Uno de los muchos casos de uso de Vision Artificial (Computer Vision) es la verificación en tiempo real del trabajo realizado por los equipos de campo cuando trabajan en infraestructuras. Esto permite automatizar una tarea que se ejecuta manualmente, reduciendo considerablemente los costes de control de calidad. Sin embargo, una vez más, los datos sobre el terreno son esenciales para mostrar a los algoritmos de IA cómo realizar este trabajo de verificación mediante el aprendizaje supervisado. En el primer artículo de nuestra serie "Despliegue un proyecto de Computer Vision y genere valor en 90 días", vimos cómo crear datasets de fotos representativas del trabajo de campo. En este segundo artículo, descubra cómo crear su propia IA a medida para controlar la calidad del trabajo de campo.
Utilizar la IA para validar el contexto de las fotos del dataset
En el artículo anterior explicábamos que comprobar la calidad de las fotos del terreno era esencial para entrenar los algoritmos de Visión Artificial. Pero es necesario garantizar asimismo su contexto. La validación del contexto es un punto de control que consiste en asegurarse de que cada foto muestra el elemento esperado (un ambiente, un equipo, una etiqueta, etc.) y que la foto está correctamente encuadrada. Se calcula que es necesario un volumen de al menos 100 fotos con ejemplos conformes (OK) para poder iniciar la formación en este punto de control.
Recapitulemos: en 30 días se configura la aplicación móvil y se comunica a los equipos de campo las normas para documentar las operaciones. A esto le sigue otra fase de 30 días durante la cual estos equipos se familiarizan con la aplicación y empiezan a crear datasets de calidad. De esta manera, en sólo 60 días, el personal que trabaja sobre el terreno es capaz de documentar correctamente sus operaciones.
Definir el alcance del proceso de control de calidad basado en la IA
Recuerde, las empresas necesitan definir el perímetro de su proyecto de Visión Artificial. En el caso del control de calidad del trabajo de campo, esto implica pensar en las fotos necesarias y en los puntos de control. Esto implica plantearse algunas preguntas clave:
-¿Cuáles son los problemas de calidad que se presentan en el terreno?
-¿Cuántas fotos debe hacer el personal de campo?
-¿Cuáles son los ángulos fotográficos que les permiten visualizar y comprobar su trabajo?
-¿Qué acciones deben comprobarse para cumplir las obligaciones legales o contractuales con los clientes?
-¿Qué acciones son visibles a simple vista y, por lo tanto, pueden comprobarse mediante Computer Vision?
La cantidad de fotos que hay que pedir al personal de campo depende de la complejidad y la duración de la intervención. Definir el número correcto de fotos obligatorias es todo un reto. En efecto, los agentes de campo no deben pasar más tiempo redactando un informe de operación que haciendo su trabajo. Recomendamos que no se soliciten más de 10 fotos en operaciones que duren una hora y limitar la cantidad de puntos de control a 5. Por supuesto, estos parámetros, como muchos otros, pueden adaptarse durante la implementación, basándose en las primeras observaciones que surjan en la práctica.
Existen varios tipos de puntos de control que la IA puede verificar y que permiten evaluar la calidad del trabajo realizado por el personal de campo. He aquí una lista no exhaustiva:
-Posicionamiento de equipos o componentes
-Presencia de protección en un componente
-La presencia de un dispositivo de seguridad en un equipo
-Validación de una prueba de seguridad
-Presencia y lectura de una etiqueta con una referencia o un número de serie
-Validación de la concordancia del contenido de una etiqueta
-Detección y validación de la conexión de un cable en relación con los datos de inventario
Entrenar los algoritmos para comprobar automáticamente la conformidad del trabajo realizado
Para validar automáticamente la conformidad del trabajo de los empleados de campo es necesario entrenar los algoritmos. Para analizar un punto de control, la IA debe haberle visto previamente en distintas situaciones. Por ello, el equipo del proyecto debe recopilar ejemplos en los que el punto de control sea conforme (OK) y no conforme (KO) para este entrenamiento. Esta recopilación se realiza a través de la aplicación móvil Deepomatic conforme avanzan las operaciones. Se calcula que se necesitan un par de miles de fotos para iniciar la formación.
Si no se han recopilado suficientes fotos para un punto de control determinado, Deepomatic recomienda separarlo del resto de los puntos de control. De este modo, podrá simplemente continuar la fase de recopilación para este caso específico sin que ello afecte al entrenamiento de los algoritmos con datasets completos. Por lo tanto, el plan de despliegue se adaptará a la ejecución progresiva de los puntos de control. No olvides que un proyecto de Visión Artificial no se implementa de golpe y que las iteraciones son habituales.
En conclusión, los elementos que componen la foto son tan importantes como la calidad de ésta para la formación de la IA. Elaborar una matriz de los puntos de control que deben aplicarse permite concretizar las expectativas de los empleados que trabajan en el terreno. Los equipos del proyecto podrán repetir estos puntos de control en función de las primeras reacciones.
En el próximo artículo, veremos las herramientas y los indicadores que permitirán a los equipos de proyecto medir los primeros resultados del uso de Computer Vision para controlar la calidad de las operaciones de terreno.
