Computer Vision (CV) là nhánh của AI giúp máy tính "nhìn" và hiểu hình ảnh, video như con người. Thay vì chỉ lưu một tấm ảnh dưới dạng pixel, hệ thống CV có thể trả lời: Trong ảnh có bao nhiêu người? Chiếc xe này là hãng gì? Sản phẩm trên dây chuyền có bị lỗi không?
Các bài toán CV phổ biến bạn sẽ gặp
- Classification (Phân loại): gán một nhãn cho cả ảnh. Ví dụ: ảnh này là "mèo" hay "chó".
- Object Detection (Phát hiện đối tượng): vẽ bounding box quanh từng vật thể và gán nhãn. Ví dụ: đếm số người đội mũ bảo hộ trong công trường.
- Segmentation (Phân vùng): tô màu từng pixel thuộc đối tượng nào. Ví dụ: tách vùng khối u trong ảnh y tế.
- OCR: đọc chữ trong ảnh (hóa đơn, CCCD, biển số xe).
- Face Recognition / Re-identification: nhận diện danh tính hoặc theo dõi một người qua nhiều camera.
PM sản phẩm CV làm gì khác PM thường?
PM CV vẫn làm những việc kinh điển: hiểu người dùng, ưu tiên tính năng, đo lường tác động. Nhưng có ba điểm khác biệt lớn:
- Dữ liệu là nguyên liệu chính, không phải code. Mô hình tốt đến đâu phụ thuộc vào chất lượng dữ liệu gán nhãn. PM phải quản lý pipeline dữ liệu như quản lý backlog.
- Sản phẩm mang tính xác suất. Mô hình không bao giờ đúng 100%. Bạn phải quyết định sai bao nhiêu là chấp nhận được và sai kiểu nào nguy hiểm hơn.
- Chi phí và độ trễ (latency) là ràng buộc sản phẩm. Chạy trên camera (edge) hay trên server (cloud) thay đổi hoàn toàn trải nghiệm và giá thành.
Khung tư duy: "Đầu vào → Mô hình → Quyết định → Hậu quả"
Mỗi tính năng CV nên được PM mô tả theo bốn lớp:
- Đầu vào: ảnh/video đến từ đâu, chất lượng thế nào (ánh sáng, độ phân giải, góc chụp)?
- Mô hình: làm bài toán gì (detection, classification…)?
- Quyết định: hệ thống làm gì với kết quả (cảnh báo, tự động chặn, gợi ý cho người duyệt)?
- Hậu quả: nếu sai thì ai chịu thiệt và mức độ ra sao?
Ví dụ cụ thể: đếm khách trong cửa hàng
Một chuỗi bán lẻ muốn đếm lượng khách để tối ưu nhân sự. PM giỏi sẽ hỏi ngay: Camera đặt ở đâu (trên cao chống trùng lặp)? Đếm người hay đếm lượt vào? Có phân biệt nhân viên với khách không? Giờ cao điểm ánh sáng ngược có làm mô hình mù không? Chính những câu hỏi này — chứ không phải "dùng model nào" — mới là công việc của PM.
Checklist khởi động một sản phẩm CV
- [ ] Bài toán CV cụ thể là gì (classification/detection/segmentation…)?
- [ ] Nguồn ảnh/video và điều kiện chụp thực tế?
- [ ] Sai lầm loại nào tốn kém hơn (bỏ sót hay báo nhầm)?
- [ ] Kết quả mô hình dẫn tới hành động tự động hay có người kiểm duyệt?
- [ ] Ràng buộc latency, chi phí, quyền riêng tư?
Sai lầm thường gặp
- Coi CV như phần mềm thường: kỳ vọng "chạy là đúng", quên rằng mô hình luôn có tỷ lệ sai.
- Bỏ qua điều kiện thực tế: demo trong phòng sáng đẹp nhưng triển khai ở kho tối, camera bẩn.
- Không định nghĩa "đúng" trước khi làm: không có tiêu chí nghiệm thu rõ ràng thì đội kỹ thuật và PM sẽ cãi nhau vô tận.