Chọn nhà cung cấp thị giác máy tính: Hướng dẫn mua sắm cấp doanh nghiệp

Model là phần dễ nhất. Trong thị giác máy tính doanh nghiệp, phần việc thực sự nằm ở dữ liệu được gán nhãn dùng cho model và việc đưa suy luận chạy trên camera ở edge; chính nửa sau này là nơi hầu hết chương trình âm thầm đình trệ. Các hướng dẫn mua sắm trong lĩnh vực này hiện đánh giá cao hơn độ chính xác trên hình ảnh của chính bạn và tính thực tế của triển khai edge, thay vì so sánh độ rộng các tính năng dựng sẵn vốn được các RFP trước đây ưu tiên quá mức. Lý do là API được quản lý đã đáp ứng các tính năng phổ thông, nhưng dự án vẫn thất bại ở những trường hợp khó, đặc thù và bị giới hạn độ trễ.

Hướng dẫn này so sánh tám nhà cung cấp dựa trên hai quyết định định hình kiến trúc: API dựng sẵn hay model tùy chỉnh, và cloud hay edge. Chỉ so sánh các điều khoản thương mại sau khi đã chốt những yêu cầu đó; nếu không, báo giá sẽ mô tả các hệ thống khác nhau.

Hai quyết định quan trọng#

Trước khi so sánh nhà cung cấp, hãy xác định chương trình của bạn nằm ở đâu trên hai trục này. Hầu hết sai lầm trong mua sắm ở lĩnh vực này đều bắt nguồn từ việc chọn nhà cung cấp thuộc sai góc phần tư.

API dựng sẵn hay model tùy chỉnh. Nếu tác vụ của bạn mang tính phổ thông (đọc văn bản từ tài liệu, phát hiện các đối tượng thường gặp, kiểm duyệt nội dung), API được quản lý có thể giải quyết ngay mà không cần nhân sự ML. Nếu tác vụ đặc thù cho sản phẩm, linh kiện hoặc quy trình của bạn, không API dựng sẵn nào đạt được độ chính xác đủ để đưa vào production; khi đó, thứ bạn cần mua là một pipeline dữ liệu và huấn luyện.

Cloud hay edge. Nếu suy luận có thể chấp nhận thời gian khứ hồi đến trung tâm dữ liệu, nhà cung cấp cloud là lựa chọn dễ triển khai nhất. Nếu không thể (dây chuyền chạy tốc độ cao, phương tiện, địa điểm có kết nối không ổn định hoặc dữ liệu không được phép rời khỏi cơ sở), triển khai edge sẽ là yêu cầu loại bỏ hầu hết ứng viên khỏi danh sách rút gọn.

Một chương trình mua nền tảng nhưng bỏ qua công việc về dữ liệu và vòng đời sẽ chỉ triển khai pilot mà không bao giờ đưa vào production. Hãy dành ngân sách cho gán nhãn và MLOps vì đây là phần việc chính, đồng thời chứng minh độ chính xác trên những hình ảnh khó nhất của bạn trước khi ký bất kỳ thỏa thuận nào.

Các nhà cung cấp được liệt kê theo thứ tự bảng chữ cái, không xếp hạng. Ultralytics xuất bản hướng dẫn này và cũng có tên trong đó, vì vậy thứ tự được giữ trung lập một cách có chủ ý và mỗi nhà cung cấp đều nêu rõ điểm đánh đổi.

AWS: Rekognition và SageMaker AI#

Đây là gì. Hai lớp: Amazon Rekognition là API thị giác được quản lý, còn Amazon SageMaker AI là nền tảng huấn luyện và triển khai tùy chỉnh.

Ưu điểm. Rekognition cung cấp khả năng phân tích hình ảnh và video được quản lý hoàn toàn (kiểm duyệt nội dung, phát hiện nhãn và văn bản, phát hiện PPE), cùng Custom Labels để huấn luyện model đặc thù cho tác vụ mà không cần nhân sự ML. Tích hợp sâu với S3, Lambda và Kinesis Video khiến đây là lựa chọn dễ triển khai nhất cho các pipeline thuần AWS. Khi yêu cầu vượt quá khả năng của API, SageMaker AI hỗ trợ huấn luyện phân tán, endpoint tự động mở rộng quy mô, cụm GPU và CPU, pipeline triển khai và theo dõi thử nghiệm trên các framework phổ biến.

Rekognition cũng cung cấp tính năng so sánh và tìm kiếm khuôn mặt. Hãy xem đây là một vấn đề mua sắm riêng thay vì tính năng bổ sung: xử lý sinh trắc học kéo theo rủi ro pháp lý, nghĩa vụ xin chấp thuận và ở một số khu vực pháp lý còn có các khoản bồi thường theo luật định. Nếu không cần tính năng này, hãy loại trừ rõ ràng khỏi phạm vi; đồng thời lưu ý rằng phần lớn trường hợp sử dụng thị giác được gắn nhãn "bảo mật" không cần tính năng đó.

Điểm đánh đổi. Phạm vi tính năng rộng là có thật, nhưng khối lượng công việc tích hợp cũng vậy: Rekognition, SageMaker, lưu trữ và điều phối hợp thành một kiến trúc, chứ không phải một sản phẩm. Khả năng edge yếu hơn so với nhóm tự xây dựng giải pháp.

Phù hợp nhất với. Các tổ chức sử dụng hệ sinh thái AWS muốn có giải pháp thị giác được quản lý ngay bây giờ và tùy chọn tự xây dựng giải pháp tùy chỉnh sau này mà không cần đổi cloud.

Lưu ý khi mua sắm. Phát hiện PPE thực sự hữu ích cho giám sát an toàn và thường là con đường nhanh nhất để đạt được thành công đầu tiên có thể chứng minh.

Azure AI Vision#

Đây là gì. Stack thị giác được quản lý của Microsoft, bao gồm API dựng sẵn và huấn luyện model tùy chỉnh.

Ưu điểm. Azure AI Vision cung cấp API dùng ngay để phân tích hình ảnh, OCR và trích xuất văn bản, phát hiện đối tượng và phân tích video; việc triển khai và mở rộng quy mô được xử lý mà không cần quản lý hạ tầng bên dưới. Với các nhóm cần model phân loại hoặc phát hiện do mình huấn luyện, Azure Machine Learning — bao gồm khả năng AutoML — là lựa chọn hiện tại và bao quát toàn bộ vòng đời.

Lưu ý khi mua sắm: kiểm tra vòng đời dịch vụ, không chỉ danh sách tính năng. Microsoft đã đưa dịch vụ Custom Vision cũ vào lộ trình ngừng cung cấp và hướng khách hàng xây dựng model phân loại, phát hiện tùy chỉnh sang Azure Machine Learning. Bất kỳ giải pháp nào được xây dựng trên Custom Vision hiện nay đều cần tính đến việc di chuyển trong lộ trình. Đây là nguyên nhân phổ biến nhất khiến quá trình đánh giá giải pháp thị giác cloud đi sai hướng: một dịch vụ trông có vẻ lý tưởng khi so sánh tính năng thực ra đã bị thay thế, còn các bài viết so sánh góp phần tạo nên danh sách rút gọn thì chưa được cập nhật. Hãy yêu cầu mọi hyperscaler xác nhận bằng văn bản trạng thái hỗ trợ và ngừng cung cấp của từng dịch vụ cụ thể được nêu trong đề xuất.

Điểm đánh đổi. Cũng như mọi dịch vụ thị giác của hyperscaler, chi phí tính theo mức sử dụng và có thể khiến các nhóm bất ngờ khi mở rộng quy mô. Có thể triển khai edge, nhưng đây không phải trọng tâm thiết kế.

Phù hợp nhất với. Các tổ chức đã tiêu chuẩn hóa trên Azure, cần OCR và khả năng hiểu tài liệu mạnh, đồng thời muốn dùng dịch vụ được quản lý thay vì xây dựng đội ngũ ML.

Lưu ý khi mua sắm. Hãy tính chi phí trên mỗi lần suy luận ở quy mô production, không phải quy mô pilot. Giá tính theo mức sử dụng là yếu tố khiến một business case đã được phê duyệt chuyển sang thua lỗ.

Cognex#

Đây là gì. Một đơn vị dẫn đầu toàn cầu về thị giác máy, cung cấp phần cứng và phần mềm tự động hóa cho sản xuất và logistics.

Ưu điểm. Cognex là nhà cung cấp lâu năm trong lĩnh vực thị giác công nghiệp vì những lý do xác đáng: sản phẩm của Cognex được triển khai trong phát hiện lỗi và kiểm soát chất lượng, xác minh hiện diện và vắng mặt, cũng như đọc mã vạch và truy xuất nguồn gốc trong logistics và đóng gói. Cognex VisionPro Deep Learning (phiên bản kế nhiệm dòng sản phẩm ViDi) bổ sung deep learning cấp công nghiệp được thiết kế riêng cho tự động hóa nhà máy, cùng các tùy chọn học tại edge cho những công đoạn kiểm tra đơn giản hơn. Với chương trình cần giải pháp thị giác tích hợp với PLC và hoạt động ổn định trên sàn nhà máy, đây là thiết bị đã được kiểm chứng, chứ không phải dịch vụ cloud hướng vào camera.

Điểm đánh đổi. Bạn đang chọn vào hệ sinh thái phần cứng công nghiệp, cùng cơ cấu chi phí và sự phụ thuộc nhà cung cấp đi kèm. Đây không phải lựa chọn phù hợp với các nhóm ưu tiên phần mềm và cloud-native.

Phù hợp nhất với. Các chương trình sản xuất và logistics, nơi hệ thống thị giác là một phần của dây chuyền sản xuất chứ không phải nền tảng dữ liệu.

Lưu ý khi mua sắm. Hãy hỏi cách cập nhật model sau khi dây chuyền đi vào hoạt động. Nhịp độ huấn luyện lại trên thiết bị nhà máy là vấn đề vận hành rất khác với việc triển khai lại endpoint cloud.

Encord#

Đây là gì. Nền tảng lấy dữ liệu làm trọng tâm, tập trung vào gán nhãn và chất lượng dataset.

Ưu điểm. Encord định vị mình dựa trên quan điểm rằng chất lượng dữ liệu, chứ không phải kiến trúc model, quyết định kết quả: nền tảng cung cấp công cụ gán nhãn, tuyển chọn và quản lý chất lượng, với thế mạnh được ghi nhận trong hình ảnh y tế và video.

Điểm đánh đổi. Nền tảng giải quyết nửa bài toán liên quan đến dữ liệu. Việc huấn luyện và triển khai vẫn cần một nơi để thực hiện.

Phù hợp nhất với. Các chương trình bị nghẽn ở chất lượng gán nhãn, đặc biệt trong các lĩnh vực chịu quản lý chặt hoặc chuyên biệt.

Landing AI#

Đây là gì. Nền tảng kiểm tra trực quan trong sản xuất, do Andrew Ng sáng lập.

Lưu ý trước khi đưa vào danh sách rút gọn. Landing AI đã chuyển trọng tâm sang tài liệu và AI tác nhân, còn dòng sản phẩm kiểm tra hiện được duy trì thay vì là trọng tâm chính. ABB Motion Ventures đã đầu tư vào năm 2025, cụ thể để đưa AI thị giác của Landing AI vào robot ABB, nên vẫn có lộ trình phát triển cho năng lực này; tuy nhiên, hãy hỏi trực tiếp về các cam kết lộ trình dành cho kiểm tra trong nhà máy.

Ưu điểm. Landing AI nhắm đến một bài toán cụ thể và thực sự khó: kiểm tra trực quan khi có rất ít mẫu lỗi. Các kỹ thuật của Landing AI được thiết kế cho dataset nhỏ, vốn là tình trạng phổ biến trong môi trường công nghiệp: bạn không thể thu thập hàng nghìn ví dụ về một lỗi chỉ xảy ra hai lần mỗi tháng.

Điểm đánh đổi. Trọng tâm này khiến phạm vi phù hợp hẹp hơn. Với nhu cầu thị giác đa dụng trên nhiều loại tác vụ, một nền tảng toàn diện hơn sẽ phù hợp hơn.

Phù hợp nhất với. Các nhà sản xuất gặp bài toán phát hiện lỗi nhưng không có đủ hình ảnh lỗi để huấn luyện model theo cách thông thường.

Lưu ý khi mua sắm. Đây là nhà cung cấp nên đưa vào danh sách rút gọn khi trở ngại của bạn là thiếu dữ liệu, chứ không phải năng lực của model. Hãy chứng minh hiệu quả trên loại lỗi hiếm gặp nhất của bạn.

NVIDIA#

Đây là gì. Lớp tính toán và phần mềm nền tảng cho phần lớn giải pháp thị giác doanh nghiệp: phần cứng tăng tốc, bộ công cụ model dựng sẵn và framework triển khai cho edge và phân tích video.

Ưu điểm. Tầm quan trọng của NVIDIA trong mua sắm thường mang tính cấu trúc hơn là ở cấp ứng dụng: NVIDIA cung cấp GPU cho các lượt huấn luyện và module Jetson cho suy luận edge, cùng lớp nền tảng Metropolis: DeepStream dành cho pipeline phân tích video nhiều luồng và TAO để huấn luyện, tối ưu hóa model. Với các chương trình triển khai thị giác trên nhiều luồng camera, câu hỏi về nền tảng và câu hỏi về NVIDIA thường là một.

Điểm đánh đổi. Đây là hạ tầng, không phải ứng dụng. Bạn vẫn cần pipeline dữ liệu, model và công việc tích hợp do nhóm nội bộ hoặc nhà cung cấp khác đảm nhiệm.

Phù hợp nhất với. Các chương trình chạy nhiều luồng camera ở edge hoặc huấn luyện model tùy chỉnh ở quy mô lớn.

Lưu ý khi mua sắm. Thời gian chờ phần cứng và hỗ trợ vòng đời cần được quy định trong hợp đồng. Đội thiết bị edge đồng nghĩa với cam kết năm năm cho một module mà bạn vẫn phải mua được vào năm thứ ba.

Roboflow#

Đây là gì. Nền tảng đầu cuối cho thị giác máy tính, hướng đến developer.

Ưu điểm. Roboflow phổ biến trong tạo mẫu nhanh, xử lý quản lý dataset, tăng cường dữ liệu và huấn luyện model, đồng thời cung cấp gán nhãn có AI hỗ trợ, huấn luyện không cần code và triển khai từ cloud đến edge. Với các nhóm liên tục thử nghiệm nhanh những trường hợp sử dụng mới, nền tảng này loại bỏ phần lớn công việc thiết lập.

Điểm đánh đổi. Công cụ hướng đến developer giả định người dùng là developer. Đây không phải dịch vụ được quản lý dành cho doanh nghiệp.

Phù hợp nhất với. Các nhóm muốn chuyển từ ý tưởng sang model hoạt động được trong vài ngày thay vì vài quý.

Ultralytics#

Đây là gì. Nền tảng thị giác bao gồm gán nhãn, quản lý dataset và huấn luyện, được xây dựng xoay quanh các model mở được ứng dụng rộng rãi.

Ưu điểm. Ultralytics Platform hỗ trợ sáu tác vụ gán nhãn (phát hiện đối tượng, phân đoạn instance, phân đoạn ngữ nghĩa, phân loại, ước lượng pose và phát hiện đối tượng định hướng), với tính năng gán nhãn thông minh hỗ trợ bởi SAM tạo mask và bounding box chỉ bằng một lần nhấp cho các tác vụ phát hiện, phân đoạn, phân đoạn ngữ nghĩa và hộp định hướng: pose và phân loại được gán nhãn thủ công, vì vậy bạn nên đối chiếu điều này với cơ cấu tác vụ của mình. Nền tảng hỗ trợ nhập và xuất YOLO, COCO và VOC, nên phù hợp với các pipeline hiện có thay vì thay thế chúng; chức năng duyệt xét nhóm và quản lý phiên bản dataset cũng được tích hợp sẵn. Lợi thế khi mua sắm là tính liên tục và khả năng chuyển đổi: các model là mã mở và được triển khai rộng rãi, dataset bạn gán nhãn chính là dataset bạn dùng để huấn luyện, và cả hai đều không bị khóa trong định dạng độc quyền.

Chi tiết mua sắm. Ultralytics Platform đạt SOC 2 Type I và ISO 27001:2022, có mã hóa dữ liệu khi truyền và khi lưu trữ, đồng thời tuân thủ GDPR và CCPA. Hãy đọc kỹ chứng nhận Type I: chứng nhận này xác nhận thiết kế kiểm soát tại một thời điểm, chứ không phải hiệu quả vận hành trong một khoảng thời gian — nội dung được đánh giá bởi Type II. Một số nhà cung cấp nêu trên đạt Type II; nếu chính sách của bạn yêu cầu chứng nhận này thì đó là khác biệt thực sự, không phải tiểu tiết. Có thể cố định vị trí lưu trữ dữ liệu tại Mỹ, EU hoặc AP. Giá GPU cloud được công bố theo giờ thay vì báo giá riêng, và thanh toán theo mức sử dụng thực tế, khiến đây trở thành một trong số ít lựa chọn trên trang này mà bạn có thể tính toán chính xác trước khi trao đổi với bộ phận bán hàng.

Cấp phép: hãy đọc phần này trước khi so sánh tính năng. Các model Ultralytics YOLO được phát hành theo AGPL-3.0, một giấy phép copyleft mạnh. Việc triển khai thương mại hoặc độc quyền thường yêu cầu giấy phép doanh nghiệp của Ultralytics, giấy phép này cũng bao gồm triển khai riêng tư và hỗ trợ nâng cao. Hãy tính chi phí giấy phép đó vào mọi so sánh với nền tảng được cấp phép thương mại và đưa vấn đề này đến bộ phận pháp lý từ sớm: "mã nguồn mở" và "không mất phí giấy phép" không đồng nghĩa với nhau; đây là lý do phổ biến nhất khiến một business case thị giác vốn vững chắc bị đình trệ ở giai đoạn ký hợp đồng.

Điểm đánh đổi. Đây là nền tảng dành cho các nhóm tự quản lý model của mình. Các tổ chức muốn có dịch vụ được quản lý cung cấp kết quả hoàn chỉnh nên xem xét các nhà cung cấp dịch vụ khác. Đây cũng là lựa chọn mới nhất trong danh sách: Ultralytics Platform ra mắt vào tháng 3 năm 2026, trong khi Azure, AWS, Cognex và NVIDIA có lịch sử mua sắm lâu dài, mạng lưới hỗ trợ đã thiết lập và khách hàng tham chiếu mà các hội đồng thận trọng về rủi ro thường yêu cầu. Nếu kinh nghiệm hoạt động lâu năm hoặc chứng nhận Type II là yêu cầu bắt buộc, bạn nên xem xét nhà cung cấp khác.

Phù hợp nhất với. Các doanh nghiệp muốn có model thị giác tùy chỉnh do mình kiểm soát và triển khai ở nơi mình chọn, bao gồm trên phần cứng của chính mình mà không phụ thuộc vào nhà cung cấp cloud cho từng lần suy luận. Lưu ý rằng bản thân nền tảng được quản lý vẫn tính phí theo giờ huấn luyện GPU và mức sử dụng endpoint; điểm khác biệt là model đã xuất có thể chạy hoàn toàn trên hạ tầng thuộc sở hữu của bạn.

So sánh tổng quan#

Nên chọn nhà cung cấp nào?#

Sáu tình huống bao quát phần lớn chương trình doanh nghiệp. Hãy tìm tình huống phù hợp với bạn.

Bạn cần OCR, khả năng hiểu tài liệu hoặc phát hiện đối tượng phổ thông, và đang sử dụng Azure. Hãy chọn Azure AI Vision. Các API sẵn sàng sử dụng, không cần nhân sự ML và khối lượng công việc tích hợp rất nhỏ. Hãy tính chi phí trên mỗi lần suy luận ở quy mô production trước khi cam kết: giá tính theo mức sử dụng là yếu tố khiến các business case đã được phê duyệt đổ vỡ.

Bạn cần giải pháp thị giác được quản lý trong pipeline thuần AWS. Hãy chọn AWS. Rekognition xử lý sẵn việc kiểm duyệt, tìm kiếm khuôn mặt, phát hiện PPE và nhãn; SageMaker sẵn sàng đáp ứng khi bạn vượt quá khả năng hiện tại mà không cần đổi cloud. Hãy dự trù phải lắp ghép một kiến trúc thay vì mua một sản phẩm hoàn chỉnh.

Bạn đang kiểm tra linh kiện trên dây chuyền sản xuất. Hãy chọn Cognex nếu hệ thống thị giác cần hoạt động ngay trên dây chuyền, tích hợp với PLC và vận hành ổn định trong môi trường nhà máy. Thay vào đó, hãy chọn Landing AI nếu trở ngại của bạn là lỗi quá hiếm để có thể huấn luyện theo cách thông thường. Đây là bài toán dữ liệu, không phải bài toán thiết bị, và cần một công cụ khác.

Bạn đang triển khai trên nhiều luồng camera ở edge. Hãy chọn NVIDIA làm lớp nền tảng, sau đó quyết định riêng nhà cung cấp model và pipeline dữ liệu. Đây là quyết định về hạ tầng, không giải quyết quyết định về ứng dụng.

Bạn cần triển khai nhanh và chứng minh giá trị. Hãy chọn Roboflow để thử nghiệm nhanh hoặc Ultralytics Platform nếu model bạn tạo mẫu cũng chính là model bạn dự định chạy trong production. Khác biệt nằm ở chỗ bạn đang khám phá hay đang xây dựng.

Dữ liệu đã gán nhãn là nút thắt của bạn. Chọn Encord nếu chất lượng gán nhãn và tuyển chọn dữ liệu là hạn chế, hoặc Ultralytics Platform nếu bạn muốn tích hợp gán nhãn trực tiếp vào quy trình huấn luyện thay vì chuyển giao giữa các công cụ.

Khi cả hai lựa chọn đều phù hợp, hãy chọn phương án có chi phí thoát thấp hơn. Định dạng model mở và bộ dữ liệu có tính di động không tốn chi phí khi mọi việc suôn sẻ, nhưng có thể khiến bạn trả giá đắt nếu mọi việc không như ý.

Những nội dung cần đưa vào RFP#

Các câu hỏi dưới đây giúp phân biệt nhà cung cấp nhanh hơn bất kỳ ma trận tính năng nào, vì nhà cung cấp không phù hợp sẽ khó trả lời rõ ràng.

Về độ chính xác. Độ chính xác đo được trên ảnh dùng cho proof of concept của chúng tôi là bao nhiêu, phân tích theo từng nhóm lỗi của chúng tôi thay vì gộp chung? Chỉ số đó thay đổi thế nào trong điều kiện ánh sáng kém nhất của chúng tôi?

Về triển khai. Phần cứng chính xác nào chạy inference, độ trễ đầu cuối bao gồm cả khâu thu nhận là bao nhiêu, và hệ thống hoạt động ra sao khi mất kết nối? Ai trực tiếp cập nhật model trên thiết bị đã được lắp đặt?

Về dữ liệu. Ai sở hữu dữ liệu đã gán nhãn? Chúng tôi có thể xuất dữ liệu ở định dạng mở bất cứ lúc nào không? Dữ liệu của chúng tôi được sử dụng như thế nào để cải thiện sản phẩm của bạn, và chúng tôi có thể từ chối không?

Về vòng đời. Mất bao lâu để huấn luyện lại và triển khai lại sau khi chúng tôi phát hiện một chế độ lỗi mới? Hãy hướng dẫn chúng tôi theo trình tự các bước và người phụ trách từng bước.

Về thương mại. Tổng chi phí trong ba năm theo sản lượng dự kiến của chúng tôi là bao nhiêu, phân tách thành giấy phép, compute, lưu trữ, nhân lực gán nhãn và hỗ trợ? Điều gì dẫn đến thay đổi giá?

Về việc chấm dứt. Nếu chấm dứt hợp đồng vào năm thứ hai, chúng tôi giữ lại được những gì: dữ liệu, model hay không giữ được gì?

Từ pilot đến production#

Hầu hết chương trình trong lĩnh vực này không thất bại ở giai đoạn pilot. Chúng thất bại trong khoảng cách giữa một pilot hoạt động hiệu quả và một hệ thống production mãi không hoàn thiện.

Xác định tiêu chuẩn production trước khi bắt đầu pilot. Quyết định mức độ chính xác, độ trễ và chi phí mỗi lần inference cần đạt để triển khai rộng, rồi ghi lại các tiêu chí đó. Pilot không có ngưỡng đạt luôn thành công, vì vậy nó chẳng cho bạn biết điều gì.

Thực hiện pilot tại cơ sở khó khăn nhất, không phải cơ sở tốt nhất. Dây chuyền tiêu biểu với ánh sáng tốt và người giám sát nhiệt tình sẽ khiến nhà cung cấp nào cũng có vẻ đủ năng lực. Việc triển khai thực tế sẽ được đánh giá tại cơ sở có nhiều vấn đề.

Dự trù ngân sách cho model thứ hai. Model đầu tiên được xây dựng với sự chú tâm của nhà cung cấp và một bộ dữ liệu sạch. Model thứ mười được đội ngũ của bạn xây dựng vào ngày thứ Ba. Nếu không thể xây dựng model thứ hai khi nhà cung cấp không có mặt, chương trình sẽ không thể mở rộng.

Chỉ định người phụ trách chất lượng dữ liệu. Mọi chương trình thất bại trong lĩnh vực này đều thiếu cùng một vai trò: người chịu trách nhiệm về bộ dữ liệu đã gán nhãn theo thời gian. Đây không phải việc làm thêm lúc rảnh của kỹ sư ML, cũng không thuộc trách nhiệm của bộ phận mua sắm.

Tiêu chí đánh giá vẫn phù hợp khi triển khai production#

Cân nhắc trọng số của các tiêu chí này dựa trên tác vụ và nơi cần chạy inference.

Độ chính xác trên ảnh của bạn, không phải trên benchmark. Yêu cầu proof of concept sử dụng những ảnh khó nhất của bạn: ánh sáng yếu, che khuất và các trường hợp biên mà nhân viên vận hành thường phàn nàn. Nhà cung cấp không chịu thực hiện điều này đang cho bạn biết điều gì đó.

Tính thực tế của triển khai edge. Hãy hỏi cụ thể: phần cứng nào, độ trễ bao nhiêu, điều gì xảy ra khi mất mạng và cách cập nhật model trên thiết bị đã được đưa vào sử dụng.

Tổng chi phí sở hữu. Tính cả phí cấp phép, compute, lưu trữ, nhân lực gán nhãn và bảo trì model liên tục, không chỉ phí ban đầu. Định giá cloud theo mức sử dụng là khoản thường khiến các nhóm bất ngờ nhất khi mở rộng quy mô.

Khả năng tích hợp. Trong môi trường công nghiệp, mức độ tương thích với PLC và MES quyết định hệ thống có sử dụng được hay không. Trong môi trường phần mềm, đó là API và pipeline dữ liệu. Hai trường hợp này không thể thay thế cho nhau.

Quản trị dữ liệu. Mã hóa, kiểm soát truy cập, nhật ký kiểm tra và mức độ tuân thủ quy định. GDPR, HIPAA và các tiêu chuẩn chuyên ngành thường quyết định lựa chọn nền tảng trước khi bắt đầu bất kỳ so sánh kỹ thuật nào.

Cổng đánh giá mua sắm mới: độ tin cậy của thiết bị và nguồn gốc dữ liệu#

Đây là một thay đổi đáng lưu ý, vì hiện nay nó đang cản trở những thương vụ trước đây có thể đã được chốt.

Độ tin cậy của thiết bị, quyền đối với bộ dữ liệu và hồ sơ quản lý ảnh ngày càng có trọng lượng thương mại tương đương độ chính xác của model. Model thị giác máy tính có thể vượt qua bước xác nhận kỹ thuật nhưng vẫn không qua được khâu mua sắm, vì không ai chứng minh được ảnh huấn luyện đến từ đâu, tổ chức có quyền sử dụng ảnh hay không, hoặc thiết bị vật lý nào đã chụp một khung hình cụ thể.

Ba câu hỏi cần đưa vào RFP:

• Quyền đối với bộ dữ liệu. Với mỗi bộ dữ liệu được dùng để huấn luyện, giấy phép là gì và có cho phép sử dụng thương mại tại khu vực pháp lý của chúng tôi không?
• Quản lý ảnh. Nhà cung cấp có thể cung cấp hồ sơ truy vết một lần inference trong production về thiết bị đã chụp ảnh đó không?
• Độ tin cậy của thiết bị. Tính toàn vẹn của thiết bị edge được xác thực như thế nào, và điều gì xảy ra nếu thiết bị bị can thiệp?

Nhà cung cấp không thể trả lời những câu hỏi này chưa hẳn là không an toàn. Tuy nhiên, họ sẽ khiến quá trình rà soát pháp lý của bạn kéo dài thêm nhiều tháng.

Cách thực hiện đánh giá#

Lập danh sách rút gọn dựa trên nhóm lựa chọn, không phải số lượng tính năng. Trước tiên, hãy quyết định giữa model pretrained và model tùy chỉnh, cũng như giữa cloud và edge. Như vậy thường sẽ loại được một nửa thị trường trước khi xem bất kỳ bản demo nào.

Thực hiện một proof of concept trên dữ liệu khó nhất của bạn. Dùng cùng ảnh, cùng tiêu chí chấp nhận cho mọi nhà cung cấp. Đo độ chính xác trên các trường hợp quan trọng thay vì độ chính xác tổng hợp trên một tập dữ liệu dễ.

Tính chi phí toàn bộ vòng đời. Lập mô hình chi phí ba năm, bao gồm nhân lực gán nhãn và huấn luyện lại. Hãy so sánh con số đó, không phải phí cấp phép.

Kiểm tra quy trình cập nhật. Triển khai một model rồi thay đổi model đó. Thời gian cần thiết và những người phải tham gia là yếu tố quyết định hệ thống có được cải thiện sau khi vận hành chính thức hay đóng băng ngay từ ngày đầu.

Kiểm tra phương án rút lui. Bạn có thể xuất dữ liệu đã gán nhãn ở định dạng mở và chuyển model sang nơi khác không? Nếu không, hãy tính chi phí bị khóa vào hệ sinh thái.