La visión artificial tradicional es supervisada: para detectar un defecto, hay que recopilar y etiquetar muchos ejemplos del mismo, entrenar un modelo y luego repetir el proceso para cada nuevo tipo de defecto. Aletis da la vuelta a este proceso. Le muestra unas 25 piezas en buen estado, aprende cómo es una pieza correcta y señala cualquier desviación, incluidos los defectos que nunca se le han mostrado. Sin bibliotecas de defectos, sin etiquetado, sin equipo de ciencia de datos. Y Aletis es más que un simple detector de anomalías: es un proceso de inspección propio que combina múltiples métodos, genera datos de entrenamiento sintéticos y está adaptado a sus piezas y línea de producción específicas.
La inspección supervisada tiene un problema de datos inherente. Necesita un gran volumen de imágenes de defectos etiquetadas, pero «las tareas de inspección óptica a menudo carecen de muestras defectuosas o no está claro qué tipos de defectos pueden aparecer» (MVTec AD, Bergmann et al., CVPR 2019). Etiquetarlas resulta costoso: estos modelos necesitan «una gran cantidad de datos... que a menudo requieren etiquetas de alta precisión», por lo que «el coste de las soluciones aumentaría significativamente debido a los requisitos de anotación» (Božič et al., Computers in Industry, 2021). Se le pide que recopile muchos ejemplos precisamente de aquello que está intentando evitar.
Aletis aprende únicamente a partir de piezas en buen estado. Modela el aspecto que debe tener una pieza correcta a partir de un pequeño conjunto de ejemplos y señala cualquier desviación como un posible defecto, por lo que detecta tipos de defectos que nunca se le han mostrado. Mientras que un detector de anomalías básico se detiene ahí, Aletis añade un proceso propio: genera datos de entrenamiento sintéticos para reforzar el modelo, combina múltiples métodos de detección en lugar de basarse en uno solo y se configura para cada línea de producción. Esa es la diferencia entre una técnica de investigación y un sistema de inspección listo para la producción.
| Visión artificial supervisada | Aletis | |
|---|---|---|
| Datos de entrenamiento | Numerosas imágenes etiquetadas por tipo de defecto | Unas 25 piezas en buen estado |
| Muestras de defectos necesarias | Sí, para cada tipo de defecto | Ninguna |
| Detecta defectos nunca vistos | No, solo aquellos para los que se ha entrenado | Sí |
| Nuevo tipo de defecto | Recopilar, etiquetar y volver a entrenar | Ya está cubierto |
| ¿Quién lo configura? | Ingenieros de visión artificial y ciencia de datos | Su responsable de TI u operaciones |
| Configuración | Un proyecto de recopilación y etiquetado de datos | Menos de 30 minutos |
Con la visión supervisada, un defecto que no se haya visto antes implica un nuevo ciclo de recopilación de datos y etiquetado, seguido de un nuevo entrenamiento. Con Aletis, un nuevo defecto no es más que otra desviación de lo normal, que se detecta sin necesidad de nuevos datos ni de volver a entrenar el sistema.
El coste de la mala calidad en una organización típica supone entre el 15 % y el 20 % de los ingresos por ventas (ASQ, Cost of Quality). Un defecto que llega al cliente cuesta mucho más que uno detectado en la línea de producción.
La visión supervisada no ha quedado obsoleta. Si se inspecciona en busca de un único defecto, definido de forma rígida, a un volumen extremadamente alto y ya se dispone de un gran conjunto de datos etiquetados para ello, un modelo ajustado a ese único defecto puede ser la herramienta adecuada. Aletis destaca cuando los defectos son variados, poco frecuentes, difíciles de recopilar o no se conocen del todo de antemano, lo que describe la mayoría de las líneas de producción reales.