La nube y el deep learning, claves para mejorar la eficiencia en la industria automotriz

Zebra señala como esencial la incorporación de nuevas tecnologías y la modernización de las instalaciones de fabricación de automoción especialmente orientadas a vehículos eléctricos para maximizar la eficiencia, la calidad y la mano de obra.

“Sabemos que cuando se trata de desarrollar fábricas nuevas y de adquirir soluciones, las decisiones corporativas suelen tener un enfoque muy local. Sin embargo, existe la posibilidad de que distintas plantas utilicen soluciones diferentes para flujos de trabajo similares, y el riesgo de que la experiencia y los datos no se compartan en todas las plantas, incluso cuando se utilizan soluciones más recientes basadas en IA en las que la calidad de los datos es esencial”, asegura Donato Montanari, General Manager and VP, Machine Vision en Zebra Technologies.

Esta implementación de la IA, deep learning o machine vision debe hacerse de forma correcta para que pueda ser útil para los fabricantes y sus procesos. Por ejemplo, uno de los principales fabricantes de vehículos eléctricos ha eliminado más de 100 pasos de su proceso de fabricación de baterías, 52 piezas de equipo del taller de carrocería y más de 500 piezas del diseño de sus vehículos insignia, lo que se ha traducido en una reducción del 35% en el coste de los materiales para las furgonetas y un ahorro de escala similar para sus otros vehículos.

Un informe de la compañía que analiza la visión artificial de IA en el sector señala que casi el 20% de directivos de empresas de automoción en Alemania y el Reino Unido aseguran que la IA aplicada en sus proyectos de visión artificial podría funcionar mejor o hacer más. Añaden además que para que las organizaciones sigan siendo competitivas y eficientes, es necesario comprender y abordar los obstáculos a la adopción de la IA. 

Datos cruzados entre plantas

La IA, en particular el deep learning, se nutre de datos: el volumen, la variedad y la velocidad de los datos de buena calidad son fundamentales para entrenar y probar estos modelos de aprendizaje, de modo que ofrezcan los resultados esperados cuando se implementen en la vida real.

Una red neuronal de deep learning debe estar expuesta a tanta variación como sea posible, incluyendo diferentes horas y días de producción, por lo que se necesita entrenar un modelo robusto que permita combinar las capturas de datos durante diferentes periodos de tiempo. Asimismo, se han de tener en cuenta las variaciones en los procesos industriales, que están sujetos a diversos factores ambientales, materiales con ligeras alteraciones en las condiciones de producción, y a las variaciones que puede tener cada planta de fabricación en nitidez, luz ambiental y otros factores. Por tanto, es fundamental garantizar que las anotaciones sean precisas e inequívocas, incluso en los centros de producción que fabrican los mismos artículos, pero para ello es necesario que los equipos puedan colaborar en los proyectos de anotación.

Marcar distintos tipos de defectos en distintas imágenes y dejar algunos sin marcar es un error común en los proyectos reales. Y lo que cuenta como defecto también puede ser subjetivo, por lo que es importante la validación cruzada. Todos los defectos, independientemente de su tipo, deben marcarse claramente en todas las imágenes pertinentes. Una vez más, si no se adopta un enfoque unificado y se aprovecha la nube, persiste el problema de la anotación de datos entre centros y países.

Uso de la nube

El uso de la nube supone un gran avance para que la industria manufacturera pueda aprovechar la visión artificial y el deep learning. Una plataforma de visión artificial basada en la nube permitiría a los equipos cargar, etiquetar y anotar datos de forma segura desde múltiples ubicaciones de fabricación en cualquier lugar, país y región, así como trabajar juntos en tiempo real, compartiendo sus experiencias, proporcionando datos de entrenamiento y prueba más completos para probar modelos de deep learning en nube, que ofrezcan niveles de análisis y precisión superiores a los de la visión artificial convencional. Estos resultados son los que buscan los fabricantes de los sectores de la automoción, las baterías eléctricas, los semiconductores, la electrónica y el embalaje.

Además, una solución basada en la nube también ofrece escalabilidad y accesibilidad de la potencia informática, ya que todos los usuarios pueden acceder a la misma potencia de cálculo desde sus portátiles. Un modelo de software como servicio ofrecería a los equipos de visión artificial la flexibilidad y facilidad de invertir en una plataforma basada en la nube con una suscripción mientras el socio tecnológico añade sin problemas nuevas funciones, modelos y actualizaciones de forma que permitan el despliegue de modelos en PC y dispositivos para apoyar flujos de trabajo flexibles y digitalizados en la línea de producción desde cualquier sitio.

Este aumento en la adopción de la IA que se está viendo en Europa subraya la intención de los fabricantes de mejorar la gestión de datos y aprovechar las nuevas tecnologías que mejoran la visibilidad y la calidad en todo el proceso de fabricación. Uno de los problemas actuales más significativos de la gestión de la calidad es la integración de los datos. Con los objetivos de IA y datos y las nuevas plantas de automoción previstas para Europa, se refuerza la necesidad de analizar el potencial de la nube para aprovechar los datos y ampliar los beneficios de la visión artificial de deep learning.