Visión artificial e IA, separar la exageración de la realidad en la fabricación

La inteligencia artificial es ahora mismo el término con más expectativas y peor entendido de la fabricación. En visión artificial el panorama es especialmente confuso, porque tres cosas son ciertas a la vez. Parte de la IA ya funciona hoy en planta y es rentable. Parte está a años de estar lista para producción. Y buena parte de lo que oyes es marketing.

Este artículo analiza de forma directa en qué punto está realmente. Qué funciona ahora, qué sigue siendo experimental, cuánto es probable que tarde el resto y cómo invertir en ella sin cometer errores costosos.

Primero, qué significa IA en visión

Conviene ser preciso, porque el término abarca mucho. Cuando se habla de IA en planta, casi siempre se habla de Deep Learning, un tipo de red neuronal entrenada con imágenes de ejemplo en lugar de programada con reglas fijas. Es muy eficaz en tareas que a una persona le resultan fáciles de juzgar, pero para las que es difícil escribir una regla. ¿Esta soldadura es correcta? ¿Este producto natural tiene una mancha? Es algo distinto de la IA generativa que hay detrás de los chatbots de los titulares, que tiene un papel creciente en la configuración de los sistemas, pero que hoy no toma la decisión de inspección. Si separas las dos cosas, la mayor parte de la exageración desaparece.

Qué funciona ahora

El Deep Learning en visión industrial no es nuevo ni experimental. Para un conjunto concreto de aplicaciones lleva años en producción y es la herramienta adecuada, no una apuesta. Destacan cuatro áreas.

La primera es la detección de defectos en productos variables o naturales. Cuando un defecto es difícil de describir con una regla fija (un arañazo distinto cada vez, un defecto en madera, textil, alimentos o piezas de fundición), el Deep Learning aprende con ejemplos cómo es una pieza buena y una mala, y evalúa las piezas nuevas del mismo modo. Es el uso principal y funciona.

La segunda es la clasificación y la separación, asignar cada artículo a una categoría (bueno o malo, tipo A o tipo B) a la velocidad de la línea. La tercera es la lectura de textos y códigos difíciles. El reconocimiento de caracteres con Deep Learning lee textos marcados por micropercusión, grabados, deformados o de bajo contraste que el enfoque tradicional no consigue leer.

La cuarta es la que más ha cambiado, la detección de anomalías entrenada solo con muestras buenas. En lugar de necesitar miles de imágenes de cada defecto posible, el sistema aprende cómo es una pieza buena y señala cualquier desviación. Esto es importante porque en una fábrica bien gestionada los defectos son poco frecuentes. Recopilar imágenes de defectos es lento y costoso. Aprender a partir de piezas buenas elimina esa barrera. Por eso muchas inspecciones que no eran viables hace unos años lo son ahora.

Todo esto funciona hoy con herramientas de Deep Learning integradas en el software de visión moderno, como Aurora de Zebra, en un ordenador industrial junto a la línea y no en la nube. Está probado, se puede comprar y tiene soporte.

Qué sigue siendo experimental o se vende por encima de su capacidad

Ahora la otra cara, porque aquí es donde se pierde dinero. El mayor mito es el sistema que aprende con solo apuntarlo y que no necesita ingeniería. El Deep Learning sigue necesitando imágenes representativas, un etiquetado cuidadoso y, sobre todo, una buena iluminación y una buena óptica. El aprendizaje es potente. La configuración supone un trabajo real.

Hoy, que la IA generativa realice la inspección es en gran parte una exageración. Donde empieza a ayudar es en tareas periféricas, como describir un defecto en lenguaje sencillo, generar la configuración, redactar la documentación o reducir la cualificación necesaria para configurar un sistema. Es útil y va en aumento. Pero todavía no es lo que decide si una pieza pasa o no en tu línea.

La idea de que la IA sustituirá a la visión basada en reglas es errónea. Para medir una dimensión, leer un código de barras o comprobar una posición precisa, una regla clásica es más rápida, más barata, más precisa y totalmente explicable. Los sistemas reales son híbridos, con reglas para el trabajo determinista y Deep Learning solo para las decisiones que requieren criterio.

Los sistemas de autoaprendizaje que se modifican continuamente en producción parecen atractivos, pero plantean una pregunta difícil. ¿Cómo validas un sistema que mañana será distinto del de hoy? En una línea regulada es un obstáculo serio, no un detalle. Los datos de entrenamiento sintéticos y los grandes modelos fundacionales son prometedores y están mejorando. Todavía no son la solución inmediata que sugieren las afirmaciones más llamativas.

Plazos realistas

Durante años hubo en este sector una regla práctica fiable. Una tecnología de visión nueva tardaba unos siete a diez años en pasar de una demostración impresionante a un pedido habitual. Siempre convenía contrastar con ella las expectativas de las ferias. La pregunta interesante ahora es si la IA rompe esa regla.

Hay buenos motivos para pensar que sí. Esta vez el ritmo de cambio es distinto. El Deep Learning llegó a planta más rápido que casi cualquier hardware. El desarrollo general de la IA está impulsado por una inversión enorme, modelos abiertos sobre los que cualquiera puede desarrollar y capacidad de computación a escala de la nube, algo con lo que no contaban las tecnologías anteriores. Es totalmente razonable esperar que algunas capacidades de IA pasen de demostración a estándar en una fracción de esos siete a diez años. No apostaríamos en contra.

Ya se ve en lo que está en producción. El Deep Learning para defectos, clasificación y códigos difíciles ya ha llegado y es habitual. La detección de anomalías a partir de muestras buenas está pasando ahora mismo de novedad a estándar. Los enfoques generativos y basados en modelos fundacionales están en una fase más temprana, aunque también avanzan con rapidez.

Sin embargo, hay un matiz. Avanzar rápido para existir no es lo mismo que avanzar rápido para ser fiable en una fábrica. Un modelo que impresiona en una demostración todavía tiene que demostrar que funciona con tu producto, tu iluminación y tus casos límite, turno tras turno. Por eso lo sensato no es fijar una cifra. Evalúa cada capacidad por lo que funciona hoy en producción, no por lo que predice una curva. Compra lo que está probado para la aplicación que tienes delante. Trata lo que todavía está en la hoja de ruta como hoja de ruta, por rápido que esté llegando.

Cómo aprovechar la IA sin cometer errores costosos

Si te quedas con una sola idea, que sea esta. La IA no arregla las malas imágenes. Un modelo de Deep Learning entrenado con imágenes oscuras, irregulares y mal encuadradas aprende a ser poco fiable. Ajusta primero la iluminación y la óptica, y después añade la inteligencia. El orden importa.

Empieza por el problema, no por la tecnología. Si una regla sencilla resuelve la aplicación, usa la regla. Es más barata, más rápida y puedes explicar exactamente por qué una pieza ha pasado o ha sido rechazada. Recurre al Deep Learning para lo que las reglas no pueden hacer.

Respeta los datos. El trabajo real en un proyecto de Deep Learning es reunir imágenes representativas y etiquetarlas con cuidado. Cuando los defectos son poco frecuentes, usa la detección de anomalías y aprende a partir de piezas buenas. Prevé que una persona siga supervisando el proceso. Prevé reentrenar el modelo cuando cambien tu producto y tu embalaje, porque cambiarán.

En un sector regulado, piensa en la validación y la explicabilidad desde el principio, no al final. Tienes que poder demostrar por qué el sistema tomó su decisión. Y mantén el procesado en local, en un ordenador industrial con capacidad suficiente junto a la línea, para conseguir la velocidad y la fiabilidad que necesita una fábrica.

Sobre todo, compruébalo con tus propias piezas antes de comprometerte. Un breve estudio de viabilidad con tus imágenes reales te dirá en semanas si la IA aporta valor o si un enfoque más sencillo resuelve la aplicación por una fracción del coste.

Conclusión

La IA en visión artificial no es magia ni marketing. Usada donde encaja, en las decisiones de criterio que las reglas no pueden tomar, con buenas imágenes y el trabajo de datos hecho, supone un gran cambio en lo que puedes inspeccionar. Vendida como solución universal y añadida a un sistema débil, decepciona y se le culpa injustamente. Saber distinguir una cosa de otra es donde están tanto la especialización como el valor. Es la conversación que merece la pena tener antes de invertir.

Reserva un estudio de viabilidad de Deep Learning

Si tienes una inspección que podría necesitar IA, la forma más rápida de saberlo es probarla con tu propio producto. Tomaremos tus piezas y tus imágenes, probaremos el enfoque de Deep Learning frente a uno tradicional y te diremos con claridad cuál encaja, qué requiere y si merece la pena. Si gana una regla sencilla, te lo diremos.

Para reservar un estudio de viabilidad de Deep Learning, contacta con nuestro equipo

Contacta con nosotros en info@clearview-imaging.com o llama al +34 951 962 868

Lecturas relacionadas Servicios de ingeniería | Selector de iluminación | Cámaras | Guía completa de cámaras | Contacto