Por qué la IA y el deep learning en la visión artificial no siempre son la respuesta

Casi todas las consultas de visión artificial empiezan ahora con la misma palabra. IA. Se da por sentado que el deep learning puede inspeccionar cualquier cosa. Se trata como la forma moderna de resolver cualquier problema de inspección. A la visión artificial tradicional, la basada en reglas, se la trata como algo de la década pasada. El motivo es comprensible. El marketing en torno a la IA en visión es incesante. Parte de él es merecido. El deep learning ha resuelto problemas que hace unos años estaban realmente fuera de alcance.

El problema es que ahora la expectación lleva a recurrir al deep learning en tareas donde resulta más lento, más caro y menos fiable que un enfoque basado en reglas que se configuraría en una tarde. Este es un relato directo de cuándo la IA no es la respuesta, de una empresa que construye ambos tipos de sistema y no tiene ningún motivo para vender el más complicado. Nada de esto es contrario a la IA. Se trata de adecuar la herramienta a la tarea.

Dos herramientas distintas, no lo viejo frente a lo nuevo

Lo primero que conviene aclarar es el planteamiento. La visión basada en reglas y el deep learning no son versiones antigua y nueva de lo mismo. Son dos herramientas distintas que resuelven tipos de problema distintos. Los mejores sistemas a menudo usan ambas juntas.

La visión artificial basada en reglas funciona mediante instrucciones explícitas. Le indicas exactamente qué medir o qué buscar, una dimensión, un borde, un código de barras, un patrón concreto. Aplica esa regla de la misma manera cada vez. El deep learning funciona mediante ejemplos. Le muestras muchas imágenes etiquetadas de piezas buenas y malas. Aprende a distinguirlas por sí mismo. El sistema basado en reglas solo sabe lo que le indicaste. El sistema de deep learning solo sabe lo que vio en el entrenamiento. Cada uno es potente en su terreno. Cada uno tiene un ámbito en el que es la elección equivocada.

Dónde sigue ganando la visión basada en reglas

Para buena parte del trabajo de inspección que vemos, un enfoque basado en reglas es la mejor respuesta. Estos son los casos en los que recurrir a la IA añade coste y riesgo sin aportar ninguna ventaja.

Medición y calibrado. Si necesitas medir una dimensión, comprobar una distancia o confirmar una posición con una tolerancia conocida, la visión basada en reglas lo hace con precisión, de forma repetible y con un número en el que puedes confiar. El deep learning es la herramienta equivocada para una medición precisa. Una regla mide. Un modelo entrenado estima.

Lectura de códigos y texto definido. Un código de barras, un Data Matrix, un código de fecha claramente impreso. Son problemas resueltos para las herramientas basadas en reglas, con rapidez y alta fiabilidad. No necesitas una red neuronal para leer un código de barras.

Presencia, posición y recuento. Confirmar que un componente está presente, correctamente colocado o contado es el pan de cada día de la visión basada en reglas. La característica está definida, la regla es sencilla, el resultado es seguro.

Cualquier cosa con una característica clara y constante. Cuando lo que inspeccionas tiene buen contraste y no varía mucho, una herramienta basada en reglas lo resuelve más rápido y más barato que el deep learning. No necesita una sola imagen de entrenamiento para hacerlo.

El hilo común es que, cuando un problema se puede definir, definirlo de forma explícita supera a enseñar a un modelo a intuirlo. El deep learning se gana su lugar en los problemas que no se pueden definir con claridad. Esa es una categoría real e importante, solo que más reducida de lo que sugiere la expectación.

El problema de los datos de entrenamiento

Lo más importante que la expectación pasa por alto es lo que el deep learning necesita de ti antes de funcionar siquiera. Necesita datos, normalmente muchos.

Un modelo de deep learning aprende a partir de ejemplos etiquetados. Alguien tiene que recopilar imágenes de tus piezas, incluidos ejemplos de cada defecto que quieras detectar. Cada una hay que etiquetarla correctamente. Para un modelo fiable, eso a menudo significa cientos o miles de imágenes. Y lo fundamental, significa suficientes ejemplos de los defectos. Ahí está el inconveniente en una buena línea de producción. Si tu proceso es bueno, los defectos reales son escasos. Reunir suficientes muestras defectuosas para entrenar puede llevar semanas o meses, o implica producir piezas malas de forma deliberada. Un sistema basado en reglas no necesita nada de esto. Estableces la regla y funciona. Cuando la gente descubre la carga de datos a mitad de un proyecto de IA, suele ser el momento en que la opción basada en reglas empieza a parecer sensata.

Explicabilidad y por qué importa en una línea

Esta es la que se pasa por alto hasta que causa un problema. Un sistema basado en reglas es totalmente explicable. Cuando rechaza una pieza, puedes ver exactamente por qué. Midió un valor que quedó fuera de un límite que tú fijaste. Puedes rastrear cada decisión, defenderla ante un cliente y demostrarla ante un auditor.

Un modelo de deep learning es mucho más difícil de interrogar. Te da un resultado. El razonamiento reside dentro de una red de pesos aprendidos que no se traduce en un motivo sencillo. Para muchas aplicaciones eso no supone problema. En un sector regulado, en la fabricación de alimentos, productos farmacéuticos o dispositivos médicos, donde quizá tengas que justificar ante un auditor exactamente por qué una pieza pasó o falló, esa opacidad es un problema real. Cuando tienes que responder por cada decisión que toma el sistema, una herramienta que puede mostrar su razonamiento tiene un valor real que ninguna cifra de precisión refleja.

Dónde reside realmente el coste

Sobre el papel, el hardware de cualquiera de los dos enfoques puede parecer similar. El verdadero coste del deep learning aparece en otro sitio. Es fácil pasarlo por alto cuando te deslumbra lo que la tecnología es capaz de hacer.

Está el coste de recopilar y etiquetar los datos de entrenamiento. Eso es tiempo real de ingeniería. Está el propio entrenamiento, más la iteración cuando el primer modelo no es lo bastante bueno. El deep learning a menudo necesita más potencia de procesamiento para funcionar. Eso puede suponer un sistema más capaz y más caro que una herramienta basada en reglas que funciona sin problemas en una cámara inteligente o en un PC modesto. Luego está la parte continua. Si tu producto cambia, o aparece un nuevo defecto que no estaba en el conjunto de entrenamiento, quizá tengas que reunir más datos y reentrenar. Un sistema basado en reglas suele ser un ajuste rápido. Para una imagen completa de los costes que aparecen tras la compra, nuestra guía sobre el verdadero coste de la visión artificial entra en detalle. La cuestión aquí es que el proyecto de IA que parece más barato rara vez lo es una vez que se cuentan los datos y el reentrenamiento.

Los casos límite que pillan por sorpresa

La diferencia más importante entre las dos herramientas es cómo se comportan en sus límites. Aquí es donde un despliegue de IA demasiado entusiasta puede torcerse sin ruido.

Un sistema basado en reglas falla de forma predecible. Tiene un límite definido. Cuando una pieza queda fuera de lo que la regla puede manejar, lo señala de una manera que puedes anticipar y planificar. Un modelo de deep learning puede fallar de formas menos predecibles. Ante algo realmente distinto de todo lo que había en sus datos de entrenamiento, una nueva variante, un cambio de iluminación inusual, un tipo de defecto que nunca vio, puede dar una respuesta segura que sencillamente es errónea, sin ninguna señal evidente de que está fuera de su alcance. En una línea de producción eso importa. Un sistema que falla de una forma conocida en un límite conocido suele ser más seguro que uno más capaz en el centro de su rango pero impredecible en los extremos. Esto no es un motivo para evitar el deep learning. Es un motivo para entender cómo se comporta antes de confiarle una decisión importante.

Los dos enfoques uno al lado del otro

Aquí está la comparación en breve. Es una guía sobre qué herramienta conviene a cada trabajo, no un veredicto de que una sea mejor que la otra.

Cuándo el deep learning es justo la herramienta adecuada

Nada de esto es un argumento contra la IA. Sería extraño viniendo de una empresa que construye sistemas de deep learning. Hay una categoría de problema en la que el deep learning no solo es útil, sino la única respuesta práctica. Vale la pena ser igual de claro al respecto.

Cuando lo que inspeccionas varía de forma natural de una manera para la que no puedes escribir una regla, el deep learning brilla. Piensa en productos naturales con una variación natural infinita, defectos superficiales cosméticos que nunca tienen exactamente el mismo aspecto dos veces, o conjuntos complejos donde lo bueno y lo malo se diferencian de formas evidentes para un ojo experto pero muy difíciles de especificar. En estos casos un enfoque basado en reglas se atasca. No puedes enumerar cada variación aceptable. Aquí es justo donde un modelo bien entrenado se gana su sueldo. La habilidad está en reconocer qué tipo de problema tienes en realidad.

Usa la herramienta adecuada, no la más ruidosa

La IA y el deep learning son un avance real. Se han ganado su lugar en la caja de herramientas de la visión artificial. No han sustituido a la visión basada en reglas. Nunca iban a hacerlo. Muchísimos problemas de inspección son problemas definidos que una regla resuelve mejor, más barato y de forma más transparente. Los fabricantes que obtienen los mejores resultados no son los que persiguen la tecnología más nueva. Son los que adecúan la herramienta a la tarea. Trabajan con alguien dispuesto a decirles cuándo la herramienta más sencilla es la mejor.

Esta es la conversación que Clearview mantiene con clientes de toda Europa cada semana. Es una que siempre estamos encantados de tener. Si tienes un reto de inspección y no estás seguro de si requiere un sistema basado en reglas, uno de deep learning o una combinación de ambos, habla con nosotros. Te daremos una respuesta directa. No tenemos ningún motivo para venderte otra cosa que no sea el enfoque que funciona.

Habla con nuestros expertos sobre el enfoque adecuado: cuéntanos tu inspección

Ponte en contacto: info@clearview-imaging.com | +34 951 962 868

Relacionado: Software de visión artificial | El verdadero coste de la visión artificial | Cámaras de visión inteligentes | Precios