COVID-19

Quiero saber más sobre cómo preparar a mi empresa para seguir operando. Busco habilitar mi operación remota y garantizar mayor seguridad a quienes aún deben asistir a planta. Para mayor información ponte en contacto con Abril Sherman (abril@gestalabs.com) o déjanos tus datos en este enlace y en breve nos comunicaremos contigo.

Así es como deep learning innova en los sistemas de visión artificial

Deep learning está aportando nuevas capacidades a los sistemas de visión artificial, lo que le da nuevos niveles de autonomía y decisión en las operaciones.

Por Rafael R. Páez Yrigoyen

Cuando platico con directivos de empresas industriales sobre los casos de uso que pueden desarrollar con Computer Vision, encuentro cierta confusión respecto a las capacidades que añade esta tecnología emergente respecto a los sistemas de visión artificial que durante años o décadas han estado presentes en las plantas de manufactura. Por esa razón me daré a la tarea de especificar en qué es distinto el deep learning, la rama de la inteligencia artificial que lo hace posible.

¿Qué es deep learning y los sistemas de visión artificial?

Hay que reconocer que los sistemas de visión artificial no son nuevos. Es una de las tecnologías que mayor uso le han dado en las fábricas para proporcionar una inspección automática basada en imágenes. Este sistema utiliza tecnología de computación visual —un conjunto de cámaras y sensores que envían imágenes a una computadora para que un software tome una decisión— para inspeccionar ciertas actividades que se desarrollan en la línea de producción.

Un sistema de visión artificial tiene la capacidad de evaluar detalles de objetos demasiado pequeños para el ojo humano e inspeccionarlos con mayor confiabilidad y menos errores. Y lo hacen a una velocidad de cientos o miles de piezas por minuto.

¿Son eficientes? Hasta cierto punto sí. Funcionan de manera confiable cuando se trata de piezas consistentes y cuando los defectos son homogéneos o similares. Su sistema está basado en pasos y algoritmos con reglas acotadas y, cierto, son más rentables que la inspección humana a escala. Se pueden ejecutar a velocidades muy rápidas y con gran precisión.

¿Por qué es novedosa esta rama de la IA?

Suena muy bien, pero, entonces ¿por qué incorporar deep learning? Piensa en un proceso de estampado de alguna pieza automotriz que puede presentar distintos tipos de defectos, desde grietas, manchas o rayones en diferentes formas y ubicaciones de la lámina. Ningún sistema de visión artificial tradicional será capaz de hacer una adecuada inspección debido a que no tiene la capacidad inteligente de adaptarse y aprender. Sencillamente, no está en su lógica de programación el desarrollar un proceso de aprendizaje para identificar variaciones.

A diferencia de un sistema de visión tradicional, el aprendizaje profundo utiliza un enfoque basado en ejemplos, en lugar de reglas, para resolver problemas más complejos. Estos sistemas se entrenan con miles de imágenes para enseñarles cuando hay alguna anomalía; entre más información tienen, adquieren mayor conocimiento y capacidad de aprendizaje. Entre más conocimiento gana, más preciso se vuelve.

El aprendizaje profundo combina la velocidad y confiabilidad de la visión artificial tradicional, con la capacidad similar a la que hemos desarrollado los humanos para identificar diferencias complejas. De hecho, sus algoritmos son llamadas redes neuronales precisamente porque simulan nuestro proceso cerebral.

Los casos de uso más sonados

Por esta razón se están destapando casos de uso tan inusuales que antes era impensable automatizar muchos de los procesos de inspección. Hace poco, el gerente operativo de una empresa metalmecánica me platicó un caso de uso de inspección de calidad que no habían podido automatizar con ningún sistema de visión tradicional “Es una inspección tridimensional de una pieza y el marcaje de un barreno que hoy en día se hace de forma manual”, me dijo. Complejo, cierto, pero realizable. Esta es la capacidad que nos suma esta rama de la inteigencia artificial.

Con deep learning hay, si acaso, unos cuantos casos de uso que llegan a ser imposibles de concretar, pero es cuestión de tiempo para que no encuentre límites. 

¿Qué necesitamos para hacerlo? Abordaré esa parte en el siguiente artículo.

*El autor es cofundador de Gesta Ventures y director ejecutivo de Gesta Labs / VAISOR 

Este artículo se publicó originalmente en el sitio web de Forbes México