Trong một phòng thực hành điện tử, bán dẫn hay hệ thống nhúng, một linh kiện nhỏ có thể chỉ khác linh kiện bên cạnh bằng vài ký hiệu trên bề mặt. Khi số lượng thiết bị tăng lên hàng trăm loại, việc xác định đúng linh kiện mới chỉ là bước đầu. Phía sau đó còn là những câu hỏi: thiết bị đang ở đâu, còn bao nhiêu, ai đang sử dụng, khi nào cần bổ sung?
Từ bài toán này, nhóm sinh viên Asia University Program gồm Lê Đức Phú, Nguyễn Hoàng Thịnh, Trần Hoàng Bách, Đinh Thế Khải và Nguyễn Lưu Quang Chánh đã phát triển “LabTrack AI” trong học phần “Advanced Programming” (Lập trình nâng cao).
Thay vì xây dựng một công cụ AI độc lập, nhóm đặt công nghệ nhận diện hình ảnh vào một quy trình lớn hơn: quản lý dữ liệu và hỗ trợ vận hành phòng thí nghiệm.
Bắt đầu quy trình quản lý từ một hình ảnh linh kiện
Quy trình bắt đầu bằng một thao tác tương đối đơn giản. Người dùng chụp hoặc tải hình ảnh linh kiện lên hệ thống. AI phân tích hình ảnh, hỗ trợ xác định tên thiết bị và đề xuất những thông tin kỹ thuật liên quan.
Điểm nhóm đặc biệt lưu ý là kết quả của AI không được tự động trở thành dữ liệu chính thức.
Người dùng cần kiểm tra và xác nhận thông tin trước khi hệ thống ghi nhận. Cơ chế này giúp tận dụng khả năng xử lý nhanh của AI, đồng thời hạn chế rủi ro khi những linh kiện có hình dạng gần giống nhau hoặc hình ảnh đầu vào chưa đủ rõ.
Sinh viên Lê Đức Phú, đại diện nhóm chia sẻ: “Mục tiêu của “LabTrack AI” không chỉ là ứng dụng AI để nhận diện linh kiện, mà còn xây dựng một quy trình quản lý thiết bị liền mạch, trong đó AI hỗ trợ xử lý thông tin, còn người dùng vẫn là người xác nhận trước khi dữ liệu được cập nhật vào hệ thống”.
Cách tiếp cận này cũng trở thành một nguyên tắc thiết kế xuyên suốt dự án: AI hỗ trợ xử lý, con người giữ quyền kiểm soát đối với dữ liệu.
Khi dữ liệu về linh kiện bắt đầu “kể chuyện”
Sau khi một thiết bị được nhận diện và xác nhận, dữ liệu tiếp tục được đưa vào hệ thống quản lý tập trung.
Thông qua cơ sở dữ liệu quan hệ, “LabTrack AI” theo dõi số lượng tồn kho, lịch sử sử dụng, trạng thái thiết bị và quyền truy cập của từng nhóm người dùng như sinh viên, giảng viên, kỹ thuật viên hay quản trị viên.
Nhóm không dừng ở việc lưu trữ những thông tin này mà tiếp tục đặt câu hỏi: dữ liệu sử dụng có thể giúp người quản lý phòng lab đưa ra quyết định tốt hơn hay không?
Từ đó, bảng phân tích “Top 5 Popular Devices & Inventory Status” được xây dựng để cho thấy những thiết bị được sử dụng nhiều nhất và tình trạng tồn kho tương ứng. Thay vì phải đối chiếu nhiều bảng dữ liệu riêng lẻ, người phụ trách có thể quan sát nhanh mức độ khai thác của từng nhóm thiết bị qua các biểu đồ trực quan.
Một lớp phân tích khác mang tên “Predictive Inventory Analytics” tiếp tục kết hợp nhu cầu sử dụng với lượng tồn kho để phân loại thiết bị thành bốn nhóm: cần bổ sung gấp, vận hành ổn định, thiết bị chuyên dụng và tồn kho dư thừa.
Từ một dữ liệu tưởng như đơn giản là số lượt mượn, hệ thống vì thế có thể hỗ trợ trả lời những câu hỏi thực tế hơn: loại linh kiện nào đang được sử dụng nhiều, thiết bị nào có nguy cơ thiếu và đâu là nhóm tài sản đang được lưu trữ nhiều hơn nhu cầu.
AI chỉ là phần nổi của hệ thống
Nhận diện linh kiện là chức năng dễ quan sát nhất của “LabTrack AI”, nhưng phía sau thao tác đó là một hệ thống công nghệ gồm nhiều thành phần phải hoạt động đồng bộ.
Nhóm sinh viên thiết kế kiến trúc ba lớp, xây dựng cơ sở dữ liệu quan hệ, phát triển API để kết nối các thành phần và tích hợp AI đa phương thức phục vụ xử lý hình ảnh. Dữ liệu sau khi được xác nhận sẽ được chuyển đến máy chủ, lưu trữ và cập nhật để các chức năng quản lý có thể khai thác tiếp.
Cơ chế Human-in-the-Loop cũng được đưa vào kiến trúc này. Thay vì để AI tự quyết định, hệ thống luôn dành một bước cho người dùng kiểm tra trước khi dữ liệu chính thức thay đổi.
Đây là lựa chọn có ý nghĩa khi sản phẩm hướng tới môi trường cần độ chính xác cao. Chính nhóm cũng nhận diện những giới hạn hiện tại, chẳng hạn khả năng phân biệt các linh kiện có hình dạng tương đồng hoặc sự phụ thuộc vào chất lượng ảnh đầu vào.
Những giới hạn này không được xem là phần cần “giấu đi”, mà trở thành các bài toán tiếp theo nếu “LabTrack AI” được tiếp tục phát triển.
Từ một chức năng AI đến tư duy xây dựng sản phẩm
Điểm đáng chú ý của “LabTrack AI” nằm ở việc nhóm không chọn AI làm đích đến của dự án.
Bài toán ban đầu là nhận diện linh kiện. Nhưng để chức năng đó thực sự có ích, sinh viên phải tiếp tục xử lý hàng loạt câu hỏi phía sau: dữ liệu được lưu ở đâu, người dùng nào được phép chỉnh sửa, trạng thái thiết bị thay đổi ra sao sau mỗi lần mượn – trả, dữ liệu lịch sử được khai thác thế nào và AI cần được kiểm soát ở bước nào.
Chính quá trình mở rộng từ một chức năng riêng lẻ thành một hệ thống hoàn chỉnh đã buộc nhóm vận dụng đồng thời kiến thức về thiết kế kiến trúc, cơ sở dữ liệu, API, AI và trực quan hóa dữ liệu.
Qua học phần “Advanced Programming”, sinh viên vì thế không chỉ viết mã để hoàn thành từng yêu cầu kỹ thuật, mà phải suy nghĩ về mối liên hệ giữa công nghệ, người dùng và quy trình vận hành.
Với “LabTrack AI”, một bài toán quản lý linh kiện trong phòng thí nghiệm đã trở thành điểm xuất phát để sinh viên thử nghiệm cách AI có thể tham gia vào một sản phẩm thực tế: nhận diện thông tin ở đầu vào, kết nối dữ liệu trong hệ thống và hỗ trợ con người đưa ra quyết định ở đầu ra.
Đó cũng là bước chuyển quan trọng từ việc học một công nghệ sang học cách dùng công nghệ để giải quyết một vấn đề cụ thể.
