¿Cómo se pueden mejorar y validar los sistemas de inspección basados en IA antes de su implantación industrial sin interrumpir las líneas de producción ni invertir en nuevos experimentos costosos?
En esta historia de usuario, te contamos cómo New Infrared Technologies (NIT) utilizó AI-MATTERS para probar y validar el rendimiento de una solución de inspección por infrarrojos basada en IA, mejorando la precisión de la detección automática de defectos y aumentando la preparación para su implantación industrial, todo ello reduciendo el riesgo inicial y evitando cualquier interrupción de la producción en las instalaciones de sus clientes. AI-MATTERS te proporcionó acceso tanto a la tecnología como a los conocimientos especializados del sector, además de servicios de enriquecimiento de datos y de evaluación comparativa para validar la solución en condiciones industriales reales.
New Infrared Technologies (NIT) es una empresa tecnológica que desarrolla sistemas de inspección autónomos por infrarrojos con inteligencia artificial para el sector manufacturero. Como proveedor tecnológico, NIT necesitaba validar técnicamente y perfeccionar su solución de detección de defectos basada en IA, pasando de un prototipo prometedor a unos niveles de rendimiento aptos para su implementación, al tiempo que minimizaba los costes de desarrollo, los riesgos y la dependencia de las instalaciones de producción de los usuarios finales.
El reto
La solución de inspección por infrarrojos basada en IA para el control de calidad de la soldadura láser se veía limitada por unos conjuntos de datos reducidos y desequilibrados, sobre todo en lo que respecta a los casos defectuosos. Como resultado, la precisión de la detección seguía siendo insuficiente para respaldar las decisiones de implantación industrial.
NIT no tenía acceso a grandes cantidades de datos representativos sobre defectos y no podía llevar a cabo fácilmente nuevas campañas experimentales, ya que esto habría requerido acceder repetidamente a las instalaciones de producción de los usuarios finales y podría haber afectado a los procesos de fabricación en curso. Esta incertidumbre impedía una validación objetiva del rendimiento y frenaba el desarrollo posterior y la aceptación de la solución en el mercado.
El enfoque
A través de AI‑MATTERS, el NIT ha conseguido acceso a unas instalaciones de pruebas y experimentación (TEF) que ofrecen:
- Asistencia especializada para las pruebas y la validación de algoritmos de IA
- Enriquecimiento de datos mediante la generación sintética de defectos basada en la IA
- Comparativas controladas y evaluación del rendimiento a escala semiindustrial
La colaboración se centró en comprobar la precisión de la solución de IA mediante la incorporación progresiva de datos sintéticos de defectos recién generados y en validar su rendimiento a través de pruebas comparativas de referencia.
¿Qué se ha probado?
La tecnología
Detección de anomalías basada en IA mejorada mediante la generación de datos sintéticos (enfoque basado en GAN), aplicada a la obtención de imágenes infrarrojas de alta velocidad para el control automático de calidad en la soldadura láser.
El caso de uso
Validación de una solución de detección de defectos basada en IA mediante el enriquecimiento de conjuntos de datos reales limitados con imágenes realistas generadas sintéticamente, lo que mejora la robustez y la precisión de la detección de defectos de soldadura gracias a conjuntos de datos más completos y representativos para el entrenamiento del modelo (en concreto, ampliando la variedad de casos de defectos).
Configuración del experimento
Se entrenaron redes generativas para que aprendieran la distribución de datos reales de soldadura en infrarrojos y generaran nuevas muestras sintéticas de defectos realistas. El experimento se centró en la inclusión progresiva de datos sintéticos en el proceso de entrenamiento, lo que permitió evaluar de forma sistemática su impacto en el rendimiento del modelo.
El algoritmo original de detección de anomalías y una versión mejorada, reentrenada con conjuntos de datos enriquecidos (datos reales combinados con datos sintéticos generados por IA), se validaron mediante pruebas comparativas utilizando el mismo conjunto de datos de prueba de referencia fijo. Esto garantizó una evaluación objetiva y reproducible de las mejoras en el rendimiento en condiciones controladas antes de su implantación industrial.
El impacto
El experimento dio como resultado:
- Se ha mejorado la precisión en la detección de defectos, aumentando el índice F1 de aproximadamente el 92 % a aproximadamente el 97 % (los clientes esperan que la precisión sea superior al 95 % a la hora de decidir si invierten o no).
- Validación técnica de la mejora del rendimiento mediante un análisis comparativo controlado
- Evitar tener que hacer más pruebas, lo que te ahorra tiempo, dinero y te hace menos dependiente del acceso a las líneas de producción
NIT recibió un conjunto de datos enriquecido, un modelo de IA reentrenado y un informe comparativo en el que se comparan los algoritmos originales y los mejorados.
Conclusiones clave
- La generación de datos sintéticos es una estrategia eficaz para hacer frente a la escasez y al desequilibrio de datos en las aplicaciones industriales de IA.
- Las pruebas comparativas controladas son fundamentales para validar de forma objetiva el rendimiento de las soluciones de IA y como argumento de venta para los posibles clientes.
- Alcanzar niveles de rendimiento casi industriales es clave para atraer a los usuarios finales y reducir el riesgo de adopción.
¿Y ahora qué?
- La mejora del rendimiento que se ha conseguido y validado durante el experimento ha despertado un renovado interés entre los usuarios finales de NIT.
- Las futuras actividades de ensayo podrían explorar enfoques híbridos que combinen la generación de datos sintéticos con la recopilación selectiva de datos experimentales, con el apoyo de las capacidades y la infraestructura que ofrece AIMEN a través de AI‑MATTERS.
- Además, la infraestructura del TEF se podría utilizar para demostrar el rendimiento de la solución en condiciones relevantes para el sector, emulando situaciones concretas de soldadura a distancia de los usuarios finales.
¿Por qué es importante la IA?
AI‑MATTERS permite a las empresas:
- Probar y validar soluciones de IA antes de su implantación industrial
- Accede a datos, conocimientos especializados en dominios y tecnologías, y a una infraestructura de análisis comparativo
- Reduce los riesgos técnicos y operativos antes de invertir
Gracias a la experimentación y la validación colaborativas, las empresas pueden pasar de los prototipos de IA a soluciones técnicamente validadas con mayor confianza.
Preguntas frecuentes
Para este caso de uso se prestaron dos servicios:
El TEF aborda los retos que plantea la escasez de datos mediante un enfoque combinado:
- Generación de datos industriales reales mediante experimentos controlados,
- Creación y ampliación de datos sintéticos, y
- Entrenamiento, validación y reentrenamiento de modelos de IA.
Estas actividades se pueden llevar a cabo a través de flujos de trabajo digitales interoperables con acceso a recursos de HPC (por ejemplo, modelos grandes o complejos), lo que permite a las empresas generar conjuntos de datos representativos y validar modelos de IA en condiciones relevantes para el sector antes de su implementación.
Si quieres más información o un análisis específico de tu caso concreto, no dudes en ponerte en contacto con nosotros para charlar sin compromiso.
Los datos sintéticos no sustituyen a los datos industriales reales, pero pueden complementarlos de forma significativa. En AI-MATTERS, los datos sintéticos se utilizan para enriquecer conjuntos de datos reales limitados, sobre todo en casos poco frecuentes o difíciles de capturar, lo que mejora la solidez de los modelos y reduce la necesidad de costosas campañas experimentales. Los enfoques híbridos que combinan datos sintéticos y datos reales capturados son la estrategia recomendada para limitar la inversión y garantizar al mismo tiempo la representatividad de los conjuntos de datos, y AI-MATTERS te permite utilizar ambos.
El TEF de AI‑MATTERS para el sector manufacturero permite a las empresas probar y validar soluciones de IA sin necesidad de tener acceso continuo a las líneas de producción de los clientes. A través de entornos de pruebas y experimentación adaptados al sector, el TEF te da acceso a infraestructuras físicas y digitales donde puedes validar modelos de IA usando datos reales y sintéticos, experimentos controlados y comparativas. Esto permite a los proveedores de tecnología y a los fabricantes comprobar el rendimiento de la IA en condiciones industriales reales sin interrumpir la producción en curso.
Sobre el autor
Experto en IA en AIMEN
Daniel es ingeniero industrial especializado en investigación y desarrollo de inteligencia artificial, con experiencia en el diseño y la implementación de soluciones de visión artificial y aprendizaje automático para aplicaciones industriales. Ahora mismo trabaja en AIMEN, donde desarrolla sistemas de visión artificial basados en IA para entornos industriales. Antes, ocupó puestos de ingeniería logística en la industria automovilística, centrándose en la optimización de procesos y el análisis de datos.
¿Te gustaría saber cómo pueden ayudar nuestros gestores de proyectos a tu empresa?
Ponte en contacto con nosotros para charlar sin compromiso: https://ai-matters.eu/contact/