Chấn thương bàn tay và cổ tay ảnh hưởng đến 40% người lao động trong các ngành công nghiệp có rủi ro cao, thường dẫn đến mất nhiều ngày làm việc. Trước đây, việc đánh giá các chuyển động nhỏ này đòi hỏi chuyên gia về công thái học phải đến tận nơi làm việc – một phương pháp về cơ bản là không khả thi do sự thiếu hụt trầm trọng các chuyên gia được chứng nhận.
Để khắc phục hạn chế này, VelocityEHS đã cho ra mắt một công nghệ có khả năng thu thập 42 điểm quan trọng khác nhau trên bàn tay và ngón tay chỉ từ video. Khắc phục những hạn chế của các mô hình AI học thuật thông thường, VelocityEHS đã dành 4 năm hợp tác với Đại học Michigan, Đại học Toronto và Đại học Rutgers để xây dựng một công cụ độc quyền chính xác. Công cụ này không chỉ nhận diện các kiểu cầm nắm phức tạp mà còn ước tính chính xác lực tác dụng mà không cần đến các cảm biến bên ngoài. Phần mềm này hoàn thiện chu trình bằng cách dịch chuyển các nhóm an toàn từ tư duy “theo dõi thương tích” thụ động sang một khuôn khổ chủ động tập trung vào ba lĩnh vực chính: đánh giá rủi ro, xác định nguyên nhân gốc rễ và thực hiện kiểm soát.
Việc chỉ dựa vào các đánh giá trực tiếp, thủ công của các chuyên gia công thái học được chứng nhận sẽ khiến hàng triệu người lao động không được bảo vệ. Khối lượng công việc lao động chân tay lặp đi lặp lại nhiều hơn rất nhiều so với số lượng chuyên gia đủ trình độ. Chẳng hạn, một nhà máy sản xuất ô tô phải thực hiện 5.000 đánh giá công thái học mỗi năm; liệu có thể cử bao nhiêu chuyên gia công thái học được chứng nhận đến nhà máy ? Rất khó khả thi.
Sự phức tạp trong việc đánh giá chấn thương tay
Trong khi việc đánh giá công thái học toàn thân bằng AI yêu cầu theo dõi từ 17 đến 27 khớp xương chính, thì việc phân tích bàn tay cần phải lập bản đồ 42 điểm quan trọng khác nhau để giải mã chính xác sự khéo léo, vị trí ngón tay và các góc cổ tay.
Tiến sĩ Julia Penfield, Giám đốc AI tại VelocityEHS cho biết: “Hiện nay không có mô hình nào – thực sự là không có mô hình AI nào – mà bạn có thể đưa cho nó một bức ảnh của một công nhân đang cầm búa và hỏi nó, ‘người công nhân cầm búa với loại tay nắm nào?’ Cách gần gũi nhất bạn có thể làm là đưa nó vào ChatGPT, Claude của Anthropic, hoặc Gemini của Google… Chúng tôi đã chạy thử nghiệm trên 9.000 hình ảnh và nhận ra rằng độ chính xác thấp hơn nhiều so với yêu cầu để thương mại hóa một sản phẩm.”
Tạo ra một mô hình AI mới
Theo TS. Penfield cho biết, các mô hình AI tạo sinh tiêu chuẩn (như Gemini hay ChatGPT) không đạt được độ chính xác an toàn thương mại. VelocityEHS đã dành 4 năm trong một phòng thí nghiệm dữ liệu chuyên dụng tại Đại học Michigan để huấn luyện các mô hình có thể xác định cả kiểu tay nắm (ví dụ: hình trụ so với hình tam giác) và lực tác dụng hoàn toàn thông qua video, loại bỏ nhu cầu người lao động phải đeo các thiết bị đo lường vật lý đắt tiền và gây khó chịu.
TS. Penfield cho biết, công nghệ này hoàn toàn bác bỏ cách tiếp cận “bắt lỗi” đối với vấn đề an toàn. Nó giả định rằng người lao động đang thực hiện các nhiệm vụ một cách hiệu quả nhất có thể trong môi trường làm việc của họ, chuyển trách nhiệm thiết kế lại điều kiện làm việc có lỗi sang cho các người sử dụng lao động.
TS. Penfield nhấn mạnh rằng công nghệ này cũng không thay thế các chuyên gia về công thái học: “Chúng tôi không lấy đi công việc của bất kỳ ai vì đó là một mối lo ngại phổ biến và hoàn toàn chính đáng. Chỉ là có quá nhiều công việc ngoài kia không được đánh giá… Chúng tôi nghĩ rằng chúng ta có thể thực hiện phần lớn các đánh giá rủi ro đơn giản hơn bằng phần mềm và để lại những đánh giá phức tạp hơn cho các chuyên gia về công thái học thực hiện thủ công và trực tiếp… Điều đó sẽ giúp chúng ta tiến xa hơn rất nhiều”.
Xem video giới thiệu về công nghệ tại: https://vimeo.com/1175503853/01d217e102?fl=pl&fe=sh
Nguồn: https://www.ishn.com/articles/115405-how-human-led-ai-is-rewriting-the-ergonomics-playbook
