AI tổng hợp báo cáo kiểm tra chất lượng sản phẩm: làm được gì, cần kiểm soát gì?

Cuối mỗi ca, nhân viên QA thường mất khá nhiều thời gian gom phiếu kiểm tra từ các tổ, đếm lỗi theo loại, chép ảnh minh họa vào báo cáo và gửi cho quản lý sản xuất. Khi khách hàng hỏi về một lô cụ thể, việc lục lại phiếu, ảnh và biên bản khắc phục còn mất thời gian hơn. Báo cáo đến chậm thì quyết định cũng chậm, và lỗi có thể lan sang các lô sau.

AI Agent có thể đảm nhận phần tổng hợp: đọc phiếu kiểm tra, gom lỗi theo lô và theo loại, đính ảnh làm bằng chứng, rồi soạn bản báo cáo để QA xem. Điều AI không được làm là tự quyết một lô đạt hay không đạt. Ranh giới đó cần được thiết kế ngay từ đầu, không để đến khi có sự cố mới vạch.

Bài viết trình bày các thành phần dữ liệu của một báo cáo chất lượng, cách triển khai theo bốn bước và cách chia trách nhiệm giữa QC, QA, sản xuất và IT.

1. Bản chất của AI báo cáo chất lượng sản phẩm

Việc chính của AI ở đây là biến nhiều nguồn rời rạc thành một bức tranh theo lô: phiếu kiểm tra điện tử, ghi chú của nhân viên QC, ảnh chụp lỗi, kết quả đo từ thiết bị và biên bản khắc phục. Mô hình ngôn ngữ đọc được ghi chú tự do và mô tả lỗi, còn phần đếm số lỗi, tính tỷ lệ theo lô hay so với ngưỡng chấp nhận nên làm bằng truy vấn để con số không phụ thuộc cách diễn đạt của mô hình.

Áp ba mức việc vào quy trình này. Hỏi đáp là khi trưởng ca hỏi “lô sáng nay có lỗi nào vượt ngưỡng không” và nhận câu trả lời trích từ phiếu. Tra cứu là khi AI kéo phiếu, ảnh và kết quả đo của một lô để lập báo cáo. Ghi, như đổi trạng thái lô sang “giữ lại” hay đóng một yêu cầu khắc phục, thuộc về QA; AI chỉ chuẩn bị bản nháp và bằng chứng. Nếu lỗi xuất phát từ máy móc, dữ liệu này nên được nối với phần phân tích nhật ký dừng máy để xem hai bên có trùng thời điểm không.

2. Các yếu tố cần thiết kế

1. Phiếu kiểm tra

Phiếu là nguồn dữ liệu gốc, nên mẫu phiếu cần thống nhất giữa các tổ: cùng tên hạng mục, cùng đơn vị đo, cùng cách ghi đạt hay không đạt. Phiếu giấy chụp lại vẫn đọc được nhưng dễ sai ở chữ viết tay và ô đánh dấu mờ. Phiếu nào AI đọc không chắc cần được đánh dấu để nhân viên QC nhập lại.

2. Tiêu chí chất lượng

Ngưỡng chấp nhận, dung sai kích thước hay số lỗi tối đa cho phép phải lấy từ tài liệu tiêu chuẩn đang hiệu lực, có số phiên bản. AI không được tự suy ra ngưỡng từ dữ liệu cũ. Khi tiêu chuẩn thay đổi, báo cáo cần ghi rõ lô nào được đánh giá theo phiên bản nào.

3. Lô sản xuất

Mọi phiếu, ảnh và kết quả đo phải gắn với mã lô, nếu không thì không tổng hợp và truy vết được. Lỗi hay gặp là một phiếu ghi sai mã lô hoặc hai lô chạy xen kẽ trên cùng dây chuyền. Hệ thống nên đối chiếu mã lô với lệnh sản xuất và báo ngay khi không khớp.

4. Lỗi hình ảnh

Ảnh chụp lỗi giúp người đọc báo cáo thấy vấn đề mà không phải xuống xưởng. AI có thể gợi ý loại lỗi từ ảnh, nhưng chỉ khi đã có bộ ảnh mẫu được QA gắn nhãn. Ảnh mờ, thiếu thước đo hoặc chụp sai góc nên bị trả lại cho người chụp thay vì được dùng làm bằng chứng.

5. Mức độ

Mỗi loại lỗi cần được xếp mức độ theo bảng phân loại của doanh nghiệp, chẳng hạn nghiêm trọng, chính và nhẹ. Bảng này do QA ban hành, AI chỉ áp theo. Lỗi mới chưa có trong bảng không được AI tự xếp mức mà phải chuyển QA quyết định.

6. Nguyên nhân

Báo cáo có thể ghi các nguyên nhân khả dĩ mà AI rút ra từ ghi chú và dữ liệu sản xuất, nhưng phải tách rõ đâu là giả thuyết, đâu là nguyên nhân đã được xác nhận. Viết lẫn hai loại vào cùng một cột là cách nhanh nhất để báo cáo mất độ tin cậy.

7. Hành động khắc phục

Mỗi lỗi vượt ngưỡng cần một hành động khắc phục có người chịu trách nhiệm và hạn hoàn thành. AI có thể nhắc hạn và gom tình trạng các hành động đang mở vào báo cáo. Đóng một hành động khắc phục là việc của người phụ trách sau khi kiểm tra hiệu quả, không phải của AI.

8. Truy vết

Khi khách hàng phản ánh, doanh nghiệp cần đi ngược từ sản phẩm về lô, nguyên vật liệu, ca và máy. AI giúp tra nhanh chuỗi này nếu dữ liệu đã được liên kết. Kết quả truy vết gửi ra ngoài phải qua QA kiểm tra, vì sai một mắt xích có thể dẫn tới thu hồi nhầm lô.

3. Quy trình triển khai thực tế

Bước 1: Xác định phạm vi và kết quả cần đo

Chọn một báo cáo đang làm tay tốn nhiều công, ví dụ báo cáo chất lượng cuối ca của một dòng sản phẩm. Liệt kê người đọc báo cáo và quyết định họ đưa ra từ đó. Đầu ra là mẫu báo cáo đích được trưởng QA duyệt, kèm danh sách chỉ tiêu phải có.

Bước 2: Chuẩn hóa dữ liệu cùng quyền truy cập

Thống nhất mẫu phiếu, danh mục loại lỗi, bảng mức độ và cách ghi mã lô. Xác định ai được xem báo cáo của khách hàng nào, vì báo cáo chất lượng có thể chứa thông tin sản phẩm riêng của từng khách. IT thiết lập quyền theo nhà máy và theo khách hàng, rồi thử bằng tài khoản thật của từng vai trò.

Bước 3: Thiết kế tích hợp ngoại lệ và phê duyệt

Nối AI với nơi lưu phiếu, ảnh và lệnh sản xuất ở chế độ chỉ đọc. Quy định luồng duyệt: báo cáo nội bộ cần trưởng ca xem, báo cáo gửi khách cần QA ký. Các ngoại lệ như phiếu thiếu mã lô, lỗi chưa có trong danh mục hay ảnh không đọc được đều được đẩy vào danh sách chờ xử lý có người nhận.

Bước 4: Kiểm thử vận hành rồi cải thiện theo log

Chạy song song với báo cáo tay trong vài chu kỳ và so từng con số. Chênh lệch nào cũng phải tìm ra lý do: AI đọc sai phiếu, danh mục chưa đủ hay báo cáo tay tính khác cách. Sau mỗi lần sửa danh mục hoặc mẫu phiếu, chạy lại bộ phiếu mẫu trước khi dùng cho báo cáo thật.

4. Ví dụ giả định

AI tổng hợp lỗi theo lô và đính bằng chứng; quyết định loại lô vẫn thuộc QA.

Bài học từ tình huống này là báo cáo phải cho QA đủ căn cứ để quyết định nhanh mà không làm thay quyết định. Bộ ca thử nên có: một lô có số lỗi vừa sát ngưỡng, một lô có lỗi nghiêm trọng duy nhất trong khi tổng số lỗi thấp, một phiếu ghi sai mã lô, và một ảnh lỗi không khớp mô tả trên phiếu. Với mỗi ca, kết quả mong đợi là báo cáo nêu đúng con số, đính đúng bằng chứng và đánh dấu điểm bất thường để QA xem, không tự ghi “đạt” hay “loại”.

5. Rủi ro và giới hạn

• Không tự động hóa khi dữ liệu hoặc thẩm quyền chưa rõ
• Giới hạn quyền đọc ghi theo nhu cầu tối thiểu
• Giữ người phụ trách cho ngoại lệ và quyết định quan trọng
• Theo dõi log và kiểm thử lại sau mỗi thay đổi

Rủi ro đáng lo nhất là báo cáo trông đầy đủ nhưng bỏ sót lỗi nghiêm trọng vì phiếu đọc sai hoặc gắn nhầm lô. Người đọc tin vào bản tổng hợp nên hiếm khi mở lại phiếu gốc, do đó mỗi con số trong báo cáo phải bấm được về phiếu và ảnh nguồn. Báo cáo gửi khách hàng còn là tài liệu có giá trị cam kết, nên không được phát hành khi chưa có chữ ký QA. Ảnh sản phẩm và thông số kỹ thuật của khách phải được giới hạn quyền xem như tài liệu mật.

6. Phân chia trách nhiệm vận hành

Nhân viên QC chịu trách nhiệm phiếu kiểm tra và ảnh chụp đầy đủ, đúng lô. Trưởng QA sở hữu tiêu chuẩn, bảng mức độ lỗi, quyết định giữ hay loại lô và ký báo cáo gửi khách. Quản lý sản xuất nhận báo cáo, giao hành động khắc phục và báo lại khi hoàn thành. IT lo kết nối dữ liệu, quyền xem theo khách hàng và lưu vết ai đã xem hay sửa báo cáo.

Khi tiêu chuẩn chất lượng đổi phiên bản, khi thêm loại lỗi mới hoặc khi đổi mẫu phiếu, cách AI tổng hợp có thể lệch đi mà không ai để ý. Mỗi thay đổi cần ghi ngày hiệu lực và chạy lại bộ phiếu kiểm thử. Nếu phát hiện báo cáo sai, trưởng QA có quyền dừng báo cáo tự động và quay về tổng hợp tay cho tới khi sửa xong.

7. Chỉ số nên theo dõi

• Tỷ lệ số liệu báo cáo khớp với phiếu gốc khi đối chiếu
• Tỷ lệ phiếu bất thường được chuyển QA đúng lúc
• Lỗi đọc phiếu, độ trễ báo cáo và số chỗ phải sửa tay
• Thời gian từ khi phát hiện lỗi tới khi có hành động khắc phục

Số báo cáo tạo ra mỗi ngày không phản ánh chất lượng. Nên theo dõi mức khớp giữa báo cáo và phiếu gốc qua các lần kiểm tra ngẫu nhiên, thời gian QA cần để ra quyết định về một lô, và số hành động khắc phục quá hạn. Cách trình bày các chỉ số định kỳ cho lãnh đạo có thể tham khảo bài AI tổng hợp báo cáo tuần.

8. Checklist trước khi vận hành

• Nguồn phiếu kiểm tra, tiêu chuẩn và người sở hữu đã xác nhận
• Quyền xem báo cáo theo khách hàng đã thử với nhiều vai trò
• Có phương án khi phiếu thiếu mã lô hoặc ảnh không đọc được
• Có log, chữ ký QA và cơ chế chống phát hành báo cáo trùng
• Có bộ phiếu kiểm thử hồi quy và người vận hành

9. Câu hỏi thường gặp

Có thể dùng AI tổng hợp báo cáo chất lượng sản phẩm ngay không? Có thể nếu phiếu kiểm tra đã theo mẫu thống nhất và mỗi phiếu gắn được với mã lô. Khi phiếu còn ghi tay trên giấy hoặc mỗi tổ QC dùng một mẫu riêng, việc đầu tiên là số hóa và thống nhất mẫu phiếu.

Nên bắt đầu dùng AI cho báo cáo chất lượng từ đâu? Chọn một dòng sản phẩm có nhiều phiếu kiểm tra và một báo cáo đang tốn công tổng hợp, như báo cáo chất lượng cuối ngày. Cho AI làm song song với báo cáo tay trong một thời gian để so sai lệch.

Khi nào báo cáo chất lượng do AI tổng hợp cần người duyệt? Mọi quyết định giữ, loại hay cho xuất lô đều do QA duyệt. Ngoài ra, phân loại mức độ lỗi nghiêm trọng, kết luận nguyên nhân và báo cáo gửi khách hàng cũng phải có người ký xác nhận.

AI có tự nhận diện lỗi từ ảnh sản phẩm được không? Có thể hỗ trợ gợi ý loại lỗi từ ảnh, nhưng độ chính xác phụ thuộc chất lượng ảnh và bộ mẫu lỗi đã được QA gắn nhãn. Kết quả nhận diện chỉ là gợi ý, nhân viên kiểm tra vẫn xác nhận trên phiếu.

Kết luận

AI báo cáo chất lượng sản phẩm giúp QA bớt công chép số và gom ảnh, để dành thời gian cho việc đánh giá và khắc phục. Điều kiện là mỗi con số phải lần được về phiếu gốc, tiêu chuẩn có phiên bản rõ ràng, và quyết định về lô hàng luôn nằm trong tay người có thẩm quyền.

Trao đổi với Naventic để khảo sát quy trình báo cáo chất lượng của nhà máy. Đọc thêm: AI Data Analyst Agent.