AI trong sản xuất: 6 ứng dụng, dữ liệu, rủi ro, lộ trình

Mục lục

1. AI trong sản xuất là gì?
2. AI trong nhà máy giải quyết những bài toán nào?
3. AI kiểm tra chất lượng sản phẩm hoạt động thế nào?
4. Bảo trì dự đoán bằng AI có vai trò gì?
5. AI tối ưu lịch sản xuất như thế nào?
6. AI dự báo sản xuất và nhu cầu khác gì cách làm cũ?
7. AI tạo sinh giúp kỹ sư nhà máy những gì?
8. Các nhà máy hàng đầu đã đạt kết quả gì với AI?
9. Muốn làm AI, nhà máy cần chuẩn bị dữ liệu gì?
10. Rủi ro khi đưa AI vào sản xuất là gì?
11. Lộ trình triển khai AI trong nhà máy gồm những bước nào?
12. Những sai lầm thường gặp khi ứng dụng AI trong nhà máy
13. Câu hỏi thường gặp

AI trong sản xuất là gì?

AI trong sản xuất (AI in manufacturing, còn gọi là AI công nghiệp) là việc đưa kỹ thuật trí tuệ nhân tạo vào nhà máy để làm những việc trước đây cần mắt, kinh nghiệm hoặc phán đoán của con người: soi vết xước trên sản phẩm, đoán ngày động cơ hỏng qua độ rung, cân nhắc hàng trăm đơn hàng để xếp thứ tự chạy máy.

So với tự động hoá truyền thống, khác biệt nằm ở cách ra quyết định. Bộ điều khiển PLC chạy theo logic kỹ sư lập trình: đủ áp suất thì mở van. Mô hình AI học từ dữ liệu: xem hàng nghìn ảnh sản phẩm đạt và lỗi rồi tự rút ra đặc điểm của “lỗi”. AI giỏi ở việc khó viết thành luật, nhưng kém chắc chắn hơn luật cứng. Vì vậy trong nhà máy, AI thường đưa ra cảnh báo hoặc khuyến nghị, hiếm khi trực tiếp điều khiển vòng an toàn của máy.

Bạn sẽ gặp hai nhóm: AI phân tích (analytical AI) gồm học máy, học sâu để phân loại, dự báo, phát hiện bất thường, tối ưu, chiếm phần lớn ứng dụng đang chạy thật; và AI tạo sinh (generative AI) như mô hình ngôn ngữ lớn, hợp với công việc tài liệu, tri thức của kỹ sư.

Khác gì sản xuất thông minh và công nghiệp 4.0?

Công nghiệp 4.0 là bối cảnh rộng, nơi máy móc, hệ thống và con người kết nối qua dữ liệu; xem thêm về cách mạng công nghiệp lần thứ tư. Sản xuất thông minh là vận hành nhà máy dựa trên dữ liệu thời gian thực, trình bày trong bài smart manufacturing là gì. AI chỉ là lớp khai thác dữ liệu mà các lớp kia thu về. Nhà máy chưa số hoá dữ liệu sản xuất nên xem lộ trình chuyển đổi số cho nhà máy Việt trước khi bàn đến mô hình AI.

AI trong nhà máy giải quyết những bài toán nào?

Ứng dụng AI trải dọc chuỗi hoạt động của nhà máy, mỗi nhóm cần loại dữ liệu riêng nhưng dùng chung một nền dữ liệu.

Bảng dưới giúp chọn điểm bắt đầu; mức khó là đánh giá tương đối cho nhà máy vừa.

Ứng dụng	AI làm gì	Chỉ số nên đo	Mức khó khởi đầu
Kiểm tra chất lượng bằng thị giác máy	Phát hiện, phân loại lỗi trên ảnh	Tỷ lệ bỏ sót, tỷ lệ loại nhầm, khiếu nại	Trung bình; phụ thuộc chiếu sáng, mẫu lỗi
Bảo trì dự đoán	Dự đoán hỏng từ rung, nhiệt, dòng điện	Giờ dừng máy ngoài kế hoạch, MTBF	Trung bình đến cao; cần lịch sử hỏng
Xếp lịch sản xuất	Đề xuất thứ tự đơn, phân máy, giảm chuyển đổi	Giao đúng hạn, thời gian chuyển đổi, OEE	Cao; nhiều ràng buộc ngầm
Dự báo nhu cầu và vật tư	Dự báo sản lượng, vật tư cần mua	Sai số dự báo, ngày tồn kho, hết hàng	Thấp đến trung bình; cần lịch sử bán sạch
Tối ưu thông số và năng lượng	Gợi ý nhiệt độ, tốc độ; phát hiện lãng phí điện	Tỷ lệ phế phẩm, kWh trên sản phẩm	Trung bình; cần dữ liệu SCADA
AI tạo sinh cho kỹ sư	Tra tài liệu, soạn hướng dẫn, phân tích sự cố	Thời gian tìm thông tin, xử lý sự cố	Thấp để thử, cao để dùng an toàn

AI kiểm tra chất lượng sản phẩm hoạt động thế nào?

Hệ thống gồm camera công nghiệp, nguồn sáng, máy tính tại xưởng và mô hình thị giác máy tính. Camera chụp sản phẩm, mô hình trả về “đạt” hoặc “lỗi” kèm vị trí; tín hiệu đó gạt sản phẩm khỏi băng tải hoặc ghi vào MES. Phần nền tảng về cách máy “nhìn” ảnh có trong bài computer vision là gì.

Ba kiểu mô hình kiểm tra lỗi

• Phân loại (classification): ảnh đạt hay lỗi, lỗi loại gì. Hợp khi mỗi ảnh chỉ có một sản phẩm.
• Phát hiện và phân đoạn (detection, segmentation): khoanh đúng vùng lỗi, cần khi phải đo kích thước lỗi để quyết định loại bỏ.
• Phát hiện bất thường (anomaly detection): chỉ học từ ảnh sản phẩm tốt rồi báo mọi thứ “khác thường”. Hữu ích khi lỗi hiếm, rất ít ảnh lỗi.

Kiểu thứ ba thường được đánh giá trên bộ dữ liệu MVTec AD của hãng MVTec (Đức): hơn 5.000 ảnh độ phân giải cao thuộc 15 nhóm vật thể và bề mặt, tập huấn luyện chỉ gồm ảnh không lỗi. Bộ này dùng giấy phép CC BY-NC-SA 4.0, không cho phép dùng thương mại, nên doanh nghiệp vẫn phải tự thu ảnh từ dây chuyền của mình.

Đừng tin con số “chính xác 99%”

Khi chỉ 1% sản phẩm bị lỗi, một mô hình luôn trả lời “đạt” cũng chính xác 99%. Bạn cần tách hai chỉ số: tỷ lệ bỏ sót (escape rate, phần trăm sản phẩm lỗi lọt qua, quyết định khiếu nại của khách) và tỷ lệ loại nhầm (false reject, nhà máy hay gọi là overkill, phần trăm hàng tốt bị đánh lỗi, quyết định chi phí kiểm lại).

Ví dụ minh hoạ. Dây chuyền chạy 20.000 sản phẩm/ngày, lỗi thật 0,5%, tức 100 sản phẩm. Mô hình bắt 98% lỗi, bỏ sót 2. Nhưng nếu nó loại nhầm 1% trong 19.900 sản phẩm tốt, sẽ có 199 sản phẩm tốt bị gạt ra, gần gấp đôi số lỗi thật. Cách thường làm là chỉnh ngưỡng để giữ tỷ lệ bỏ sót thấp, rồi chuyển nhóm “nghi lỗi” sang trạm có người kiểm lại.

Nhiều dự án thất bại vì ảnh không ổn định chứ không vì mô hình yếu: ánh sáng ngoài lọt vào, sản phẩm bóng, băng tải rung. Hai nhân viên QC có thể đánh giá khác nhau cùng một vết xước, nên cần bộ mẫu giới hạn (limit sample) trước khi gán nhãn hàng loạt.

Bảo trì dự đoán bằng AI có vai trò gì?

Bảo trì dự đoán (predictive maintenance) dùng dữ liệu rung, nhiệt độ, dòng điện để phát hiện dấu hiệu suy giảm trước khi thiết bị hỏng. AI nhận ra mẫu bất thường mà ngưỡng cố định bỏ qua, với điều kiện cảm biến đúng kiểu hỏng và lịch sử sửa chữa ghi đủ chi tiết. Chiến lược, kỹ thuật giám sát và cách thí điểm được trình bày trong bài bảo trì dự đoán là gì.

AI tối ưu lịch sản xuất như thế nào?

Xếp lịch là quyết định đơn nào chạy trên máy nào, theo thứ tự nào để vừa giao đúng hạn, vừa ít chuyển đổi, vừa không vượt năng lực nhân công và vật tư. Khi số đơn và số máy tăng, số phương án tăng rất nhanh, vượt khả năng cân nhắc trên bảng tính.

Phần mềm lập kế hoạch nâng cao (APS, Advanced Planning and Scheduling) có từ lâu và chủ yếu dùng thuật toán tối ưu. AI bổ sung ở ba chỗ: học từ dữ liệu MES để biết một mã hàng thực tế chạy và chuyển đổi mất bao lâu thay vì dùng định mức trên giấy; tìm nhanh phương án đủ tốt; và xếp lại lịch khi máy hỏng, thiếu vật tư hay có đơn gấp, kèm danh sách đơn bị ảnh hưởng.

Ví dụ minh hoạ. Xưởng ép nhựa chạy bốn màu trên một máy; đổi từ màu tối sang màu sáng phải vệ sinh lâu hơn chiều ngược lại. Xếp theo thứ tự nhận đơn, máy đổi màu qua lại nhiều lần trong ngày. Bộ xếp lịch gom đơn cùng màu, sắp từ sáng đến tối mà không làm trễ hạn giao. Thời gian tiết kiệm thành giờ chạy máy, nâng hệ số khả dụng trong chỉ số OEE.

AI dự báo sản xuất và nhu cầu khác gì cách làm cũ?

Cách cũ thường lấy trung bình vài tháng cộng cảm nhận của phòng kinh doanh. Mô hình AI học cùng lúc từ lịch sử đơn, mùa vụ, ngày lễ, khuyến mãi, giá, đơn đặt trước. Kết quả là một khoảng dự báo, giúp bạn biết nên giữ tồn kho an toàn bao nhiêu. Vì dự báo là đầu vào cho kế hoạch sản xuất, mua vật tư và nhân công, sai số nhỏ ở đầu chuỗi có thể thành tồn kho lớn hoặc thiếu hàng ở cuối chuỗi.

Đo dự báo bằng ba chỉ số:

• WAPE (sai số tuyệt đối có trọng số): tổng chênh lệch tuyệt đối chia cho tổng thực tế. Ví dụ minh hoạ: bán thực 100, 50, 10; dự báo 90, 60, 20; WAPE = 30/160, khoảng 19%.
• Độ lệch (bias): dự báo luôn cao gây tồn kho, luôn thấp gây thiếu hàng, kể cả khi sai số tổng nhỏ.
• Chỉ số kinh doanh: số ngày tồn kho, tỷ lệ giao đủ đúng hạn.

AI khó dự báo sản phẩm mới hoặc cú sốc chưa từng có; hãy cho người lập kế hoạch điều chỉnh có ghi lý do.

AI tạo sinh giúp kỹ sư nhà máy những gì?

AI tạo sinh hỗ trợ công việc tri thức, không điều khiển máy. Các cách dùng đã rõ:

• Tra cứu tài liệu kỹ thuật: kỹ thuật truy xuất tăng cường (RAG) cho trợ lý AI trả lời dựa trên sổ tay thiết bị, quy trình, biên bản sự cố nội bộ và chỉ ra trang nguồn để kỹ sư kiểm tra.
• Soạn hướng dẫn và đào tạo: chuyển quy trình dài thành hướng dẫn từng bước, câu hỏi kiểm tra.
• Phân tích sự cố: tóm tắt nhật ký ca, gom sự cố giống nhau, gợi ý giả thuyết nguyên nhân cho báo cáo 8D.
• Hỗ trợ lập trình tự động hoá: tháng 4/2023 tại Hannover Messe, Siemens và Microsoft giới thiệu khái niệm dùng ChatGPT và dịch vụ Azure AI để sinh mã PLC từ mô tả bằng ngôn ngữ tự nhiên và giúp đội bảo trì tìm lỗi theo hướng dẫn từng bước.

Các nhà máy hàng đầu đã đạt kết quả gì với AI?

Nguồn số liệu đáng tin cậy là Mạng lưới Ngọn hải đăng toàn cầu (Global Lighthouse Network) của Diễn đàn Kinh tế Thế giới (WEF), danh sách các nhà máy được WEF công nhận là dẫn đầu về công nghệ tiên tiến trong sản xuất.

• Thông cáo của WEF ngày 14/01/2025: trong năm ứng dụng hàng đầu của đợt công nhận mới, 77% dựa trên AI phân tích, 9% dựa trên AI tạo sinh.
• Thông cáo ngày 16/09/2025: AI và AI tạo sinh hỗ trợ tới 50% ứng dụng hàng đầu của đợt này. Nhà máy Tongwei ở Mi Sơn (Trung Quốc) giảm 41% tỷ lệ lỗi nhờ phân tích lỗi và tối ưu quá trình bằng AI; Fab 7 của GlobalFoundries tại Singapore tăng 40% năng suất lao động nhờ bảo trì dự đoán và kiểm soát chất lượng bằng học máy; nhà máy lọc dầu Tüpraş ở İzmit (Thổ Nhĩ Kỳ) nâng độ tin cậy giao hàng từ 85% lên 95% nhờ dự báo bằng AI.
• Trang chính thức của chương trình ghi nhận 238 nhà máy sau đợt công nhận tháng 6/2026. Các đợt công bố năm 2025 nêu trên không có nhà máy nào tại Việt Nam.

Đây là giới hạn trên của nhóm giỏi nhất, không phải mức trung bình. Khảo sát của Boston Consulting Group (BCG) công bố 24/10/2024 với khoảng 1.000 lãnh đạo tại 59 quốc gia cho thấy 74% doanh nghiệp chưa chứng minh được giá trị đo lường được từ AI; chỉ 26% đủ năng lực vượt qua giai đoạn thử nghiệm. BCG ước tính khoảng 70% khó khăn khi triển khai AI nằm ở con người và quy trình, 20% ở công nghệ và dữ liệu, 10% ở thuật toán.

Doanh nghiệp Việt Nam đang ở đâu?

Số liệu công khai còn ít. Báo Nhân Dân (26/04/2024) đưa tin Rạng Đông, sau bốn năm chuyển đổi số 2020–2024, ứng dụng robot và AI trong phân tích dữ liệu, điều hành sản xuất; giá trị tồn kho giảm 30%, tiết kiệm hơn 1 tỷ đồng lãi vay mỗi tháng. Đó là kết quả của cả mô hình nhà máy thông minh, không riêng phần AI. Báo Công Thương (20/04/2026) dẫn trường hợp Hoà Phát giảm 8% chi phí năng lượng nhờ IoT và phân tích dữ liệu. Cùng bài, Cục Công nghiệp (Bộ Công Thương) nêu các rào cản: thiếu vốn, chi phí ban đầu cao, hạ tầng chưa đáp ứng, thiếu nhân lực AI.

Muốn làm AI, nhà máy cần chuẩn bị dữ liệu gì?

Vấn đề hiếm khi là thiếu dữ liệu, mà là dữ liệu rải rác, không khớp nhau và thiếu đúng phần quý nhất: những lần có sự cố.

Loại dữ liệu	Nguồn	Dùng cho	Vấn đề hay gặp
Đơn hàng, tồn kho, định mức	ERP	Dự báo, xếp lịch, mua vật tư	Định mức cũ, mã hàng trùng
Sản lượng, dừng máy	MES, sổ tay, bảng tính	Xếp lịch, OEE, tìm nguyên nhân	Lý do dừng máy ghi “khác”
Thông số máy theo thời gian	PLC, SCADA, cảm biến IoT	Tối ưu quá trình, bảo trì	Lấy mẫu thưa, đồng hồ lệch
Ảnh sản phẩm	Camera công nghiệp	Kiểm tra chất lượng	Ít ảnh lỗi, nhãn không thống nhất
Lịch sử bảo trì	Phần mềm bảo trì, sổ ghi	Bảo trì dự đoán	Chỉ ghi “đã sửa”, không ghi kiểu hỏng
Tài liệu kỹ thuật	Thư mục chia sẻ, giấy	AI tạo sinh, đào tạo	Nhiều phiên bản, bản quét mờ

Việc nên làm sớm, kể cả trước khi chọn giải pháp:

1. Thống nhất mã máy, khuôn, sản phẩm giữa các hệ thống.
2. Đồng bộ thời gian; lệch vài phút đủ để ghép sai nguyên nhân với kết quả.
3. Ghi lý do theo danh mục (dừng máy, kiểu lỗi, kiểu hỏng) thay cho ghi chú tự do.
4. Giữ dữ liệu xấu: lưu ảnh lỗi, dữ liệu trước mỗi lần hỏng máy.
5. Gán nhãn có kiểm soát: có hướng dẫn, cho hai người cùng gán một phần mẫu để đo độ đồng thuận.

Rủi ro khi đưa AI vào sản xuất là gì?

Rủi ro kỹ thuật và vận hành

• Mô hình xuống cấp (drift): nguyên liệu, máy, sản phẩm thay đổi làm dữ liệu thực khác dữ liệu huấn luyện; cần theo dõi chỉ số định kỳ.
• Bỏ sót lỗi nghiêm trọng: với sản phẩm liên quan an toàn, AI nên là lớp kiểm tra bổ sung cho đến khi được thẩm định đủ dài.
• Tự động hoá quá sớm: cho AI tự đổi thông số máy khi chưa có giới hạn cứng và cách quay về chế độ tay. Chức năng an toàn của máy phải do hệ thống an toàn chuyên dụng đảm nhiệm.
• Phụ thuộc nhà cung cấp: hợp đồng nên nêu rõ quyền sở hữu dữ liệu, nhãn và khả năng xuất ra.
• An ninh mạng: nối mạng máy móc vốn chạy cô lập mở thêm đường cho mã độc vào hệ thống điều khiển. Bộ tiêu chuẩn IEC 62443 về an ninh hệ thống tự động hoá và điều khiển công nghiệp đưa ra cách chia vùng (zone) và kênh kết nối (conduit). Nguyên tắc cơ bản: thiết bị AI đọc dữ liệu qua lớp trung gian, không mở đường ghi trực tiếp vào PLC từ Internet.

Rủi ro pháp lý tại Việt Nam

Luật Trí tuệ nhân tạo số 134/2025/QH15 có hiệu lực từ 01/03/2026, chia hệ thống AI thành ba mức rủi ro: cao (có thể gây thiệt hại đáng kể đến tính mạng, sức khoẻ, quyền và lợi ích hợp pháp, lợi ích quốc gia, an ninh), trung bình (có khả năng gây nhầm lẫn, tác động hoặc thao túng khi người dùng không nhận biết mình đang tương tác với AI) và thấp (còn lại). Danh mục hệ thống rủi ro cao ban hành kèm Quyết định 33/2026/QĐ-TTg ngày 30/06/2026, hiệu lực 15/08/2026, gồm sáu nhóm lĩnh vực: giáo dục, dân tộc và tôn giáo, y tế, ngân hàng, tố tụng, giao thông vận tải. Luật cũng đặt nguyên tắc bảo đảm con người duy trì kiểm soát và khả năng can thiệp đối với quyết định của AI.

Ứng dụng nội bộ như phát hiện lỗi hay dự báo nhu cầu thường không nằm trong sáu nhóm này, nhưng vẫn phải tự đối chiếu từng hệ thống. Với hệ thống rủi ro thấp, bên triển khai vẫn phải giải trình khi cơ quan có thẩm quyền yêu cầu trong trường hợp có dấu hiệu vi phạm. Nghĩa vụ theo từng mức rủi ro có trong bài Luật Trí tuệ nhân tạo 2025.

Camera giám sát an toàn, chấm công bằng khuôn mặt, phân tích thao tác công nhân đều xử lý dữ liệu cá nhân. Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 có hiệu lực từ 01/01/2026; theo Nghị định 356/2025/NĐ-CP ngày 31/12/2025, hình ảnh của cá nhân là dữ liệu cá nhân cơ bản, còn dữ liệu sinh trắc học là dữ liệu nhạy cảm. Hãy xác định mục đích, thông báo cho người lao động, giới hạn thời gian lưu và phân quyền truy cập. Khi kết nối hệ thống sản xuất, cần xem thêm Luật An ninh mạng số 116/2025/QH15, hiệu lực từ 01/07/2026.

Lộ trình triển khai AI trong nhà máy gồm những bước nào?

Lộ trình dưới đây hợp với nhà máy vừa và nhỏ; mỗi bước có điều kiện rõ để đi tiếp.

1. Chọn bài toán: một vấn đề lãnh đạo đã thấy đau và đo được, như phế phẩm một công đoạn hay giờ dừng của một máy trọng yếu. Ghi số liệu hiện tại làm mốc, chỉ định một người phía sản xuất chịu trách nhiệm. Ví dụ minh hoạ: phế phẩm gây thiệt hại 200 triệu đồng/tháng, mục tiêu giảm 20%, giá trị kỳ vọng khoảng 40 triệu đồng/tháng; đó là trần hợp lý cho chi phí thí điểm.
2. Chuẩn bị dữ liệu: làm các việc ở phần dữ liệu phía trên; thiếu thì bổ sung cảm biến hoặc camera cho đúng một điểm thí điểm. Gán nhãn ảnh tốn công hơn bạn nghĩ; nếu thuê ngoài, cần hợp đồng bảo mật.
3. Thí điểm có kiểm soát: chạy trên một dây chuyền, song song cách làm cũ; AI chỉ gợi ý, người quyết định. Chốt từ đầu ngưỡng thành công và thời hạn; không đạt thì dừng hoặc đổi hướng.
4. Đưa vào vận hành: nối kết quả vào MES, ERP hoặc màn hình của ca; viết quy trình xử lý khi AI báo động; đào tạo tổ trưởng; quy định ai theo dõi mô hình và khi nào huấn luyện lại.
5. Nhân rộng: tái dùng quy trình dữ liệu, cách gán nhãn, khung giám sát. Mô hình gần như luôn phải kiểm định lại ở dây chuyền mới vì ánh sáng, máy, nguyên liệu khác nhau.

Chính sách AI năm 2026 liên quan đến nhà máy

Quyết định 1671/QĐ-TTg ngày 28/08/2026 phê duyệt Chiến lược quốc gia về trí tuệ nhân tạo đến năm 2030, tầm nhìn 2045. Mục tiêu đến 2030 gồm năng suất lao động trong các ngành ứng dụng AI tăng tối thiểu 10–15% và tối thiểu 500.000 doanh nghiệp nhỏ và vừa, hộ kinh doanh, hợp tác xã được hỗ trợ giải pháp tích hợp AI. Nhóm nhiệm vụ AI cho sản xuất công nghiệp hướng tới chuyển đổi quy trình bằng AI, robot, bản sao số và phát triển nhà máy thông minh.

Những sai lầm thường gặp khi ứng dụng AI trong nhà máy

• Bắt đầu từ công nghệ: mua nền tảng AI rồi mới đi tìm việc cho nó.
• Thử trên dữ liệu chọn lọc: mô hình tốt với ảnh chụp cẩn thận nhưng kém trên dây chuyền thật.
• Bỏ quên người vận hành: công nhân không tin cảnh báo vì không được giải thích, không được hỏi ý kiến.
• Không có chủ sở hữu sau dự án: nhà cung cấp bàn giao xong, mô hình xuống cấp mà không ai biết.

Câu hỏi thường gặp

AI trong sản xuất có thay thế công nhân không?

Ở các ứng dụng phổ biến, AI thay đổi nội dung công việc nhiều hơn xoá vị trí: QC chuyển sang kiểm lại nhóm nghi lỗi, bảo trì làm theo cảnh báo. Việc lặp lại chịu áp lực lớn nhất, nên cần kế hoạch đào tạo lại.

Nhà máy nhỏ có làm AI được không?

Được, nếu chọn bài toán hẹp và có dữ liệu. Dự báo nhu cầu từ dữ liệu bán hàng sẵn có, hay một trạm camera kiểm một loại lỗi, là điểm khởi đầu chi phí vừa phải. Điều kiện là dữ liệu sản xuất đã được ghi chép số hoá ở mức cơ bản.

AI trong nhà máy có thuộc nhóm rủi ro cao theo Luật Trí tuệ nhân tạo không?

Không mặc định. Mức rủi ro xác định theo từng hệ thống, dựa trên Điều 9 Luật 134/2025/QH15 và Danh mục kèm Quyết định 33/2026/QĐ-TTg. Với hệ thống liên quan an toàn con người hoặc sản phẩm bán ra thị trường, nên hỏi ý kiến chuyên gia pháp lý.