hiểu ngắn gọn | Ví dụ trong kỹ thuật |
|---|---|---|
| AI | Tên gọi chung cho hệ thống làm được việc cần trí tuệ | Trợ lý đọc tài liệu, nhận dạng bản vẽ |
| Machine Learning | Máy học quy luật từ dữ liệu thay vì lập trình từng quy tắc | Dự báo hỏng hóc từ dữ liệu cảm biến |
| Deep Learning | ML dùng mạng nơ-ron nhiều lớp | Nhận dạng ảnh, xử lý ngôn ngữ |
| LLM | Mô hình ngôn ngữ lớn, sinh và tóm tắt văn bản | Tóm tắt tiêu chuẩn, soạn checklist |
| Surrogate model | Mô hình thay thế chạy nhanh cho mô phỏng nặng | Xấp xỉ kết quả CFD để tối ưu tham số |
2. Ứng dụng thực tế (và mức độ tin cậy)¶
| Bài toán | Cách làm | Cần kiểm chứng gì |
|---|---|---|
| Đọc và tóm tắt tiêu chuẩn, datasheet | LLM + tài liệu gốc | Trích dẫn điều khoản, đối chiếu bản gốc |
| Bóc tách bảng khối lượng từ PDF | OCR + LLM + kiểm tra thủ công | Sai số số liệu, đơn vị |
| Kiểm tra bản vẽ thiếu ghi chú | Thị giác máy tính + luật | Tỷ lệ bỏ sót, dương tính giả |
| Dự báo bảo trì thiết bị | ML trên dữ liệu cảm biến | Dữ liệu đủ dài, nhãn chính xác |
| Tối ưu hình dạng, tham số | Mô phỏng + surrogate model | Miền áp dụng của mô hình |
Nguyên tắc bất di bất dịch
Kết quả AI không phải kết quả thiết kế. Mọi con số đưa vào bản vẽ hay tính toán chính thức phải do kỹ sư kiểm tra và chịu trách nhiệm.
3. Quy trình làm việc an toàn¶
- Xác định bài toán — có thể viết thành quy tắc rõ ràng không? Nếu có, đừng dùng AI.
- Chuẩn bị dữ liệu — AI chỉ tốt bằng dữ liệu đầu vào; ghi rõ nguồn, thời gian, đơn vị.
- Chọn mức tự động hóa — bắt đầu ở chế độ "gợi ý", con người quyết định.
- Đo lường — đặt chỉ tiêu (độ chính xác, thời gian tiết kiệm) trước khi triển khai.
- Ghi log — lưu lại phiên bản mô hình, prompt, dữ liệu để tái lập kết quả.
4. Công cụ theo lộ trình¶
- Bắt đầu: Excel/Python cơ bản, một trợ lý AI để tóm tắt tài liệu.
- Dùng thành thạo: Python (
pandas,scikit-learn), quản lý dữ liệu có cấu trúc. - Đi xa hơn: PyTorch/TensorFlow, mô hình surrogate, API LLM trong quy trình tự động.
5. Giới hạn cần nhớ¶
- Ảo giác (hallucination): mô hình có thể bịa số điều khoản, số liệu rất thuyết phục.
- Dữ liệu ngoài miền huấn luyện: điều kiện vận hành lạ → dự báo sai.
- Bản quyền và bảo mật: không dán tài liệu nội bộ lên dịch vụ công cộng khi chưa được phép.
- Chi phí ẩn: thời gian làm sạch dữ liệu thường lớn hơn thời gian huấn luyện.
Bài viết liên quan¶
Các bài thực hành sẽ được đăng trong chuyên mục AI & Machine Learning tại mục Bài viết.