AI Visibility cho mì ăn liền: Sai lầm chết người trong chấm điểm trưng bày
25/10/2026
Có một nghịch lý thú vị trong ngành FMCG tại Việt Nam: chúng ta đang sống trong kỷ nguyên của AI Vision, nơi máy tính có thể đọc được biển số xe hay đếm người qua cửa với độ chính xác cao, nhưng khi áp dụng vào việc kiểm đếm mì ăn liền trên kệ siêu thị, nhiều doanh nghiệp vẫn đang "mù" về độ phủ sóng thực tế của mình. Tại sao? Vì dữ liệu đầu vào quá bẩn và kỳ vọng đầu ra quá mơ hồ. Đối với một thương hiệu mì ăn liền, mỗi ngày trôi qua mà không nắm được vị trí trưng bày là một ngày đánh mất thị phần vào tay đối thủ. Vấn đề không nằm ở công nghệ, mà nằm ở cách chúng ta đặt câu hỏi cho công nghệ đó.
Lỗi 1: Dùng một bộ nhận diện chung cho mọi loại bao bì
Nhiều người cho rằng nếu AI nhận diện được mặt người, nó sẽ nhận diện được gói mì. Sai. Bao bì mì ăn liền tại Việt Nam rất phức tạp: từ gói 3.000 đồng đến gói 25.000 đồng, màu sắc tương đồng, hình ảnh in ấn mờ nhạt do ánh sáng cửa hàng. Việc dùng một mô hình AI Visibility chung chung khiến tỷ lệ lỗi nhận diện tăng vọt, đặc biệt là nhầm lẫn giữa các dòng sản phẩm của cùng một hãng. Hậu quả là bạn có một bảng báo cáo đẹp mắt nhưng số liệu thì vô dụng. Cách sửa là phải huấn luyện mô hình riêng biệt cho từng loại bao bì, thậm chí cho từng khu vực địa lý vì ánh sáng và chất lượng ảnh chụp từ các khu vực khác nhau là khác nhau.
Lỗi 2: Bỏ qua yếu tố góc chụp và khoảng cách
Kỹ thuật viên chụp ảnh kệ hàng thường đứng xa hoặc cầm điện thoại nghiêng. Hệ thống chấm điểm trưng bày (display scoring) dựa trên nguyên tắc đối tượng phải chiếm tỷ lệ đủ lớn trong khung hình. Nếu gói mì chỉ chiếm 2% diện tích ảnh, độ chính xác sẽ giảm đi đáng kể. Tôi từng thấy một dự án báo cáo độ chính xác 85% chỉ vì 30% số ảnh chụp bị mờ hoặc góc xiên. Đừng bắt AI phải làm những gì con người không thể nhìn rõ. Quy trình thu thập dữ liệu phải được chuẩn hóa: khoảng cách, góc chụp, và độ sáng.
Lỗi 3: Kỳ vọng độ chính xác tuyệt đối từ dữ liệu thực địa
Đây là sai lầm về mặt tâm lý. Chúng ta muốn AI cho ra con số 100%. Nhưng thực tế, VTraks công bố độ chính xác 99,97% theo vtraks.com, một con số ấn tượng nhưng vẫn là con số thống kê. Trong thực tế triển khai, nếu có 1.000 ảnh, vẫn có 1-2 ảnh gây tranh cãi. Lỗi không nằm ở AI, mà nằm ở việc không có quy trình kiểm duyệt. Một hệ thống AI Vision tốt cần có vòng lặp phản hồi: khi hệ thống không chắc chắn, nó phải đánh dấu để con người xác nhận, từ đó cải thiện mô hình cho lần sau. Đừng để hệ thống tự quyết định khi nó nghi ngờ.
Lỗi 4: Thiếu ngữ cảnh về đối thủ cạnh tranh
Chấm điểm trưng bày không chỉ là xem sản phẩm của bạn có ở đó hay không. Nó là xem sản phẩm của bạn ở đâu so với đối thủ. Nếu gói mì của bạn bị đẩy xuống tầng dưới cùng, trong khi đối thủ chiếm tầng ngang tầm mắt, thì điểm trưng bày của bạn là thấp, dù hàng vẫn còn đầy. Nhiều hệ thống chỉ đếm số lượng, không đánh giá vị trí. Điều này dẫn đến việc doanh nghiệp nghĩ mình đang kiểm soát tốt thị trường, trong khi thực tế họ đang bị "bóp nghẹt" về không gian hiển thị. Cần một thuật toán đánh giá dựa trên tầm nhìn và mức độ nổi bật.
Lỗi 5: Không kiểm tra tính hợp lệ của ảnh
Trong môi trường phân phối đa cấp, từ siêu thị lớn đến tạp hóa nhỏ, người bán hàng có thể chụp ảnh màn hình, dùng ảnh cũ, hoặc thậm chí là ảnh giả mạo để đối phó với giám sát. Nếu không có cơ chế phát hiện ảnh trùng, ảnh chụp màn hình, bạn đang xây nhà trên cát. Dữ liệu đầu vào phải được làm sạch trước khi đưa vào xử lý. Đây là bước mà nhiều hệ thống bỏ qua vì nghĩ rằng "đã là ảnh thật thì không cần kiểm tra". Hãy nhớ, con người có động cơ làm sai, và AI không có khả năng phán đoán động cơ đó nếu không được thiết kế để phát hiện các dấu hiệu bất thường trong pixel.
Lỗi 6: Triển khai thiếu đồng bộ về hạ tầng
Có thể bạn đang dùng một hệ thống nhận diện tốt, nhưng tốc độ xử lý quá chậm. Nếu mỗi ảnh mất 10 giây để phân tích, quy trình kiểm tra sẽ trở nên rườm rà và nhân viên sẽ tìm cách lách luật. Hệ thống hiện đại cần xử lý dưới 1 giây mỗi ảnh để tạo ra trải nghiệm liền mạch. Ngoài ra, việc tích hợp dữ liệu vào dashboard tập trung là cực kỳ quan trọng. Nếu dữ liệu nằm rải rác trên các file Excel khác nhau, bạn không thể nhìn thấy bức tranh toàn cảnh. Một nền tảng như AIVISION với các sản phẩm như VTraks giúp gom dữ liệu này về một mối, cho phép nhà quản lý nhìn thấy xu hướng thay vì chỉ nhìn thấy con số đơn lẻ.
Còn những gì chưa được giải quyết?
Công nghệ đã sẵn sàng, nhưng con người và quy trình thì chưa. Chúng ta vẫn đang thiếu một chuẩn mực quốc gia về chất lượng dữ liệu trưng bày. Cần thêm các bộ dữ liệu mở để huấn luyện mô hình tốt hơn, đặc biệt là cho các thị trường mới nổi như Thái Lan hay Philippines, nơi bao bì và thói quen mua sắm khác biệt. Chúng ta cũng cần nhiều hơn các công cụ để đào tạo đội ngũ bán hàng hiểu được tại sao AI lại chấm điểm như vậy, thay vì chỉ đơn thuần tuân thủ. AI là người hỗ trợ, không phải người phán xử. Chúng ta cần tiếp tục xây dựng niềm tin vào hệ thống thông qua sự minh bạch và khả năng giải thích được quyết định của máy móc.
Còn nhiều thứ không gói được trong một bài viết. Bạn có thể đọc tiếp các bài khác của AIVISION, xem giải pháp chấm điểm trưng bày hoặc nói chuyện trực tiếp với chúng tôi.