Tổng quan nghiên cứu

Hoạt động quản lý kho hàng đóng vai trò thiết yếu trong chuỗi cung ứng của doanh nghiệp, ảnh hưởng trực tiếp đến hiệu quả vận hành và lợi nhuận. Theo ước tính, việc quản lý tồn kho hiệu quả giúp doanh nghiệp tránh được tình trạng “cháy hàng”, giảm thiểu lãng phí do hàng hóa hư hỏng hoặc quá hạn sử dụng, đồng thời tối ưu hóa tỷ lệ quay vòng hàng tồn kho. Tuy nhiên, quản lý kho hiện nay vẫn còn nhiều thách thức do số lượng hàng hóa lớn và biến động liên tục, đòi hỏi một hệ thống tự động, chính xác và linh hoạt để hỗ trợ quyết định đặt hàng và phân phối.

Luận văn tập trung nghiên cứu và ứng dụng Machine Learning (ML) trong thiết kế hệ thống quản lý kho nhằm tối ưu hóa các chỉ số vận hành như dự đoán nhu cầu đặt hàng và giám sát hàng hóa. Phạm vi nghiên cứu bao gồm việc áp dụng thuật toán hồi quy tuyến tính đa biến để dự đoán lượng hàng tồn kho cần đặt và thuật toán Yolov5 trong việc phát hiện, nhận dạng các loại hàng hóa thông qua thị giác máy. Nghiên cứu được thực hiện tại thành phố Hồ Chí Minh trong năm 2022, với dữ liệu thu thập từ các nguồn thực tế và mô phỏng.

Ý nghĩa của đề tài thể hiện qua việc nâng cao độ chính xác dự báo nhu cầu, giảm thiểu tồn kho dư thừa, đồng thời thay thế phương pháp kiểm tra thủ công bằng công nghệ AI, giúp doanh nghiệp tiết kiệm chi phí, tăng hiệu quả quản lý và nâng cao năng lực cạnh tranh trong bối cảnh công nghiệp 4.0.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính:

  1. Hồi quy tuyến tính đa biến (Multiple Linear Regression - MLR): Mô hình thống kê mô tả mối quan hệ giữa một biến phụ thuộc (nhu cầu đặt hàng) và nhiều biến độc lập (khả năng chứa tối thiểu, điểm cân bằng kho, khả năng chứa tối đa, tồn kho cuối kỳ). Công thức tổng quát là
    $$ y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_n X_n $$
    với $y$ là biến phụ thuộc và $X_i$ là các biến độc lập. MLR giúp dự đoán chính xác nhu cầu đặt hàng dựa trên các yếu tố ảnh hưởng đa chiều.

  2. Thuật toán Yolov5 trong thị giác máy (Computer Vision): Yolov5 là phiên bản hiện đại của thuật toán You Only Look Once (YOLO), sử dụng mạng nơ-ron tích chập (CNN) để phát hiện và nhận dạng đối tượng trong hình ảnh thời gian thực với độ chính xác cao (>90%). Yolov5 gồm ba khối chính: Backbone (trích xuất đặc trưng), Neck (tổng hợp đặc trưng), và Head (dự đoán vị trí và nhãn đối tượng). Thuật toán này được ứng dụng để giám sát số lượng và trạng thái hàng hóa trong kho thông qua hình ảnh.

Các khái niệm chuyên ngành quan trọng bao gồm: Machine Learning (ML), Artificial Intelligence (AI), Multiple Linear Regression (MLR), Convolutional Neural Network (CNN), và Object Detection.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ website Kaggle với bộ dữ liệu thực tế về tồn kho và hình ảnh các loại nước giải khát phổ biến tại Việt Nam (1125 hình ảnh, 12 loại nhãn). Dữ liệu được xử lý, sàng lọc và chú thích bằng công cụ Roboflow Annotate để chuẩn bị cho việc huấn luyện mô hình.

Phương pháp phân tích bao gồm:

  • Xây dựng và huấn luyện mô hình hồi quy tuyến tính đa biến trên nền tảng Google Colab với cỡ mẫu dữ liệu khoảng 10 biến đầu vào liên quan đến kho hàng.
  • Huấn luyện mô hình Yolov5l (phiên bản lớn của Yolov5) trên Google Colab với kích thước ảnh 640x640, batch size 20, thời gian huấn luyện khoảng 3,3 giờ.
  • Kiểm tra, đánh giá độ chính xác mô hình dựa trên các chỉ số như p-value, sai số trung bình tuyệt đối, độ chính xác nhận dạng.
  • Sử dụng PyCharm để chạy thử nghiệm và triển khai mô hình Yolov5 trong môi trường thực tế.

Timeline nghiên cứu kéo dài trong năm 2022, bao gồm giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện, đánh giá và đề xuất giải pháp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Mô hình hồi quy tuyến tính đa biến đạt độ chính xác 98% trong dự đoán nhu cầu đặt hàng dựa trên các biến đầu vào như MinDOC, Reorder Point, MaxDOC và Closing Stock. Sai số trung bình tuyệt đối thấp, thể hiện qua đồ thị so sánh nhu cầu ban đầu và nhu cầu dự đoán gần như trùng khớp.

  2. Thuật toán Yolov5 đạt độ chính xác nhận dạng trên 90% khi phát hiện 12 loại nước giải khát thông dụng trong kho. Mô hình có khả năng nhận diện nhiều đối tượng trong cùng một hình ảnh với tốc độ xử lý nhanh, phù hợp cho giám sát thời gian thực.

  3. Mô hình Yolov5 gặp khó khăn khi nhận dạng các đối tượng có hình dạng, kích thước tương tự nhau hoặc khi dữ liệu hình ảnh chưa đa dạng, dẫn đến giảm độ chính xác nhận biết. Tuy nhiên, mô hình bỏ qua các đối tượng không có trong danh sách dự đoán, thể hiện khả năng học tập và nhận diện tốt.

  4. Ứng dụng công nghệ ML và AI giúp giảm thời gian kiểm tra kho hàng, thay thế phương pháp thủ công, tối ưu hóa nhân lực và giảm thiểu lãng phí tồn kho.

Thảo luận kết quả

Kết quả mô hình hồi quy tuyến tính đa biến cho thấy sự phù hợp cao với thực tế quản lý kho, giúp doanh nghiệp dự báo chính xác nhu cầu đặt hàng, từ đó giảm thiểu tồn kho dư thừa và chi phí phát sinh. Độ chính xác 98% vượt trội so với các phương pháp truyền thống, đồng thời mô hình có tính linh hoạt cao khi nhập các giá trị đầu vào khác nhau.

Mô hình Yolov5 với kiến trúc mạng nơ-ron tích chập hiện đại cho phép nhận dạng đối tượng nhanh và chính xác, phù hợp với yêu cầu giám sát kho hàng thông minh. Tuy nhiên, hạn chế về dữ liệu hình ảnh chưa đa dạng và sự tương đồng giữa các đối tượng là thách thức cần khắc phục bằng cách mở rộng bộ dữ liệu và cải tiến thuật toán.

So sánh với các nghiên cứu trong ngành, việc kết hợp hai giải pháp ML và thị giác máy tạo nên hệ thống quản lý kho toàn diện, vừa dự đoán nhu cầu vừa giám sát thực tế, góp phần nâng cao hiệu quả vận hành và giảm thiểu rủi ro.

Dữ liệu có thể được trình bày qua biểu đồ tương quan các biến đầu vào với nhu cầu, bảng so sánh độ chính xác các mô hình Yolov5, và hình ảnh minh họa kết quả nhận dạng đối tượng.

Đề xuất và khuyến nghị

  1. Mở rộng và đa dạng hóa bộ dữ liệu hình ảnh để tăng độ chính xác nhận dạng của mô hình Yolov5, đặc biệt với các đối tượng có hình dạng tương tự. Thời gian thực hiện: 6-12 tháng; chủ thể: bộ phận nghiên cứu và phát triển.

  2. Phát triển và tích hợp hệ thống quản lý kho thông minh dựa trên ML và AI vào quy trình vận hành hiện tại, nhằm tự động hóa dự báo nhu cầu và giám sát hàng hóa. Thời gian: 12 tháng; chủ thể: doanh nghiệp và nhà phát triển phần mềm.

  3. Đào tạo nhân viên và nâng cao nhận thức về công nghệ số để đảm bảo sự thích ứng và vận hành hiệu quả hệ thống mới. Thời gian: liên tục; chủ thể: phòng nhân sự và đào tạo.

  4. Nghiên cứu kết hợp thêm các thuật toán học sâu khác như mạng nơ-ron hồi tiếp (RNN) hoặc mô hình dự báo chuỗi thời gian để cải thiện dự báo nhu cầu trong dài hạn. Thời gian: 12-18 tháng; chủ thể: nhóm nghiên cứu khoa học.

  5. Xây dựng giao diện trực quan và báo cáo tự động giúp nhà quản lý dễ dàng theo dõi tình trạng kho và ra quyết định nhanh chóng. Thời gian: 6 tháng; chủ thể: đội ngũ phát triển phần mềm.

Đối tượng nên tham khảo luận văn

  1. Doanh nghiệp sản xuất và phân phối: Nắm bắt công nghệ quản lý kho hiện đại, tối ưu hóa tồn kho, giảm chi phí và nâng cao hiệu quả vận hành.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật, công nghệ thông tin: Tham khảo phương pháp ứng dụng Machine Learning và thị giác máy trong thực tiễn quản lý kho.

  3. Chuyên gia phát triển phần mềm và AI: Tìm hiểu chi tiết về mô hình hồi quy đa biến và thuật toán Yolov5, từ đó phát triển các giải pháp tương tự hoặc nâng cao.

  4. Quản lý chuỗi cung ứng và logistics: Áp dụng các công nghệ mới để cải thiện quy trình kiểm soát hàng hóa, dự báo nhu cầu và giám sát kho bãi.

Câu hỏi thường gặp

  1. Machine Learning có thể áp dụng cho những loại kho hàng nào?
    Machine Learning phù hợp với nhiều loại kho hàng, đặc biệt là kho có lượng hàng hóa lớn và biến động liên tục như kho thực phẩm, điện tử, vật liệu xây dựng. Ví dụ, mô hình hồi quy đa biến giúp dự báo nhu cầu đặt hàng chính xác, giảm tồn kho dư thừa.

  2. Độ chính xác của mô hình Yolov5 trong nhận dạng hàng hóa là bao nhiêu?
    Mô hình Yolov5 đạt độ chính xác trên 90% trong nhận dạng 12 loại nước giải khát phổ biến, giúp giám sát kho hàng hiệu quả. Tuy nhiên, độ chính xác có thể giảm khi dữ liệu hình ảnh chưa đa dạng hoặc đối tượng có hình dạng tương tự.

  3. Làm thế nào để cải thiện độ chính xác của mô hình nhận dạng?
    Cải thiện bằng cách mở rộng bộ dữ liệu hình ảnh với nhiều góc độ, điều kiện ánh sáng khác nhau và tăng số lượng mẫu. Ngoài ra, điều chỉnh tham số huấn luyện và sử dụng phiên bản mô hình phù hợp cũng giúp nâng cao hiệu quả.

  4. Phương pháp hồi quy tuyến tính đa biến có thể dự báo chính xác nhu cầu trong bao lâu?
    Phương pháp này phù hợp để dự báo nhu cầu ngắn hạn đến trung hạn dựa trên các biến đầu vào hiện tại. Để dự báo dài hạn, có thể kết hợp với các mô hình học sâu hoặc chuỗi thời gian để tăng độ chính xác.

  5. Hệ thống quản lý kho thông minh có thể thay thế hoàn toàn nhân công không?
    Hệ thống giúp tự động hóa nhiều công đoạn như dự báo nhu cầu và giám sát hàng hóa, giảm bớt công việc thủ công. Tuy nhiên, nhân công vẫn cần thiết để vận hành, bảo trì hệ thống và xử lý các tình huống đặc biệt, đồng thời nâng cao trình độ chuyên môn phù hợp với công nghệ mới.

Kết luận

  • Ứng dụng Machine Learning, đặc biệt là mô hình hồi quy tuyến tính đa biến, giúp dự đoán nhu cầu đặt hàng với độ chính xác lên đến 98%, tối ưu hóa quản lý tồn kho.
  • Thuật toán Yolov5 trong thị giác máy đạt độ chính xác nhận dạng trên 90%, hỗ trợ giám sát hàng hóa trong kho thời gian thực.
  • Kết hợp hai giải pháp tạo nên hệ thống quản lý kho thông minh, giảm thiểu lãng phí, tiết kiệm chi phí và nâng cao hiệu quả vận hành.
  • Nghiên cứu mở ra hướng phát triển ứng dụng AI trong quản lý kho, góp phần thúc đẩy công nghiệp hóa, hiện đại hóa doanh nghiệp Việt Nam.
  • Các bước tiếp theo bao gồm mở rộng dữ liệu, nâng cao mô hình, đào tạo nhân lực và triển khai thực tế để hoàn thiện hệ thống quản lý kho thông minh.

Quý độc giả và doanh nghiệp quan tâm có thể liên hệ để trao đổi, hợp tác phát triển các giải pháp quản lý kho ứng dụng Machine Learning và AI nhằm nâng cao năng lực cạnh tranh trong thời đại công nghiệp 4.0.