Caso de uso: Solución de Visión Artificial adaptable sin necesidad de programar

Muchas empresas de fabricación se enfrentan a dificultades para adoptar la inteligencia artificial (IA), principalmente debido a la complejidad en la selección de hardware. Para abordar este problema, las empresas alemanas Kontron y Robotron han unido fuerzas, integrando dos de sus soluciones en una estación de trabajo de IA diseñada para facilitar y acelerar la implementación de visión artificial.

Esta estación de trabajo multipropósito permite entrenar, ejecutar e inferir algoritmos para una amplia variedad de modelos y frameworks. Gracias a su enfoque estandarizado, abarca hasta el 90% de los escenarios de implementación, permitiendo a ingenieros resolver problemas para la aplicación de visión artificial en tiempo real sin necesidad de programar.

···

Integración de la Visión Artificial en producción

Las aplicaciones de Inteligencia Artificial en la industria están en auge, especialmente en áreas como el control de calidad o el mantenimiento predictivo. Estas aplicaciones abarcan diversos enfoques, algunos centrados en el procesamiento de imágenes y otros basados en métodos con reglas específicas. La variedad es amplia, lo que hace crucial seleccionar el método más adecuado para cada caso.

Para implementar escenarios de Visión Artificial, es esencial contar con conjuntos de datos (datasets) de imágenes y un amplio registro de información asociada. Las imágenes deben estar etiquetadas con precisión para que el algoritmo pueda identificar, por ejemplo, cómo luce un componente en buen estado o con defectos. Posteriormente, el algoritmo se entrena utilizando esta información.

Interfaz de la solución de software para visión artificial de Robotron

Uno de los obstáculos más comunes para muchos usuarios es la falta de conocimientos sobre inteligencia artificial. Frecuentemente, se requieren numerosas explicaciones, y la adopción de nuevas tecnologías resulta desafiante, especialmente en entornos de producción que dependen de soluciones de inventario pre-establecidas. Por esta razón, los proyectos de IA suelen desarrollarse fuera del ámbito de producción real, en los llamados centros de innovación. No obstante, estos centros suelen carecer de aportaciones prácticas y, lo más importante, de una integración directa con los procesos existentes.

···

Enfoques prácticos para el uso diario

Los expertos creen firmemente que no basta con contar con una plataforma de ciencia de datos «atractiva»; también es crucial comunicarse en el lenguaje de los responsables de fabricación y los ingenieros de producción. Adoptar un enfoque interdisciplinario es esencial para llevar productos de IA al mercado de manera efectiva. Por ello, se han de ofrecer soluciones innovadoras y también herramientas que puedan aplicarse de forma productiva en el día a día.

Por este motivo se apuesta por el método de aprendizaje de Inteligencia Artificial por refuerzo para optimizar las soluciones. «La estrategia de entrenar y reentrenar redes neuronales ofrece múltiples ventajas. Esto resulta especialmente útil cuando se necesita enseñar rápidamente a una red neuronal a identificar nuevos tipos de defectos o reconocer diferentes colores en un producto o pieza. En la práctica, esta capacidad es clave para adaptar las soluciones de IA a contextos cambiantes», explica la Dra. Deepa Kasinathan, Product Owner y Responsable del grupo de Visión por Computadora en Tiempo Real de Robotron.

Interfaz de la herramienta central de administración de RCV y sus funcionalidades

El conocimiento experto es fundamental para garantizar el éxito de los proyectos de IA. «Dado que es casi imposible determinar de antemano qué red neuronal es la más adecuada, los especialistas deben recurrir a un enfoque de prueba y error, además de integrar los diversos sistemas relacionados», añade Kasinathan.

Para abordar estos desafíos, el diseño de la plataforma de visión artificial en tiempo real incorpora de forma intrínseca soluciones a los problemas más comunes en la práctica. Sus interfaces de diseño abierto permiten trabajar no solo con un único framework o red neuronal, sino también con una amplia variedad de alternativas, brindando flexibilidad y adaptabilidad a las necesidades específicas de cada entorno.