Calidad
IA para la detección y automatización
En un entorno de producción cada vez más competitivo, la calidad es un factor diferenciador clave. La falta de calidad representa un gran riesgo para el rendimiento y la competitividad, lo que conlleva costes muy elevados para las industrias. Los algoritmos de Machine Learning y Deep Learning contribuyen hoy en día a la creciente automatización del control de calidad en las cadenas de producción, ayudando a reducir considerablemente el número de piezas defectuosas y las consecuencias que ello acarrea.
Relevancia
La automatización completa sigue representando un gran desafío para las empresas, ya que el control de calidad sigue basándose en gran medida en la capacidad visual de los seres humanos y en su limitada capacidad para adaptarse a condiciones potencialmente variables. Por otra parte, la inteligencia artificial, a condición de que se alimente de datos adecuados y de buena calidad, no se ve restringida, por su propia naturaleza, por limitaciones fisiológicas o de variabilidad.
Las fábricas que crean productos complejos, como microchips y placas de circuitos, utilizan modelos de Visión Artificial, en los que se complementa la IA con cámaras de alta resolución, de manera que se pueden captar detalles y errores casi imperceptibles con mucha más fiabilidad que el ojo humano. Cuando se integra con un marco de procesamiento de datos basado en la nube, los errores se marcan instantáneamente y la respuesta se coordina automáticamente.
Soluciones
Aplicaciones
- Predicción, detección y clasificación de defectos por medición y gestión tanto de imágenes, como de texto, como de otros datos de proceso
- Predicción de configuración optima de máquina ante cambios para conseguir cero defectos
- Estimación de vida útil
Detalle
Entre las soluciones más utilizadas en este área podemos encontrar aquellas basadas en el análisis de documentos generados automáticamente con información sobre la evolución de los procesos, status de los productos y el reconocimiento de defectos mediante imágenes de los productos. Por ejemplo, el análisis del status de ejecuciones de software (logs) y del comportamiento de los servidores en los que funcionan para la detección de errores de código o hardware constatan algunas de las aplicaciones más comunes en control de calidad. Clientes nuestros ya han puesto en práctica herramientas de clasificación automática de incidencias en la producción de piezas como mecanismo para incrementar la velocidad de respuesta a las mismas.
El control de calidad también puede tener lugar al final de la línea, para comprobar el cumplimiento de las normas de presentación de un producto. Es una práctica cada vez más extendida la incorporación de sistemas de control de vídeo impulsados por Inteligencia Artificial que comprueban que las características del producto realmente se adecúan a los estándares de calidad de la compañía.
