Ứng dụng AI trong quản lý sản xuất có thể bắt đầu từ các dự án mã nguồn mở miễn phí bản quyền, thay vì một hệ thống trọn gói. Bài viết tổng hợp 10 dự án trên GitHub đang được duy trì, xếp theo 5 bài toán quen thuộc của nhà máy: dự báo nhu cầu, lập lịch, bảo trì dự đoán, kiểm tra chất lượng và tra cứu tài liệu nội bộ. Kèm theo là tiêu chí chọn dự án và điều kiện dữ liệu cần có trước khi thử nghiệm.

Mục lục
- 1 Tóm tắt nhanh
- 2 AI giải quyết những bài toán nào trong quản lý sản xuất?
- 3 Bảng tổng hợp 10 dự án mã nguồn mở trên GitHub
- 4 Dự báo nhu cầu và sản lượng: StatsForecast, Chronos
- 5 Lập lịch sản xuất và phân tích quy trình: OR-Tools, PM4Py
- 6 Bảo trì dự đoán và phát hiện bất thường: tsfresh, PyOD
- 7 Kiểm tra chất lượng bằng thị giác máy: Anomalib, Ultralytics YOLO
- 8 Trợ lý tra cứu tài liệu nội bộ: Ollama, RAGFlow
- 9 Tiêu chí chọn dự án mã nguồn mở cho nhà máy
- 10 Điều kiện để AI phát huy hiệu quả: dữ liệu từ công việc tiêu chuẩn
- 11 Lộ trình thử nghiệm AI trong nhà máy theo 4 bước
- 12 Câu hỏi thường gặp
- 13 Về VJIP
- 14 Sự Quan Trọng Trong Quản Trị Sản Xuất Doanh Nghiệp
- 15 5S Kaizen là gì? Phương pháp chuẩn hóa hiện trường và tối ưu vận hành
Tóm tắt nhanh
- Nội dung: 10 dự án mã nguồn mở trên GitHub hỗ trợ ứng dụng AI trong quản lý sản xuất.
- 5 bài toán: dự báo nhu cầu; lập lịch và phân tích quy trình; bảo trì dự đoán; kiểm tra chất lượng bằng thị giác máy; trợ lý tra cứu tài liệu nội bộ.
- Mốc kiểm tra: số sao, giấy phép và hoạt động cập nhật của các dự án được kiểm tra ngày 11/11/2026.
- Lưu ý giấy phép: 2 dự án dùng giấy phép AGPL-3.0, cần xem kỹ điều kiện trước khi dùng cho mục đích thương mại.
- Điều kiện tiên quyết: dữ liệu sản xuất phải được ghi nhận nhất quán, dựa trên công việc tiêu chuẩn.
AI giải quyết những bài toán nào trong quản lý sản xuất?
AI trong quản lý sản xuất là việc dùng mô hình học máy, thị giác máy tính và mô hình ngôn ngữ để phân tích dữ liệu nhà máy, từ đó hỗ trợ người quản lý ra quyết định nhanh và chính xác hơn. Ở quy mô nhà máy vừa và nhỏ, AI thường được thử nghiệm ở 5 nhóm bài toán sau:
- Dự báo nhu cầu và sản lượng để lập kế hoạch sản xuất, mua nguyên vật liệu sát thực tế hơn.
- Lập lịch sản xuất và phân tích quy trình để sắp xếp đơn hàng theo năng lực máy, nhân sự và tìm điểm nghẽn.
- Bảo trì dự đoán để phát hiện sớm dấu hiệu bất thường của thiết bị trước khi máy dừng.
- Kiểm tra chất lượng bằng thị giác máy để phát hiện lỗi ngoại quan bằng camera.
- Trợ lý tra cứu tài liệu nội bộ để người lao động hỏi đáp nhanh quy trình, hướng dẫn công việc (SOP).
Bảng tổng hợp 10 dự án mã nguồn mở trên GitHub
Các dự án dưới đây được chọn theo ba tiêu chí: giải quyết trực tiếp một bài toán sản xuất, có cộng đồng sử dụng lớn và vẫn được cập nhật trong năm 2026.
| Bài toán | Dự án | Giấy phép | Sao GitHub | Cập nhật gần nhất |
|---|---|---|---|---|
| Dự báo nhu cầu | StatsForecast | Apache-2.0 | Gần 5.000 | 11/2026 |
| Dự báo nhu cầu | Chronos | Apache-2.0 | Hơn 6.200 | 10/2026 |
| Lập lịch sản xuất | Google OR-Tools | Apache-2.0 | Hơn 14.000 | 09/2026 |
| Phân tích quy trình | PM4Py | AGPL-3.0 | Hơn 1.000 | 11/2026 |
| Bảo trì dự đoán | tsfresh | MIT | Hơn 9.400 | 07/2026 |
| Bảo trì dự đoán | PyOD | BSD-2-Clause | Hơn 10.000 | 10/2026 |
| Kiểm tra chất lượng | Anomalib | Apache-2.0 | Hơn 6.300 | 11/2026 |
| Kiểm tra chất lượng | Ultralytics YOLO | AGPL-3.0 | Hơn 63.000 | 11/2026 |
| Tra cứu tài liệu nội bộ | Ollama | MIT | Hơn 186.000 | 11/2026 |
| Tra cứu tài liệu nội bộ | RAGFlow | Apache-2.0 | Hơn 94.000 | 11/2026 |
Dự báo nhu cầu và sản lượng: StatsForecast, Chronos
Dự báo nhu cầu là đầu vào của kế hoạch sản xuất, kế hoạch mua hàng và định biên lao động theo mùa vụ. Hai dự án sau phù hợp với dữ liệu bán hàng hoặc sản lượng theo ngày, tuần, tháng.
StatsForecast (Nixtla)
StatsForecast là thư viện Python cung cấp các mô hình dự báo thống kê như AutoARIMA, ETS và Theta, chạy nhanh trên hàng nghìn mã sản phẩm cùng lúc. Nhà máy có thể dùng để dự báo nhu cầu theo từng mã hàng làm cơ sở lập kế hoạch. Đây là lựa chọn nên thử trước vì nhẹ, dễ giải thích kết quả và không cần máy chủ GPU.
Chronos (Amazon Science)
Chronos là bộ mô hình dự báo chuỗi thời gian đã được huấn luyện sẵn, có thể dự báo ngay trên dữ liệu mới mà không cần huấn luyện lại (zero-shot). Chronos phù hợp khi nhà máy có nhiều chuỗi dữ liệu ngắn, khó xây mô hình riêng cho từng chuỗi. Nên so sánh kết quả của Chronos với StatsForecast trên cùng dữ liệu trước khi chọn.
Lập lịch sản xuất và phân tích quy trình: OR-Tools, PM4Py
Lập lịch và phân tích quy trình giúp trả lời hai câu hỏi: nên sắp đơn hàng nào vào máy nào, lúc nào; và quy trình thực tế đang bị chậm ở đâu.
Google OR-Tools
OR-Tools là bộ công cụ tối ưu hóa của Google, nổi bật với bộ giải ràng buộc CP-SAT, có sẵn ví dụ cho bài toán lập lịch phân xưởng (job shop). Nhà máy có thể mô hình hóa đơn hàng, thời gian gia công, thứ tự công đoạn và ca làm việc để tìm lịch sản xuất khả thi, ngắn nhất. Điều kiện bắt buộc là có thời gian chuẩn cho từng công đoạn trên từng máy.
PM4Py
PM4Py là thư viện khai phá quy trình (process mining): từ nhật ký sự kiện của phần mềm như ERP hoặc MES, công cụ dựng lại quy trình thực tế và chỉ ra bước chờ, bước lặp lại. PM4Py phù hợp để phân tích luồng đơn hàng, luồng phê duyệt hoặc luồng xử lý hàng lỗi. Dự án dùng giấy phép AGPL-3.0, cần xem kỹ điều kiện nếu tích hợp vào phần mềm thương mại.
Bảo trì dự đoán và phát hiện bất thường: tsfresh, PyOD
Bảo trì dự đoán dùng dữ liệu cảm biến (rung, nhiệt độ, dòng điện) hoặc dữ liệu vận hành để phát hiện sớm dấu hiệu bất thường của thiết bị. Hai thư viện sau thường được dùng cùng nhau.
tsfresh
tsfresh tự động trích xuất hàng trăm đặc trưng từ chuỗi thời gian, như biên độ, xu hướng, tần suất dao động, rồi giữ lại các đặc trưng có ý nghĩa thống kê. Kỹ sư bảo trì có thể dùng để biến dữ liệu cảm biến thô thành đầu vào cho mô hình cảnh báo hỏng hóc. Dự án ít cập nhật hơn các dự án khác trong danh sách (lần gần nhất tháng 07/2026), nên cần kiểm tra tương thích phiên bản Python trước khi dùng.
PyOD
PyOD là thư viện phát hiện bất thường với hơn 60 thuật toán, áp dụng được cho dữ liệu dạng bảng và chuỗi thời gian. Nhà máy có thể dùng để cảnh báo khi thông số vận hành lệch khỏi trạng thái bình thường, kể cả khi chưa có nhiều dữ liệu về các lần hỏng hóc trước đây.
Kiểm tra chất lượng bằng thị giác máy: Anomalib, Ultralytics YOLO
Kiểm tra chất lượng bằng thị giác máy dùng camera và mô hình AI để phát hiện lỗi ngoại quan như vết xước, móp, thiếu chi tiết. Yêu cầu chung là ánh sáng và góc chụp ổn định.
Anomalib
Anomalib là thư viện phát hiện bất thường trên ảnh, học từ ảnh sản phẩm đạt để nhận ra điểm khác thường. Cách tiếp cận này phù hợp với nhà máy có tỷ lệ lỗi thấp, khó thu thập đủ ảnh lỗi để huấn luyện. Anomalib hỗ trợ chạy mô hình trực tiếp trên thiết bị tại hiện trường (edge).
Ultralytics YOLO
Ultralytics YOLO là bộ mô hình nhận diện đối tượng phổ biến, dùng để phát hiện, phân loại và đếm đối tượng trong ảnh hoặc video. Ứng dụng trong nhà máy gồm đếm sản phẩm trên băng tải, phát hiện lỗi đã biết, cảnh báo thiếu bảo hộ lao động. Dự án dùng giấy phép AGPL-3.0; khi dùng thương mại mà không công khai mã nguồn, doanh nghiệp cần mua giấy phép doanh nghiệp của Ultralytics.
Trợ lý tra cứu tài liệu nội bộ: Ollama, RAGFlow
Trợ lý tra cứu tài liệu giúp tổ trưởng, công nhân hỏi đáp nhanh về quy trình, hướng dẫn công việc, hồ sơ bảo trì. Hai dự án sau cho phép chạy toàn bộ trên máy chủ của doanh nghiệp, dữ liệu không phải gửi ra ngoài.
Ollama
Ollama giúp cài đặt và chạy các mô hình ngôn ngữ mở như Qwen, Gemma, DeepSeek trên máy chủ nội bộ. Ollama phù hợp với doanh nghiệp có yêu cầu bảo mật cao, không muốn đưa tài liệu sản xuất lên dịch vụ đám mây. Mỗi mô hình chạy trên Ollama có giấy phép riêng, cần kiểm tra trước khi dùng.
RAGFlow
RAGFlow là công cụ truy xuất tài liệu cho AI (RAG): AI trả lời dựa trên kho tài liệu của doanh nghiệp và dẫn lại đoạn tài liệu gốc làm căn cứ. Doanh nghiệp có thể nạp SOP, hướng dẫn công việc, tiêu chuẩn kỹ thuật để xây trợ lý hỏi đáp cho hiện trường. Chất lượng câu trả lời phụ thuộc trực tiếp vào việc tài liệu gốc có được chuẩn hóa và cập nhật hay không.
Tiêu chí chọn dự án mã nguồn mở cho nhà máy
Mã nguồn mở miễn phí bản quyền phần mềm, nhưng vẫn có chi phí nhân lực, hạ tầng và thời gian vận hành. Trước khi chọn, doanh nghiệp nên xem 4 tiêu chí:
- Giấy phép. Apache-2.0, MIT, BSD cho phép dùng thương mại khá thoáng; AGPL-3.0 có điều kiện công khai mã nguồn khi cung cấp phần mềm qua mạng. Thông tin trong bài chỉ mang tính tham khảo, không thay thế tư vấn pháp lý.
- Mức độ duy trì. Ưu tiên dự án còn cập nhật thường xuyên và có cộng đồng lớn, để dễ tìm tài liệu và người hỗ trợ.
- Dữ liệu sẵn có. Chọn bài toán mà nhà máy đã có dữ liệu ghi nhận đủ dài, đủ đều, thay vì chọn theo công nghệ đang được nhắc nhiều.
- Năng lực vận hành và bảo mật. Xác định ai trong doanh nghiệp sẽ vận hành, cập nhật mô hình và dữ liệu nào được phép rời khỏi nhà máy.
Điều kiện để AI phát huy hiệu quả: dữ liệu từ công việc tiêu chuẩn
Nguyên lý cốt lõi của phương pháp Lean 5C do VJIP xây dựng là “Không có tiêu chuẩn thì không có cải tiến”. Nguyên lý này cũng đúng với AI: khi mỗi người ghi nhận thời gian, lý do dừng máy hay lỗi sản phẩm theo một cách khác nhau, mô hình AI sẽ học từ dữ liệu sai lệch và đưa ra kết luận sai lệch. Vì vậy, chuẩn hóa công việc và cách ghi nhận dữ liệu là bước đi trước khi đưa AI vào nhà máy.
- Chuẩn hóa công việc và mẫu ghi nhận dữ liệu tại hiện trường.
- Ghi nhận dữ liệu nhất quán theo ca, máy, sản phẩm.
- Dùng AI tổng hợp, phân loại, phát hiện xu hướng.
- Con người kiểm tra kết quả, ra quyết định và cập nhật lại tiêu chuẩn.
Ví dụ thực tế tại VJIP: tổng hợp tổn thất dừng máy bằng trợ lý AI
VJIP đã xây dựng một quy trình tổng hợp tổn thất chạy cùng trợ lý AI, thử trên nhật ký vận hành thực tế của một tổ 6 máy tại nhà máy khách hàng. Nhật ký ghi từng khoảng thời gian chạy máy theo mẫu thống nhất: ngày, máy, giờ bắt đầu, giờ kết thúc và lý do dừng máy.
Trợ lý AI đọc nhật ký thô, phân loại gần 200 lần dừng máy vào 21 nhóm nguyên nhân theo danh mục riêng của nhà máy, rồi xuất báo cáo tổn thất kèm biểu đồ Pareto. Kết quả được đối chiếu và khớp hoàn toàn với số liệu tổng hợp đối chứng, cả về tổng thời gian dừng lẫn số lần xảy ra ở 21 nhóm. Những lý do dừng máy chưa phân loại chắc chắn được đánh dấu để người phụ trách xác nhận, sau đó bổ sung vào từ điển phân loại cho các lần sau.
Công cụ chạy được chính xác vì nhật ký đã được ghi theo một mẫu chuẩn. Đây là minh chứng cho thứ tự đúng: chuẩn hóa trước, ứng dụng AI sau.
Lộ trình thử nghiệm AI trong nhà máy theo 4 bước
Cách làm an toàn là thử nghiệm nhỏ, đo kết quả rồi mới nhân rộng, tương tự nguyên tắc làm mẫu và nhân rộng trong các dự án cải tiến của VJIP (xem thêm dự án nâng cao năng suất tại Thép Hòa Phát Hải Dương).
- Chọn một bài toán đo được. Ví dụ thời gian dừng máy, tỷ lệ lỗi ngoại quan hoặc sai lệch dự báo, kèm số liệu hiện trạng làm mốc so sánh.
- Chuẩn hóa ghi nhận dữ liệu. Thống nhất biểu mẫu, danh mục nguyên nhân và người chịu trách nhiệm ghi, trong khoảng thời gian đủ dài để phản ánh các ca và loại sản phẩm khác nhau.
- Thử nghiệm trên một máy hoặc một chuyền. Chạy công cụ AI song song với cách làm hiện tại, so sánh kết quả trước và sau.
- Nhân rộng khi kết quả ổn định. Chỉ mở rộng khi có người phụ trách nội bộ đủ năng lực vận hành và cập nhật công cụ.
Câu hỏi thường gặp
Doanh nghiệp vừa và nhỏ có ứng dụng AI trong quản lý sản xuất được không?
Có. Doanh nghiệp vừa và nhỏ có thể bắt đầu với dữ liệu sẵn có như nhật ký vận hành máy hay số liệu bán hàng, kết hợp các thư viện mã nguồn mở miễn phí bản quyền. Điều kiện quan trọng nhất là dữ liệu được ghi nhận nhất quán.
Dùng AI mã nguồn mở có mất phí không?
Phần mềm mã nguồn mở không mất phí bản quyền theo giấy phép của từng dự án, nhưng doanh nghiệp vẫn cần chi phí cho máy chủ, nhân lực triển khai và vận hành. Dự án dùng giấy phép AGPL-3.0 như Ultralytics YOLO có điều kiện riêng khi dùng thương mại.
Nên bắt đầu ứng dụng AI trong nhà máy từ bài toán nào?
Nên bắt đầu từ bài toán đã có dữ liệu và đo được kết quả, ví dụ tổng hợp tổn thất dừng máy hoặc dự báo nhu cầu theo mã hàng. Bài toán cần đầu tư thiết bị mới như camera kiểm tra chất lượng nên làm sau.
Dữ liệu sản xuất có bị đưa ra ngoài khi dùng AI không?
Tùy cách triển khai. Các công cụ như Ollama và RAGFlow có thể chạy hoàn toàn trên máy chủ nội bộ, dữ liệu không rời khỏi doanh nghiệp. Khi dùng dịch vụ AI trên đám mây, doanh nghiệp cần xác định rõ dữ liệu nào được phép gửi đi.
Lean 5C — Phương pháp triển khai cải tiến theo mô hình sản xuất tinh gọn 5C. Tác giả & Chủ sở hữu: Lưu Nhân Khải. Đã đăng ký quyền tác giả tại Cục Bản quyền Tác giả – Bộ Văn hóa, Thể thao và Du lịch. Giấy chứng nhận đăng ký quyền tác giả số 4052/2026/QTG (Mã hồ sơ G16.15-260203-0016), cấp ngày 21/04/2026 tại Hà Nội.
Nguồn tham khảo: trang GitHub chính thức của từng dự án trong bài (truy cập ngày 11/11/2026). Tên các dự án và thương hiệu thuộc về chủ sở hữu tương ứng.
