Ha llegado la hora de la inteligencia artificial

Con su sistema IDS NXT, IDS ha hecho ya realidad estas dos premisas. Este ecosistema de visión artificial basado en IA combina componentes de hardware y software para reproducir de forma intuitiva el aprendizaje automático y el flujo de trabajo completo de la aplicación. De este modo las soluciones se pueden implementar en menos tiempo y con un menor coste.

Visión basada en IA en la nube

AI Vision Studio IDS lighthouse permite adentrarse en el mundo de la visión artificial basada en IA permitiendo comprobar la idoneidad de los diferentes métodos de IA para las aplicaciones de la empresa e incluso desarrollar apps de visión artificial para que las cámaras IDS NXT puedan resolver tareas complejas. Esto no requiere ninguna formación específica ni tampoco la creación de un entorno de desarrollo, con lo que implementar y poner en marcha un sistema personalizado de visión basada en IA es más fácil que nunca. Para hacerlo posible, toda la programación necesaria se ha traducido en interfaces y herramientas de fácil manejo que cubren todas las fases de desarrollo de una aplicación de visión artificial basada en IA.

Proceso 100 % asistido

Desde el minuto uno un asistente de aplicaciones le va formulando preguntas para ayudarle a identificar las tareas requeridas, elegir los métodos de IA más adecuados y configurar su proyecto de desarrollo de una app de visión artificial. Si desea un mayor nivel de customización, puede configurar secuencias de proceso personalizadas arrastrando y soltando bloques de funciones predefinidos con el editor basado en bloques. De este modo no tiene que lidiar con programación específica de plataforma ni con sintaxis especiales de lenguajes de programación. Esto incrementa la flexibilidad a la hora de describir la aplicación y hace más comprensibles los procesos.

Gestor de datos integrado

En el futuro, AI Vision Studio también ayudará al usuario a generar y preparar los datos de entrenamiento. Un sistema de etiquetado automático permite organizar más rápidamente datos gráficos importados y contenidos específicos con ROIs en conjuntos de datos debidamente etiquetados. De este modo se podrán ampliar los conjuntos de datos con contenidos gráficos para mejorar permanentemente las redes neuronales con un entrenamiento continuo.

Menos datos, más confianza

Garantizar la cantidad suficiente de datos en la proporción adecuada para todas las clases que se desea entrenar suele ser una tarea costosa. Dado que los fallos se pueden presentar de todas las formas posibles, suele haber un desequilibrio entre piezas "buenas" y piezas "malas". Por ello  es importante ofrecer soluciones que puedan trabajar con menos datos de entrenamiento en la fase de preparación. Esto permitirá a los usuarios contar, además de con la clasificación y la detección de objetos, con una detección de anomalías optimizada capaz de identificar también fallos no conocidos, es decir, fallos que no se enmarquen dentro de las desviaciones normales de una pieza "buena". Comparado con el resto de métodos de IA, la cantidad de datos de entrenamiento requerida para ello es relativamente pequeña. En pocas palabras: todo lo que llamaría la atención de una persona que se pasara mucho tiempo observando el aspecto "típico" de un objeto, también puede ser identificado por un sistema de IA con detección de anomalías integrada. La detección de anomalías es, por tanto, otra herramienta de soporte extremadamente útil para los controles de calidad, dado que permite reducir las inspecciones visuales manuales y detectar fallos de producción de manera temprana, evitando así que lleguen a producirse.

Inteligencia artificial comprensible

Para incrementar aún más la facilidad de manejo, un mapa de calor muestra directamente en AI Vision Studio los puntos de atención en los que se concentra la inteligencia artificial. Para ello, durante el entrenamiento se utilizan modelos de redes neuronales especiales que generan una especie de imagen térmica durante la evaluación de los conjuntos de datos de prueba. Esto resalta las áreas de la imagen a las que más atención presta la red neuronal y que, por tanto, más influyen en sus conclusiones y decisiones. Si las imágenes de entrenamiento no son correctas o son poco representativas, puede ocurrir que la IA se fije en características no deseadas. Incluso una etiqueta de producto entrenada por error puede falsear los resultados. La causa de un entrenamiento erróneo de este tipo recibe el nombre de "sesgo de datos".

Comprender cómo toma las decisiones una inteligencia artificial ayuda a vencer los prejuicios existentes al respecto y a aumentar su aceptación en el ámbito industrial.

Perspectiva

IDS optimiza su sistema de IA de manera continua, centrándose especialmente en la rapidez y la facilidad de uso. De esta forma pretende fomentar y extender el uso de la inteligencia artificial en todos los ámbitos, incluidas las PYME. Por lo que respecta al hardware, IDS tiene previsto reforzar su familia de cámaras IDS NXT con una plataforma de hardware más potente, capaz de ejecutar redes neuronales de forma mucho más rápida y posibilitar, de este modo, la integración de sistemas de visión basados en IA incluso en aplicaciones con elevadas velocidades de ciclo. Sin embargo, no hay mejores embajadores de los sistemas de visión artificial basados en IA que las empresas que ya han puesto en marcha con éxito proyectos de este tipo y que pueden dar fe de todos los beneficios que reportan.