Como con cualquier proyecto de TI, le habrán hablado del valor que obtendrá de la implantación de soluciones digitales. Los proyectos de Computer Vision no son una excepción. Sin embargo, a veces las empresas tardan en darse cuenta de dicho valor a causa de los inconvenientes ligados la implantación. Estos pueden incluir problemas para integrar la solución en un entorno tecnológico más amplio, falta de formación de los equipos, subestimación del apoyo al cambio y recursos insuficientes.
Basándose en las lecciones aprendidas de numerosos proyectos desplegados en los últimos años, Deepomatic ofrece consejos para generar datos e información esenciales para sus operaciones de campo y maximizar el valor de su proyecto de Computer Vision. Desde la creación de los conjuntos de datos de imágenes para entrenar algoritmos hasta el control de calidad, el despliegue en el campo y la gestión de cambios, esta serie de artículos describe los pasos a seguir para ver resultados concretos rápidamente en sus índices de rendimiento.
En terminos de Computer Vision, como en cualquier tecnología que utilice el Machine Learning, los datos que impulsan los algoritmos son el núcleo de la construcción de modelos. Esta fase fundamental de creación de conjuntos de datos fotográficos requiere ciertos requisitos previos para garantizar que los modelos se aproximen lo más posible a la realidad en el terreno y, por tanto, garanticen un retorno de la inversión más rápido.
Definir el alcance de los conjuntos de datos
Ante todo, las fotos utilizadas para entrenar los algoritmos deben cubrir una variedad de situaciones y entornos encontrados por los equipos de campo. Por lo tanto, es necesario que los equipos de proyecto definan :
- Qué elementos de la infraestructura se ven afectados por el control de calidad automatizado.
- Los diferentes modelos de equipos, ya que los modelos pueden variar dentro de una misma red.
- Las fotos que deben solicitarse al personal que trabaja en el terreno. Cada una enfocada en una etapa del trabajo del empleado (job step).
- Los puntos de control: las normas y acciones que deben comprobarse en las fotos. También es necesario definir los casos en los que cada punto de control se valida (OK) y los casos en los que se invalida (KO).
- Los entornos de trabajo, teniendo en cuenta las distintas condiciones de iluminación, tanto en interiores como en exteriores.
Es posible utilizar conjuntos de datos preexistentes, pero su calidad no suele estar garantizada. De hecho, si no ha definido sus normas y formado a su personal de campo para que tome fotos de acuerdo con estas normas, es probable que un gran número de ellas no sean utilizables. Es más, no se ajustarán a las nuevas normas establecidas al poner en marcha el proyecto con Deepomatic. Por lo tanto, recomendamos recopilar datos sobre el terreno para construir sus conjuntos de datos, ya que el Machine Learning requiere datos cualitativos. Asimismo, esto permite que el técnico se acostumbre a tomar las fotografías correctamente.
Entrenar a los equipos de campo para sacar fotos útiles y utilizables
El personal de campo juega un papel crucial en la creación de conjuntos de datos, ya que sus fotos servirán de base para entrenar a los algoritmos. Por lo tanto, es fundamental enseñarles a tomar fotos bien hechas y utilizables. Se pueden utilizar varios métodos, como proporcionar un ejemplo de lo que se considera una buena foto en su aplicación móvil, junto con una descripción del gesto esperado. Esta fase de recopilación de datos también acostumbra a los equipos sobre el terreno a emplear la IA y a documentar correctamente las operaciones. Les da a conocer los elementos y gestos que la empresa quiere ser capaz de comprobar en su proceso de control de calidad.
Nuestra experiencia en Deepomatic nos ha demostrado que imponer una herramienta de automatización a los empleados sobre el terreno no basta para involucrarlos. Es por ello que los responsables de operaciones deben transmitir los objetivos de utilizar una nueva herramienta.
Una vez que se ha configurado la aplicación móvil Deepomatic, que se ha definido el marco del proyecto y que se han comunicado las pautas de toma de fotografías a los equipos de campo, el sistema se implementa en el terreno. En tan solo 30 días, es posible lanzar el sistema Go Live para la primera fase de su proyecto de Computer Vision.
Control de calidad automático de conjuntos de datos de fotos en campo
Comprobar la concordancia de los datos, es decir, la calidad de las fotos, es fundamental para evitar que el sistema se alimente de datos erróneos. Por lo tanto, es necesario establecer controles que garanticen la legibilidad y la concordancia de las fotos:
- Detección de fotos borrosas
- Validación de la resolución y el formato de las fotos (horizontal o vertical)
- Verificación de los niveles de brillo y contraste
Además, la solución comprueba que, para una misma operación, las fotos tomadas del equipo antes y después de la operación sean diferentes. De este modo, los modelos utilizados permiten comprobar el trabajo realizado por el técnico de campo.
El control de calidad de las fotografías no requiere entrenar los modelos, por lo que se puede implantar de inmediato.
Repetir el perímetro establecido inicialmente para garantizar la representación del campo.
Consideramos que esta etapa, durante la cual la solución se pone a disposición de los técnicos, debe considerarse una oportunidad para cuestionar y validar el alcance del proyecto. Los principios y normas establecidos en la oficina pueden estar a veces muy lejos de la realidad in situ. Por ejemplo, la fase de recopilación de datos puede revelar que :
- La ausencia de ciertas condiciones de trabajo sobre el terreno
- Iluminación escasa en ciertos lugares o a ciertas horas del día, lo que hace imposible tomar una buena foto
- Mala cobertura de red
- Fotos repetitivas, que aportan información ya disponible en otras fotos
- Encuadre de fotografías que dificulta la visualización de la información a simple vista.
Los componentes de la plataforma Deepomatic recopilan fotos sobre el terreno y ofrecen visibilidad sobre la calidad de las fotos y la adopción de la solución por los equipos de campo. Así, los gestores de proyecto pueden ajustar las condiciones que rigen esta fase de recopilación de datos de campo y maximizar la eficiencia de los algoritmos.
Como puede ver, se trata de un proceso repetitivo que permite a los equipos de proyecto adaptarse continuamente a la realidad del terreno.
En nuestro próximo artículo, descubra cómo entrenar los algoritmos y construir su propia IA personalizada de forma progresiva para automatizar el control de calidad del trabajo de los equipos de campo.
