IRDOP đang nghiên cứu ứng dụng máy học (Machine Learning) trong phát triển các mô hình trí tuệ nhân tạo (AI/SI) phục vụ hoạt động phòng thử nghiệm. Định hướng này tập trung vào khai thác dữ liệu vận hành để phát hiện sớm sai lệch, hỗ trợ nhân sự thực hiện đúng quy trình và rút ngắn vòng lặp cải tiến, đồng thời phát triển các mô hình phù hợp hơn với yêu cầu chuyên môn và nguồn lực triển khai.
- Dữ liệu vận hành và yêu cầu tuân thủ chủ động
Trong một phòng thử nghiệm hiệu năng cao, dữ liệu có thể được tạo ra liên tục từ hàng trăm nguồn: thông tin tiếp nhận mẫu, thiết bị phân tích, điều kiện môi trường, hồ sơ hóa chất, kết quả kiểm soát chất lượng và các bước xử lý của nhân sự. Mỗi nguồn ghi lại một phần của quá trình thử nghiệm. Khi được liên kết theo đúng mẫu, phép thử và thời điểm, chúng giúp hình thành bức tranh đầy đủ hơn về điều kiện tạo ra kết quả.
Khối lượng dữ liệu gia tăng đặt ra yêu cầu về khả năng khai thác kịp thời. Một thông tin thiếu trong hồ sơ, một thay đổi về trạng thái thiết bị hoặc một xu hướng bất thường có thể cần được xem xét ngay khi công việc đang diễn ra. Nếu việc đối chiếu phụ thuộc vào thao tác thủ công trên nhiều hệ thống, nhân sự phải dành nhiều thời gian tìm kiếm và tổng hợp trước khi có đủ căn cứ xử lý.
ISO/IEC 17025 đặt ra các yêu cầu về năng lực, tính khách quan và hoạt động nhất quán của phòng thử nghiệm. Trong bối cảnh đó, tổ chức dữ liệu để hỗ trợ thực hiện và kiểm chứng công việc là một hướng ứng dụng thiết thực của AI. [1]
Mục tiêu nghiên cứu tại IRDOP là đưa sự hỗ trợ này đến gần từng thao tác: giúp người thực hiện biết yêu cầu nào đang áp dụng, thông tin nào còn thiếu và trường hợp nào cần được xem xét thêm. Khi hướng dẫn xuất hiện đúng lúc và có căn cứ rõ ràng, việc tuân thủ có thể trở nên thuận tiện hơn trong công việc hằng ngày. Đây cũng là cách tiếp cận để hỗ trợ tính chủ động và tự giác tuân thủ, thông qua việc giúp nhân sự hiểu yêu cầu và nhận được phản hồi phù hợp.
- Rút ngắn vòng lặp phát hiện sai lệch và cải tiến
Hướng ứng dụng được đề xuất là kết nối dữ liệu phát sinh với việc kiểm tra, cảnh báo và xử lý ngay trong quy trình. Chẳng hạn, hệ thống có thể đối chiếu hồ sơ mẫu với yêu cầu thử nghiệm, tập hợp bằng chứng về tình trạng thiết bị hoặc đánh dấu những biến động cần chú ý trong dữ liệu kiểm soát chất lượng. Mỗi cảnh báo cần chỉ ra dữ liệu liên quan và nội dung cần kiểm tra để người phụ trách có thể đánh giá.
Kết quả xử lý sau đó trở thành đầu vào cho hoạt động cải tiến. Một cảnh báo đúng giúp bổ sung tình huống điển hình; một cảnh báo không phù hợp giúp xác định điều kiện mà mô hình chưa phân biệt tốt. Những lỗi lặp lại có thể gợi ý nhu cầu điều chỉnh hướng dẫn, cách thu thập dữ liệu hoặc thiết kế bước kiểm tra. Nhờ vậy, dữ liệu vận hành và kinh nghiệm chuyên môn có thể được tích lũy thành cơ sở cải tiến có hệ thống.
Vòng lặp này gồm hai nhịp liên kết với nhau. Trong vận hành, dữ liệu được kiểm tra và chuyển tới đúng người để xử lý kịp thời. Trong phát triển công nghệ, phản hồi đã được xác nhận được dùng để bổ sung bộ dữ liệu, huấn luyện và đánh giá phiên bản tiếp theo. Phiên bản mới được thử nghiệm, xem xét và phê duyệt trước khi đưa vào sử dụng, qua đó duy trì khả năng kiểm soát các thay đổi của hệ thống.
Cách tổ chức này phù hợp với yêu cầu xác nhận chức năng và kiểm soát thay đổi đối với hệ thống quản lý thông tin phòng thử nghiệm tại mục 7.11 của ISO/IEC 17025. Trong kiến trúc AI được đề xuất, yêu cầu này có thể được triển khai bằng việc xác định mục đích sử dụng, tiêu chí chấp nhận và phạm vi áp dụng của từng phiên bản. [2]
- Chưng cất tri thức để phát triển mô hình phù hợp nghiệp vụ
Một hướng đang được nhóm kỹ sư IRDOP nghiên cứu là phát triển các mô hình gọn hơn từ năng lực của những mô hình ngôn ngữ lớn có quy mô trên 200 tỷ tham số, với mục tiêu xây dựng các cấu hình dưới 100 tỷ tham số. Trọng tâm là lựa chọn và duy trì những năng lực cần thiết cho công việc của phòng thử nghiệm, trong điều kiện tài nguyên tính toán và thời gian phản hồi phù hợp.
Knowledge distillation là phương pháp huấn luyện mô hình nhỏ bằng tín hiệu từ mô hình tham chiếu lớn hơn. Tùy thiết kế, quá trình phát triển mô hình gọn có thể kết hợp cắt tỉa có cấu trúc và huấn luyện bổ sung. Các nghiên cứu như Minitron đã khảo sát cách kết hợp này để tạo ra những mô hình ngôn ngữ nhỏ hơn mà vẫn giữ được hiệu suất cao trong tác vụ mục tiêu. [3] [4]
Đối với bài toán của IRDOP, sự chênh lệch giữa đầu ra mô hình tham chiếu và mô hình đang huấn luyện có thể được dùng làm tín hiệu tối ưu. Đồng thời, mô hình cần được đối chiếu với đáp án hoặc nhãn nghiệp vụ đã được xác nhận. Một dạng hàm mục tiêu tổng quát để mô tả hướng tiếp cận này là:
fT là mô hình tham chiếu; fS là mô hình nhỏ với tham số cần tối ưu θS.
𝒟 là tập dữ liệu huấn luyện; x là đầu vào; 𝔼 biểu thị giá trị trung bình kỳ vọng trên tập dữ liệu.
ℒtask đo sai số trên đáp án hoặc nhãn nghiệp vụ đã được xác nhận.
Δ lượng hóa chênh lệch đầu ra bằng phép đo phù hợp; α và β là các trọng số không âm, cân bằng hai thành phần. [3]
Công thức thể hiện hai yêu cầu cùng được tối ưu: tiếp nhận tín hiệu từ mô hình tham chiếu và thực hiện đúng nhiệm vụ chuyên môn. Chênh lệch được lượng hóa theo loại đầu ra mà mô hình tham chiếu cung cấp. Ví dụ, độ phân kỳ KL có thể dùng khi có hai phân bố xác suất tương thích để đối chiếu; với phản hồi văn bản, quá trình chưng cất cần được thiết kế phù hợp với dữ liệu thu được. [4]
Trong quá trình huấn luyện, các tham số của mô hình nhỏ được cập nhật để giảm hàm mất mát trong quá trình nén (Quantization). Tuy nhiên, mức độ giống mô hình tham chiếu chưa đủ để kết luận mô hình phù hợp với phòng thử nghiệm. Bộ đánh giá độc lập cần kiểm tra khả năng nhận diện hồ sơ thiếu, phát hiện mâu thuẫn, truy xuất đúng căn cứ và chuyển trường hợp chưa đủ thông tin tới người có thẩm quyền. Những tiêu chí này giúp hướng quá trình tối ưu vào chất lượng thực hiện công việc.
- Phát triển mô hình nhỏ và sử dụng tài nguyên hiệu quả
Song song với hướng thu gọn các mô hình lớn, IRDOP nghiên cứu đơn giản hóa quá trình huấn luyện và triển khai các mô hình quy mô nhỏ cho tác vụ chuyên biệt. Đây là một nhánh nghiên cứu riêng, hướng tới những công việc có phạm vi rõ như phân loại hồ sơ, trích xuất trường thông tin, nhận diện dữ liệu thiếu hoặc phát hiện bất thường trong chuỗi quan trắc.
Việc phân chia nhiệm vụ cho phép lựa chọn công cụ tương ứng với từng yêu cầu. Những phép kiểm tra đã có quy tắc rõ có thể được thực hiện bằng các quy tắc lập trình sẵn; mô hình học máy hỗ trợ nhận diện mẫu hình và bất thường; mô hình ngôn ngữ hỗ trợ xử lý tài liệu và diễn giải thông tin. Trong thiết kế này, các phép tính chuyên môn được giao cho công cụ tính toán đã được kiểm tra, còn AI hỗ trợ tập hợp dữ liệu và trình bày kết quả xử lý.
Mục tiêu là giảm thời gian thử nghiệm mô hình, nhu cầu bộ nhớ và điện năng vận hành. Hiệu quả này cần được đo trên cùng nhiệm vụ và mức chất lượng chấp nhận được. Nghiên cứu về năng lượng suy luận cho thấy loại tác vụ và mức độ chuyên biệt của hệ thống có ảnh hưởng đáng kể đến chi phí năng lượng; số lượng tham số riêng lẻ chưa phản ánh đầy đủ hiệu quả triển khai. [5]
Các chỉ số phục vụ đánh giá bao gồm thời gian phản hồi, số tác vụ hoàn thành đạt yêu cầu, tài nguyên sử dụng và điện năng trên mỗi tác vụ. Chi phí huấn luyện được xem xét cùng chi phí vận hành để lựa chọn cấu hình phù hợp với tần suất sử dụng thực tế.
- Agent-in-the-Loop trong phối hợp giữa các bộ phận
Bên cạnh phát triển mô hình, một hướng nghiên cứu quan trọng là tổ chức sự phối hợp giữa AI agents và con người theo yêu cầu của từng vị trí. Trong kiến trúc Agent-in-the-Loop được đề xuất, agent là thành phần phần mềm có thể tiếp nhận nhiệm vụ, truy xuất thông tin và gọi các công cụ được cấp quyền để hỗ trợ hoàn thành một bước công việc.
Các agent tham gia tại những điểm chuyển giao giữa tiếp nhận mẫu, tổ chức thử nghiệm, kiểm soát chất lượng và lập báo cáo. Vai trò trung gian được cụ thể hóa bằng việc liên kết thông tin, kiểm tra điều kiện và chuyển những nội dung cần xử lý tới đúng người phụ trách. Phạm vi ứng dụng có thể được tổ chức theo vòng đời của mẫu như sau:
- Khi tiếp nhận mẫu, agent đối chiếu thông tin nhận diện, chỉ tiêu yêu cầu và hồ sơ kèm theo; đánh dấu những nội dung còn thiếu hoặc không nhất quán.
- Trước khi thực hiện, agent hỗ trợ tập hợp thông tin về phiên bản phương pháp, tình trạng thiết bị, vật tư và nhân sự được phân công để người phụ trách kiểm tra điều kiện tiến hành.
- Trong quá trình thử nghiệm, agent kết nối dữ liệu với quy tắc đã được phê duyệt và mô hình phát hiện bất thường; chuyển cảnh báo kèm bằng chứng tới vị trí có trách nhiệm.
- Khi rà soát báo cáo, agent hỗ trợ so khớp kết quả với hồ sơ nguồn, kiểm tra trường thông tin và đơn vị, đồng thời tổng hợp các điểm cần xem xét trước phê duyệt.
- Khi xử lý sai lệch, agent tập hợp lịch sử liên quan, hỗ trợ theo dõi công việc và ghi nhận phản hồi đã được xác nhận để phục vụ cải tiến.
Chẳng hạn, nếu một hồ sơ bàn giao có thông tin nhận diện không khớp với dữ liệu tiếp nhận, agent có thể tập hợp các bản ghi liên quan, chỉ rõ trường sai khác và chuyển yêu cầu làm rõ tới người phụ trách. Việc xác định thông tin đúng, xử lý ảnh hưởng và quyết định bước tiếp theo được thực hiện theo thẩm quyền đã phân công. Khi hoàn tất, căn cứ xử lý được ghi nhận để các bộ phận sử dụng thống nhất.
Trong thiết kế này, mỗi agent cần có phạm vi truy cập rõ ràng; các nhận xét phải gắn với dữ liệu nguồn và phiên bản tài liệu đang áp dụng. Tính toàn vẹn được hỗ trợ bằng việc bảo vệ dữ liệu gốc, lưu dấu vết thay đổi và phân biệt nội dung do AI đề xuất với nội dung đã được xác nhận. Kiểm soát truy cập, bảo vệ hồ sơ và khả năng truy ngược thay đổi cũng là các nội dung được nhấn mạnh trong hướng dẫn về quản lý dữ liệu phòng thử nghiệm của Eurachem. [6]
ISO/IEC 17025 yêu cầu kết quả được xem xét và phê duyệt trước khi phát hành. Trong mô hình ứng dụng đang được định hướng, trách nhiệm chuyên môn và quyền phê duyệt được giữ ở nhân sự có thẩm quyền; agent hỗ trợ chuẩn bị thông tin và bằng chứng cho quyết định đó. [2]
- Đánh giá giá trị nghiên cứu bằng chất lượng vận hành
Giá trị của hướng nghiên cứu được xem xét qua những thay đổi có thể quan sát trong công việc: thời gian đối chiếu hồ sơ, khả năng phát hiện sai lệch có ý nghĩa, tỷ lệ cảnh báo không phù hợp, mức độ đầy đủ của bằng chứng và khối lượng công việc cần xử lý lại. Việc so sánh với quy trình hiện có sẽ giúp xác định AI hỗ trợ hiệu quả ở đâu và trường hợp nào vẫn cần điều chỉnh.
Một phương án đánh giá là cho hệ thống chạy song song với quy trình đang áp dụng để so sánh đầu ra. Những trường hợp bỏ sót và cảnh báo sai cần được phân tích theo mức độ ảnh hưởng, thay vì chỉ gộp vào một chỉ số chính xác chung. Cách đánh giá này tạo cơ sở lựa chọn phạm vi triển khai và xác định khi nào cần chuyển việc cho con người.
Qua các hướng nghiên cứu về chưng cất mô hình, phát triển mô hình nhỏ và Agent-in-the-Loop, IRDOP hướng tới xây dựng năng lực khai thác dữ liệu gắn trực tiếp với hoạt động thử nghiệm. Dữ liệu được sử dụng để nhận diện vấn đề; chuyên môn của nhân sự giúp xác định cách xử lý; phản hồi đã được kiểm chứng tiếp tục nuôi dưỡng quá trình cải tiến.
Định hướng dài hạn là hình thành một môi trường làm việc trong đó yêu cầu tuân thủ được hỗ trợ ngay tại thời điểm thực hiện, các quyết định có căn cứ để kiểm tra lại và kinh nghiệm vận hành được tích lũy qua từng chu kỳ. Khi nhân sự thực hiện công việc thuận tiện, chính xác và nhất quán hơn, năng lực công nghệ mới tạo ra giá trị thiết thực đối với chất lượng và độ tin cậy của phòng thử nghiệm.
Tài liệu tham khảo
[3] Hinton, G., Vinyals, O. và Dean, J. Distilling the Knowledge in a Neural Network. 2015.
[4] Muralidharan, S. và cộng sự. Compact Language Models via Pruning and Knowledge Distillation. 2024.
