AI trong R&D: Doanh nghiệp cần chuẩn bị gì để triển khai hiệu quả?

AI đang dần tham gia sâu hơn vào quá trình nghiên cứu và phát triển sản phẩm: hỗ trợ tìm kiếm tri thức, tạo phương án thiết kế, phân tích dữ liệu, mô phỏng và đánh giá nhiều phương án trong thời gian ngắn hơn.

Nhưng có công cụ AI không đồng nghĩa doanh nghiệp đã sẵn sàng ứng dụng AI trong R&D.

Nếu dữ liệu kỹ thuật còn phân tán, quy trình chưa rõ ràng hoặc doanh nghiệp chưa xác định được bài toán cần giải quyết, AI rất khó tạo ra giá trị thực tế.

Trước khi đầu tư vào một công cụ mới, doanh nghiệp nên chuẩn bị ít nhất 5 yếu tố: bài toán ứng dụng, dữ liệu, quy trình, nền tảng công nghệ và con người.

1. Bắt đầu từ bài toán R&D, không phải từ công cụ AI

Một sai lầm dễ gặp khi bắt đầu với AI là đặt câu hỏi:

“Doanh nghiệp nên sử dụng công cụ AI nào?”

Trong R&D, câu hỏi nên được đặt ngược lại:

“Khâu nào trong quá trình phát triển sản phẩm đang mất nhiều thời gian hoặc cần được cải thiện?”

Chẳng hạn:

• Kỹ sư mất nhiều thời gian tìm lại dữ liệu từ các dự án cũ?
• Quá nhiều phương án thiết kế phải đánh giá thủ công?
• Thiết kế và mô phỏng phải trải qua nhiều vòng lặp?
• Thay đổi thiết kế xuất hiện muộn?
• Kiến thức và kinh nghiệm phụ thuộc quá nhiều vào từng cá nhân?

Khi xác định được vấn đề, doanh nghiệp mới có thể đánh giá AI nên tham gia ở đâu và kết quả cần đo lường là gì.

Ví dụ, nếu mục tiêu là rút ngắn thời gian đánh giá phương án, chỉ số cần quan tâm có thể là số vòng lặp thiết kế – mô phỏng hoặc thời gian từ thiết kế đến xác nhận phương án, thay vì đơn giản là số lượng kỹ sư đang sử dụng AI.

AI nên bắt đầu từ một bài toán có thể đo lường, thay vì bắt đầu từ một công nghệ đang được quan tâm.

2. Chuẩn hóa dữ liệu trước khi đưa AI vào R&D

AI cần dữ liệu để tạo ra kết quả có giá trị. Trong môi trường kỹ thuật, dữ liệu đó không chỉ là tài liệu văn bản.

Nó có thể bao gồm:

Mô hình 3D → Bản vẽ kỹ thuật → BOM → Kết quả mô phỏng → Thông số kỹ thuật → Lịch sử thay đổi → Dữ liệu từ các dự án trước

Vấn đề là những dữ liệu này thường nằm ở nhiều nơi khác nhau: máy tính cá nhân, thư mục dùng chung, phần mềm CAD, hệ thống quản lý tài liệu hoặc thậm chí được trao đổi qua email.

Khi dữ liệu phân tán, trùng lặp hoặc không rõ phiên bản, AI cũng khó xác định đâu là thông tin phù hợp để sử dụng.

Doanh nghiệp vì vậy cần xem xét:

• Dữ liệu kỹ thuật đang được lưu ở đâu?
• Có quy tắc đặt tên và phân loại thống nhất không?
• Phiên bản nào là phiên bản mới nhất?
• AI được quyền truy cập và chỉnh sửa?
• Có thể truy vết lịch sử thay đổi không?
• Dữ liệu từ các dự án trước có thể tái sử dụng không?

Đây cũng là lý do PLM và các nền tảng quản lý dữ liệu sản phẩm ngày càng quan trọng khi doanh nghiệp muốn đưa AI vào quy trình phát triển sản phẩm.

AI càng tham gia sâu vào kỹ thuật, chất lượng và tính nhất quán của dữ liệu nền tảng càng trở nên quan trọng.

3. Kết nối quy trình thiết kế – mô phỏng – quản lý dữ liệu

Dữ liệu tốt nhưng nằm trong những quy trình tách biệt vẫn tạo ra một rào cản khác.

Hãy hình dung một quy trình:

Thiết kế → Xuất dữ liệu → Mô phỏng → Gửi kết quả → Chỉnh thiết kế → Mô phỏng lại

Nếu mỗi bước sử dụng một nguồn dữ liệu khác nhau, kỹ sư vẫn phải thực hiện nhiều thao tác thủ công để chuyển đổi, kiểm tra và cập nhật dữ liệu.

Trong trường hợp này, đưa thêm AI vào một công đoạn riêng lẻ chưa chắc giải quyết được vấn đề tổng thể.

Một quy trình R&D phù hợp hơn với AI cần tạo được dòng dữ liệu xuyên suốt giữa:

Thiết kế → Mô phỏng → Đánh giá → Thay đổi → Quản lý dữ liệu

Ví dụ, 3DEXPERIENCE hướng đến việc kết nối dữ liệu và các hoạt động phát triển sản phẩm trên một môi trường chung, trong đó các giải pháp như CATIA, SIMULIA và ENOVIA có thể tham gia vào những giai đoạn khác nhau của quá trình.

Khi thiết kế, mô phỏng và dữ liệu sản phẩm có mối liên hệ rõ ràng, AI mới có nhiều bối cảnh hơn để hỗ trợ kỹ sư trong công việc thực tế.

4. Xây dựng nền tảng công nghệ đủ để AI hiểu đúng bối cảnh

Không phải AI nào cũng phù hợp với R&D.

Một công cụ AI tổng quát có thể hỗ trợ tìm kiếm, tổng hợp hoặc tạo nội dung. Nhưng các bài toán kỹ thuật thường cần nhiều bối cảnh hơn:

• Đây là phiên bản thiết kế nào?
• Chi tiết này thuộc cụm lắp ráp nào?
• Thay đổi này ảnh hưởng đến những bộ phận nào?
• Kết quả mô phỏng nào tương ứng với phương án thiết kế hiện tại?
• Những yêu cầu kỹ thuật nào phải được đáp ứng?

Đây là điểm khác biệt quan trọng giữa AI tổng quát và AI được đặt trong bối cảnh công nghiệp.

Một ví dụ cho hướng phát triển này là các Virtual Companions của Dassault Systèmes:

AURA tập trung vào tri thức và bối cảnh doanh nghiệp.

LEO tập trung vào các hoạt động kỹ thuật, từ thiết kế đến sản xuất.

MARIE hướng đến tri thức khoa học và các bài toán nghiên cứu chuyên sâu.

Điểm đáng chú ý không chỉ nằm ở việc AI có thể trả lời câu hỏi, mà ở khả năng AI ngày càng được đặt gần hơn với dữ liệu, tri thức và bối cảnh công việc thực tế.

Với doanh nghiệp R&D, điều này đặt ra một câu hỏi quan trọng:

Hệ thống hiện tại có đủ dữ liệu và bối cảnh để AI hỗ trợ đúng công việc của kỹ sư hay không?

5. Chuẩn bị con người và cách ra quyết định cùng AI

Ngay cả khi dữ liệu và công nghệ đã sẵn sàng, AI vẫn không tự tạo ra một quy trình R&D tốt hơn.

Kỹ sư cần biết khi nào nên sử dụng AI, cách đánh giá kết quả và khi nào không nên chấp nhận đề xuất của AI.

Trong môi trường kỹ thuật, một phương án “tối ưu” theo một tiêu chí chưa chắc là phương án tốt nhất về tổng thể.

Một thay đổi về hình học có thể cải thiện hiệu suất nhưng làm tăng chi phí sản xuất. Một vật liệu có đặc tính tốt hơn có thể khó gia công hơn. Một phương án nhẹ hơn có thể tạo ra những yêu cầu mới về độ bền hoặc lắp ráp.

Do đó, kỹ sư cần phát triển những năng lực như:

• Xác định đúng bài toán thay vì chỉ thực hiện yêu cầu.
• Xác định yêu cầu và các ràng buộc của thiết kế.
• Đánh giá kết quả từ AI và mô phỏng.
• Hiểu mối liên hệ giữa thiết kế – mô phỏng – sản xuất.
• Đưa ra quyết định dựa trên dữ liệu và kinh nghiệm kỹ thuật.

AI có thể giúp kỹ sư phân tích nhiều phương án hơn và nhanh hơn, nhưng quyết định kỹ thuật vẫn cần sự đánh giá và trách nhiệm của con người.

Doanh nghiệp đã sẵn sàng ứng dụng AI trong R&D chưa?

Trước khi bắt đầu một dự án AI, doanh nghiệp có thể kiểm tra nhanh 5 câu hỏi:

Nếu một hoặc nhiều câu trả lời vẫn chưa rõ ràng, doanh nghiệp không nhất thiết phải trì hoãn AI. Nhưng thay vì triển khai trên diện rộng, một bài toán nhỏ, có dữ liệu rõ ràng và kết quả đo lường được sẽ là điểm bắt đầu phù hợp hơn.

Chuẩn bị cho AI cũng là chuẩn bị lại nền tảng R&D

Ứng dụng AI trong R&D không nên bắt đầu bằng câu hỏi “nên mua công cụ AI nào?”.

Điểm khởi đầu phù hợp hơn là xem lại cách doanh nghiệp đang quản lý dữ liệu, quy trình và tri thức kỹ thuật.

Khi dữ liệu thiết kế được quản lý tốt hơn, mô phỏng được kết nối với quá trình phát triển sản phẩm và kỹ sư có thể truy cập đúng thông tin trong đúng bối cảnh, AI mới có nền tảng để tạo ra giá trị thực tế.

Với các nền tảng như 3DEXPERIENCE, cùng các giải pháp CATIA, SIMULIA và ENOVIA, doanh nghiệp có thể từng bước xây dựng môi trường phát triển sản phẩm kết nối hơn trước khi mở rộng ứng dụng AI.

👉 Liên hệ New System Vietnam để trao đổi về hiện trạng R&D và lộ trình xây dựng nền tảng dữ liệu, thiết kế và mô phỏng phù hợp cho quá trình ứng dụng AI.

Câu hỏi thường gặp 

AI có thể được ứng dụng vào những công việc nào trong R&D?

AI có thể hỗ trợ tìm kiếm và khai thác tri thức, tạo và đánh giá phương án thiết kế, phân tích dữ liệu, hỗ trợ mô phỏng và tự động hóa một số công việc lặp lại. Khả năng cụ thể phụ thuộc vào công cụ, dữ liệu và quy trình của doanh nghiệp.

Doanh nghiệp có cần chuẩn hóa dữ liệu trước khi ứng dụng AI không?

Có. Dữ liệu phân tán, trùng lặp hoặc không rõ phiên bản có thể làm giảm khả năng khai thác AI. Doanh nghiệp nên xác định cách lưu trữ, phân loại, truy cập và quản lý phiên bản dữ liệu kỹ thuật trước khi mở rộng ứng dụng AI.

Có nên triển khai AI trên toàn bộ bộ phận R&D ngay từ đầu không?

Không nhất thiết. Doanh nghiệp có thể bắt đầu với một bài toán cụ thể có dữ liệu rõ ràng và chỉ số đo lường được, sau đó đánh giá hiệu quả trước khi mở rộng sang những quy trình khác.