Biết trước khi có kết quả
Tính trước bằng dữ liệu hiện tại những kết quả chưa xảy ra như nhu cầu, lỗi, chất lượng, hỏng hóc.
ECHO Analyze
ECHO Analyze là nền tảng học máy của Wavegram. Nền tảng xây dựng và kiểm chứng mô hình AI từ dữ liệu sản xuất · thiết bị · chất lượng · bán hàng để dự đoán trước nhu cầu · lỗi · hỏng hóc và tìm điều kiện tối ưu theo mục tiêu. MES, dashboard và Orchestrator gọi dùng ngay các mô hình đã tạo.
- Độ chính xác dự đoán chất lượng tại dự án thực tế
- R² 0.92
- Cùng nhau trên một nền tảng
- Dự đoán + Tối ưu
- Toàn bộ quy trình phát triển mô hình tại một nơi
- Dữ liệu → Triển khai
- Gọi từ bất kỳ hệ thống nghiệp vụ nào
- Một dòng API
Lợi ích chính
Nhận câu trả lời đúng mục tiêu
Nhập kết quả mong muốn và phạm vi có thể thay đổi, hệ thống trả về phương án điều kiện gần nhất và kết quả dự kiến.
Dùng mô hình đã tạo ở mọi nơi
Mô hình đã kiểm chứng được triển khai qua API, MES, dashboard và Orchestrator dùng chung cùng một mô hình.
Để mô hình luôn đáng tin cậy
Ngay khi vận hành, hệ thống so sánh dự đoán với thực tế, báo khi hiệu năng giảm và thay bằng mô hình đã huấn luyện lại.
Ai sử dụng
Bắt đầu ngay cả khi không có nhân sự phân tích chuyên trách
Phụ trách dữ liệu
Xác định đối tượng dự đoán và dữ liệu huấn luyện. So sánh kết quả đánh giá từng mô hình để chọn mô hình áp dụng.
Quản lý sản xuất·chất lượng
Xem xét mối quan hệ giữa điều kiện sản xuất và giá trị kiểm tra. Dùng kết quả dự đoán làm căn cứ kiểm tra công đoạn và đánh giá chất lượng.
Quản lý thiết bị
Đối chiếu mẫu hình thường lệ và khoảng biến đổi của giá trị thiết bị. Dùng kết quả phân tích để chọn đối tượng kiểm tra và thứ tự bảo trì.
Chức năng
Hoàn tất từ chuẩn bị dữ liệu đến triển khai tại một nơi
01
Chuẩn bị dữ liệu sẵn sàng để huấn luyện
Ghép dữ liệu thiết bị · sản xuất · chất lượng rời rạc theo thời gian và chuẩn, trước tiên hiển thị giá trị trống và sai bằng điểm chất lượng.
02
Tự động so sánh nhiều mô hình
Huấn luyện nhiều mô hình học máy trên cùng dữ liệu, so sánh theo cùng tiêu chí đạt (R² · sai số...) để chọn mô hình phù hợp nhất.
03
Xây mô hình dự đoán ngay
Từ dự đoán số, phân loại đạt · lỗi, phát hiện bất thường đến dự báo chuỗi thời gian — xây mô hình phù hợp bài toán trên cùng một màn hình.
04
Tính điều kiện tối ưu
Nhập kết quả mục tiêu, mô hình chạy ngược để tính các phương án điều kiện và kết quả dự kiến của từng phương án. Trước khi thay đổi, chạy thử trên trình mô phỏng.
05
Triển khai qua API
Triển khai mô hình đã kiểm chứng chỉ bằng một nút bấm. Hệ thống nghiệp vụ và AI agent gọi dự đoán chỉ với một dòng API.
06
Quản lý cả sau khi triển khai
Lưu lịch sử phiên bản mô hình, dữ liệu huấn luyện, kết quả đánh giá; giám sát hiệu năng khi vận hành và báo thời điểm cần huấn luyện lại.
Màn hình
Xem huấn luyện và đánh giá trên màn hình
Màn hình 1 · số lượng dữ liệu, tỷ lệ huấn luyện·kiểm chứng, xu hướng theo cảm biến, hồ sơ chất lượng dữ liệu
Toàn cảnh dữ liệu huấn luyện
Màn hình triển khai thực tế. Trước tiên kiểm tra bằng biểu đồ và điểm chất lượng xem dữ liệu huấn luyện có bao nhiêu bản ghi, có giá trị trống hay sai không.
- Cấu trúc dữ liệu
- Xu hướng cảm biến
- Điểm chất lượng
Màn hình 2 · mô hình hiện tại, chỉ số độ chính xác, danh sách mô hình, xu hướng thực đo·dự đoán
Danh sách mô hình và đánh giá
Màn hình triển khai thực tế. Đặt các mô hình đã huấn luyện cạnh nhau, dựa vào chỉ số và xu hướng thực đo·dự đoán để chọn và áp dụng mô hình phù hợp nhất.
- So sánh mô hình
- Chỉ số đánh giá
- Chọn mô hình áp dụng
Màn hình 3 · giá trị công đoạn hiện tại, chất lượng thực đo, chất lượng AI dự đoán, bảng khuyến nghị
AI dự đoán chất lượng và khuyến nghị lượng nạp
Màn hình triển khai thực tế. Dự đoán chất lượng theo thời gian thực khi vận hành, và khi lệch mục tiêu sẽ tính giá trị khuyến nghị cho lượng nạp nguyên liệu và lưu lượng. Chế độ Autopilot áp dụng ngay khuyến nghị; chế độ Manual áp dụng sau khi người phụ trách xác nhận.
- Dự đoán chất lượng thời gian thực
- Khuyến nghị lượng nạp
- Chế độ Autopilot · Manual
Tình huống sử dụng
Những bài toán Analyze giải quyết
Dự đoán chất lượng
Không chờ kiểm tra cuối, dự đoán chất lượng từ giá trị trong công đoạn và cảnh báo trước khi vượt chuẩn.
Tối ưu điều kiện công đoạn
Dù trạng thái nguyên liệu khác nhau, hệ thống khuyến nghị lượng nạp và điều kiện vận hành của mẻ tiếp theo để đạt chất lượng mục tiêu.
Dự báo nhu cầu · bán hàng
Dự đoán nhu cầu theo mặt hàng từ dữ liệu bán hàng và đơn hàng trước đây để lập kế hoạch sản xuất và định mức tồn kho.
Dự đoán hỏng hóc thiết bị
Học mẫu hình vận hành bình thường, chấm điểm chuyển động khác thường và phát hiện sớm dấu hiệu hỏng hóc.
Trình mô phỏng công đoạn
Phát lại dữ liệu sản xuất quá khứ để tính kết quả khi áp dụng điều kiện mới. Giảm các lần thử nghiệm trên mẻ thật.
Phân tích dữ liệu vật liệu · nghiên cứu
Dự đoán tính chất và tuổi thọ từ dữ liệu thí nghiệm, gợi ý tổ hợp vật liệu phù hợp điều kiện sử dụng.
Ví dụ áp dụng
Đang được dùng để dự đoán và điều chỉnh tại hiện trường
Sản xuất thực phẩm · Đồ uống
AI điều chỉnh lại công thức cho từng mẻ
- Nhiệm vụ
- Dù dùng cùng công thức, trạng thái nguyên liệu mỗi mẻ một khác nên chỉ số chất lượng ở bồn cuối dao động. Việc hiệu chỉnh lượng nạp phụ thuộc vào cảm quan của công nhân lành nghề.
- Phương pháp
- Căn chỉnh theo từng phút bộ đếm nạp nguyên liệu, tốc độ nạp cài đặt·thực tế, lưu lượng nước, nhiệt độ bộ gia nhiệt và tín hiệu tải hạ nguồn, rồi ghép với thông tin lệnh sản xuất·bồn·mặt hàng. Không phải một mô hình cho mỗi dây chuyền mà huấn luyện riêng theo dây chuyền·bồn·mặt hàng, so sánh nhiều mô hình AI theo cùng tiêu chí và chỉ dùng mô hình đạt yêu cầu. Nhập chất lượng mục tiêu, hệ thống tính ra 3 phương án lượng nạp và điều kiện vận hành.
- Điểm khác biệt
- Giá trị hiệu chỉnh lượng nạp của mẻ tiếp theo hiện trên màn hình công nhân dưới dạng khuyến nghị. Bắt đầu từ khuyến nghị, rồi chuyển sang tự động áp dụng với những phạm vi đã kiểm chứng.
Sản xuất thực phẩm · Đồ uống
Chạy thử trên trình mô phỏng trước khi đổi công thức
- Nhiệm vụ
- Muốn thử điều kiện nạp mới phải dùng mẻ thật, tốn nguyên liệu và thời gian sản xuất; nếu kết quả xấu thì phải bỏ cả mẻ.
- Phương pháp
- Phát lại dữ liệu sản xuất quá khứ theo từng phút, đặt chất lượng mô hình dự đoán cạnh chất lượng thực tế để kiểm tra khả năng tái hiện trước tiên. Thay đổi biến điều khiển trên mô hình đã kiểm chứng để tính chất lượng sẽ ra sao, và chỉ khuyến nghị cho hiện trường sau khi kiểm chứng thêm một lần với dữ liệu thời gian thực.
- Điểm khác biệt
- Xem kết quả trước khi thử nghiệm tại hiện trường. Thu hẹp điều kiện cần thử nên giảm số mẻ phải bỏ.
Sản xuất thực phẩm · Đồ uống
Cảnh báo trước khi thiết bị dừng
- Nhiệm vụ
- Khi thiết bị cốt lõi dừng không báo trước, cả kế hoạch sản xuất lẫn chất lượng cùng sụp đổ. Bảo trì chỉ bắt đầu sau khi đã hỏng.
- Phương pháp
- Kết nối cảm biến rung·dòng điện·nhiệt độ và giám sát hai lớp. Từ dữ liệu vận hành bình thường, đặt ngưỡng trên·dưới cho từng cảm biến để bắt ngay rủi ro rõ ràng; AI học mẫu hình bình thường để phát hiện dấu hiệu lệch dần theo thời gian. Tách riêng ngưỡng cảnh báo và nguy hiểm, tinh chỉnh báo nhầm·bỏ sót ngay tại hiện trường.
- Điểm khác biệt
- Chuyển từ sửa chữa sau hỏng hóc sang bảo trì có kế hoạch dựa trên dấu hiệu. Nhờ dashboard và cảnh báo, người bảo trì hành động trước.
Vật liệu pin thứ cấp
Vô số tổ hợp bộ lọc, AI rút gọn còn 3 phương án
- Nhiệm vụ
- Điều kiện sử dụng khác nhau ở mỗi khách hàng, nên người phụ trách phải thử từng tổ hợp bộ lọc và tính tay kích thước, số lượng.
- Phương pháp
- Nhập điều kiện sử dụng của khách hàng, AI đề xuất 3 phương án kết hợp bộ lọc và tự động tính quy cách, số lượng theo kích thước cần. Đồng thời dự đoán thời điểm hiệu năng bắt đầu giảm của từng tổ hợp.
- Điểm khác biệt
- Công việc tìm tổ hợp và tính toán giảm còn 1/10. Kinh doanh và kỹ thuật đề xuất ngay dựa trên cùng căn cứ.
Kịch bản áp dụng
Kết hợp với sản phẩm khác, dự đoán trở thành nghiệp vụ
Bổ sung từng sản phẩm khi cần để mở rộng như thế này.
- LINKER Nhận dữ liệu trạng thái thiết bị.
- Analyze Phân tích khoảng bất thường.
- Orchestrator Tạo nháp báo cáo kiểm tra.
- MES Gom hồ sơ sản xuất·kiểm tra.
- Analyze So sánh giá trị dự đoán và giá trị kiểm tra.
- TEAMS Người phụ trách chia sẻ kết quả với nhóm chất lượng.
- Catalog Đăng ký dữ liệu huấn luyện và thông tin mô hình.
- Analyze Bố trí mô hình sẽ sử dụng.
- Orchestrator AI nhận kết quả dự đoán.
Cùng với hệ thống hiện có
Dữ liệu vẫn nằm nguyên tại chỗ
Cách triển khai
Cấu hình và chi phí tùy theo phạm vi triển khai, số người dùng và môi trường cài đặt. Hãy cho chúng tôi biết tình hình hiện tại để được tư vấn phương án phù hợp.
Liên hệ triển khaiMôi trường cài đặt
Thiết kế vị trí huấn luyện và gọi mô hình theo chuẩn xuất dữ liệu trên on-premise·đám mây·mạng nội bộ.
Liên kết hệ thống hiện có
Tận dụng hồ sơ sản xuất MES và giá trị thiết bị LINKER làm dữ liệu huấn luyện·đánh giá.
Chuẩn mở
Chuyển kết quả dự đoán tới ứng dụng nghiệp vụ và AI qua giao diện gọi mô hình.
FAQ
Câu hỏi thường gặp
Cần có những dữ liệu gì?
Chỉ cần có sẵn cả kết quả muốn dự đoán và các giá trị ảnh hưởng đến kết quả đó. Dùng ngay hồ sơ MES · ERP, giá trị thiết bị do LINKER thu thập, và cả dữ liệu Excel.
Không có nhà khoa học dữ liệu có được không?
Được. Chuẩn bị dữ liệu, so sánh mô hình, đánh giá, triển khai được nối liền trên màn hình, người phụ trách nghiệp vụ chỉ cần xem kết quả và chọn. Giai đoạn đầu triển khai, Wavegram cùng bạn xây dựng mô hình.
Khuyến nghị của AI có được đưa thẳng vào thiết bị không?
Bắt đầu bằng khuyến nghị. Tự động áp dụng từng bước, bắt đầu từ phạm vi đã qua trình mô phỏng và kiểm chứng thời gian thực.
Khác gì so với AI tạo sinh như ChatGPT?
AI tạo sinh viết văn bản và câu trả lời, còn Analyze dự đoán con số và tính điều kiện tối ưu từ dữ liệu của doanh nghiệp. Cả hai được dùng cùng nhau trong ECHO Orchestrator.
Làm sao biết dự đoán có đúng không?
Đặt trước tiêu chí đạt (R²...) cho từng mô hình, chỉ dùng mô hình đã kiểm chứng bằng tái hiện dữ liệu quá khứ và so sánh thời gian thực.
Có sử dụng mã nguồn mở không?
Không. Wavegram là công ty chuyên phát triển AI vision và các sản phẩm AI từ năm 2020. Vì phát triển hoàn toàn bằng công nghệ tự có, chúng tôi có thể tối ưu theo quy trình riêng của bất kỳ khách hàng nào.