Pourquoi avons-nous besoin de l’intelligence artificielle ?
Les systèmes de traitement d’image traditionnels utilisent des algorithmes basés sur des règles qui offrent une grande fiabilité pour les tâches répétitives. En raison du déroulement toujours identique des étapes du processus, seuls de faibles écarts sont tolérés. Dès que la variance des images augmente, par exemple en raison de variations naturelles de l’objet, telles que les nuances de couleur, les formes ou les conditions ambiantes changeantes telles que les conditions d’éclairage, l’application devient de plus en plus complexe et peut par conséquent devenir non économique. Dans le cas contraire, la variance a un impact direct sur la précision ou les performances de l’algorithme. Cela entraîne des erreurs de décision du système de traitement d’image basé sur des règles, telles que des pièces correctes rejetées (également appelées pseudo-rejets) ou des pièces défectueuses non détectées (également appelées glissements). Le traitement d’image industriel a toujours pour objectif de les minimiser.
Les technologies d’IA élargissent les possibilités d’utilisation de la vision industrielle en tolérant les variations dans les données d’image, ce qui permet, par exemple, d’identifier de manière fiable les erreurs irrégulières. Ils augmentent la rentabilité grâce à des taux de détection plus robustes avec une grande variance et réduisent les obstacles à l’entrée dans la vision industrielle, car il n’est plus nécessaire d’avoir une connaissance approfondie des algorithmes.
L’intelligence artificielle est le terme générique qui désigne les technologies qui permettent aux machines de résoudre différentes tâches de manière autonome, souvent inspirées par la pensée et l’apprentissage humains. L’apprentissage automatique (également appelé « Machine Learning ») est un sous-domaine de l’IA dans lequel les algorithmes ne sont pas programmés de manière rigide, mais apprennent des modèles et des relations à partir de données d’exemple. Au lieu de définir chaque règle manuellement, le système « apprend » lui-même comment traduire les entrées en sorties. Le Deep Learning est une forme spécialisée d’apprentissage automatique basée sur des réseaux neuronaux artificiels avec de nombreuses couches de traitement (« deep » = profond). Cette architecture permet d’identifier des modèles très complexes et de fournir des résultats précis, même dans des conditions variables.
Deep Learning
Machine Learning
Intelligence artificielle
Quels sont les avantages de l’utilisation de l’IA dans le contrôle qualité ?
Malgré le traitement d’image basé sur des règles, le contrôle qualité dans les processus est souvent encore effectué manuellement par l’homme, car la grande variété d’erreurs est souvent difficile, voire indétectable. Dans ce cas, l’utilisation de systèmes de traitement d’image assistés par l’IA est judicieuse.
| Problèmes liés au contrôle manuel | Solution grâce aux avantages du traitement d’image basé sur l’IA |
|---|---|
| Évaluation incohérente de la qualité | Évaluation cohérente et répétable basée sur de grands ensembles de données |
| Plage d’attention limitée | Utilisation 24 h/24 et 7 j/7 sans fatigue |
| Documentation complexe des décisions | Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité |
| Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée | Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite |
|
Problèmes liés au contrôle manuel
|
|||
|---|---|---|---|
|
Évaluation incohérente de la qualité
|
Plage d’attention limitée
|
Documentation complexe des décisions
|
Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée
|
|
Solution grâce aux avantages du traitement d’image basé sur l’IA
|
|||
|
Évaluation cohérente et répétable basée sur de grands ensembles de données
|
Utilisation 24 h/24 et 7 j/7 sans fatigue
|
Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité
|
Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite
|
L’IA remplace-t-elle le traitement d’image basé sur des règles ?
L’IA étend les possibilités du traitement d’image industriel, mais ne remplace que très rarement complètement les solutions basées sur des règles éprouvées. La combinaison du traitement d’image basé sur des règles et sur l’IA étend la polyvalence de la vision industrielle. L’IA permet de réaliser des tâches d’inspection qui seraient trop fastidieuses ou peu rentables avec une évaluation basée sur des règles.
Quand les systèmes d’imagerie basés sur des règles et quand les systèmes IA sont-ils utilisés ?
L’approche basée sur des règles des systèmes de traitement d’image traditionnels reste une solution éprouvée pour les tâches d’inspection par vision. Les technologies d’IA élargissent les domaines d’application du traitement d’image industriel. Malgré différents algorithmes, les capacités des deux technologies se chevauchent de nombreuses fois.
Généralement, une combinaison d’outils basés sur des règles et sur l’IA est utilisée. Par exemple : La localisation basée sur des règles avec suivi des pièces et découpe de l’objet à inspecter est combinée à la classification des défauts basée sur l’IA. Pour finir, le défaut est mesuré sur la base de règles.
Applications types
Traitement d’image basé sur des règles
| Mesure, tâches de mesure |
| Lecture de code |
| Alignement et positionnement précis (également Robot Vision, Robot Guidance) |
Combinaisons et chevauchements
| Inspection, détection des défauts |
| Identification (lecture de code, OCR/reconnaissance de caractères) |
| Localisation d’objets et de caractéristiques (également Robot Vision, Robot Guidance) |
Traitement d’image basé sur l’IA
| Détection d’objet très variables ou de défauts |
| OCR difficile (par ex. mauvaise qualité d’impression, arrière-plans variables) |
| Localisation d’objets à forte variance |
| Classification (par ex. des matériaux ou des textures) |
Quelles technologies d’IA sont utilisées dans le traitement d’images ?
Classification
La classification affecte une image à une ou plusieurs classes prédéfinies. On fait la distinction entre Multi-Class et Multi-Label.
Multi-Class : une classe par image, par ex. « vis »
ou classification des défauts avec des classes mutuellement exclusives : « OK » (sans défaut) ou « NOK » (défectueux). Une classification simultanée dans les deux classes est exclue.
Multi-Label : plusieurs classes possibles par image, par ex. « vis », « clou »
ou classification des défauts avec des étiquettes indépendantes : « bosse » et « rayure ». Un objet peut présenter une bosse, une rayure, les deux ou aucun des deux, car ces classes ne s’excluent pas mutuellement.
Détection d’objet
La détection d’objet localise et classe plusieurs objets dans l’image à l’aide de cadres de délimitation appelés boîtes de délimitation. Pour chaque objet trouvé, il indique à quelle classe il appartient et où il se trouve exactement dans l’image. Il convient de faire la distinction entre la détection d’objet « parallèles à l’axe » (comme illustré) et la détection d’objet « orientés ». Lors de la détection d’objet orientés, les boîtes englobantes sont alignées sur l’objet et décrivent la plus petite boîte englobante possible.
Segmentation
Attribue une classe à chaque pixel de l’image pour délimiter précisément les objets (par ex. clou, vis, arrière-plan) ou les défauts (par ex. défauts de peinture).
Remarque : Outre les modèles d’IA courants, il existe de plus en plus de modèles d’IA entraînés à un cas d’utilisation spécifique, par ex. Deep OCR. La reconnaissance optique des caractères par Deep OCR utilise des réseaux neuronaux entraînés sur de grandes quantités d’images de texte pour extraire des lettres et des chiffres. Contrairement à l’OCR classique, il permet de reconnaître avec précision du texte dynamique, avec des tailles de police variables et des arrière-plans différents, même avec des marquages et étiquettes spécifiques ou détériorés.
Qu’est-ce qu’un modèle d’IA ?
Les modèles d’IA sont des modèles informatisés inspirés par le cerveau humain. Ils sont composés de neurones artificiels qui traitent des informations et sont reliés entre eux par des poids. Un poids est une valeur numérique qui détermine l’influence d’un signal d’entrée sur le neurone.
La construction d’un modèle d’IA se fait en couches, appelées « Layers » : L’« Input Layer » reçoit les données brutes (par ex. des images). Dans les « Hidden Layers », les caractéristiques sont automatiquement détectées et la « Output Layer » prend une décision en fonction de ces informations.
Lors de l’entraînement, le modèle d’IA compare ses prédictions à la vérité fondamentale et ajuste progressivement les poids. Ce processus d’apprentissage se répète à travers de nombreux exemples jusqu’à ce que le modèle d’IA détecte les modèles de manière fiable.
La construction d’un modèle d’IA se fait en couches, appelées « Layers » : L’« Input Layer » reçoit les données brutes (par ex. des images). Dans les « Hidden Layers », les caractéristiques sont automatiquement détectées et la « Output Layer » prend une décision en fonction de ces informations.
Lors de l’entraînement, le modèle d’IA compare ses prédictions à la vérité fondamentale et ajuste progressivement les poids. Ce processus d’apprentissage se répète à travers de nombreux exemples jusqu’à ce que le modèle d’IA détecte les modèles de manière fiable.
Modèle d’IA ou réseau neuronal : quelle est la différence ?
Tous les modèles d’IA ne sont pas des réseaux neuronaux. Le terme « modèle d’IA » est un terme générique pour de nombreux types d’algorithmes, y compris les arbres de décision, les modèles statistiques et les réseaux neuronaux. Ces derniers sont une forme de modèles d’IA particulièrement adaptés à des tâches complexes telles que la reconnaissance d’images ou le traitement de la parole. Cependant, les termes « réseau neuronal » et « modèle d’IA » sont souvent utilisés de manière synonyme.
Tous les modèles d’IA ne sont pas des réseaux neuronaux. Le terme « modèle d’IA » est un terme générique pour de nombreux types d’algorithmes, y compris les arbres de décision, les modèles statistiques et les réseaux neuronaux. Ces derniers sont une forme de modèles d’IA particulièrement adaptés à des tâches complexes telles que la reconnaissance d’images ou le traitement de la parole. Cependant, les termes « réseau neuronal » et « modèle d’IA » sont souvent utilisés de manière synonyme.
Input Layer
Hidden Layers
Output Layer
ONNX – le format d’échange universel
Le logiciel de traitement d’image uniVision 3 permet une intégration transparente des réseaux ONNX. GitHub vous permet également de quantifier votre réseau ONNX pour une utilisation sur le matériel wenglor.
wenglor AI Loop – comment fonctionne l’IA dans le traitement d’image industriel
Il est rare qu’un ensemble de données représentatif et complet d’une application soit disponible au début. Des modèles d’IA de haute précision et fiables sont créés grâce à l’extension continue des données et à la validation des réseaux une fois créés. Une approche centrée sur les données et les processus permet d’optimiser systématiquement et de maintenir la précision d’un modèle d’IA tout au long du cycle de vie d’un équipement d’inspection. Les données existantes sont à nouveau contrôlées ou de nouvelles données sont enregistrées et annotées.
Capture et téléchargement d’images
Annotation
Apprentissage et validation
Déploiement
La première étape, qui est essentielle pour l’approche centrée sur les données, consiste à capturer des images qui représentent l’application de la manière la plus représentative possible. Par la suite, de nouvelles images seront ajoutées en permanence.
Qu’est-ce qui est important lors de la création d’enregistrements appropriés ?
50 à 100 images réelles par classe peuvent suffire pour obtenir les premiers résultats pratiques. Les données doivent être bien sélectionnées, variées et cohérentes. De nombreuses données d’image ne signifient pas automatiquement de meilleurs modèles. L’objectif est d’obtenir, avec peu d’images mais de haute qualité, toute la dispersion naturelle des lots, des couleurs, des influences lumineuses, etc. pour créer une solution robuste et généralisable.
Exemple : Si une usine capture uniquement des images de cartes défectueuses à partir d’une machine dans des conditions d’éclairage spécifiques, le modèle d’IA pourrait apprendre à associer les défauts aux conditions particulières d’arrière-plan ou de luminosité de cette machine plutôt qu’aux caractéristiques réelles des défauts. Cette distorsion pourrait entraîner une classification incorrecte des défauts provenant d’autres machines ou dans d’autres conditions d’éclairage. En intégrant de multiples images provenant de différentes machines, conditions d’éclairage et angles de vue, le modèle d’IA apprend les caractéristiques réelles des défauts, garantissant ainsi une détection fiable dans tous les scénarios de production.
Une stratégie d’éclairage ciblée réduit la variance de l’image, augmente la précision du modèle et réduit le besoin d’images d’entraînement. Par exemple, il est possible d’obtenir la même précision avec seulement un quart de la quantité d’image en améliorant considérablement la qualité de l’image en choisissant le bon principe d’éclairage, la bonne couleur de lumière (longueur d’onde), un éclairage homogène et des filtres optiques.
Comme pour les systèmes de traitement d’image basés sur des règles, de mauvaises images entraînent une nette diminution de la précision du modèle’d’IA. Veillez à ce que les images soient nettes avec une profondeur de champ, un contraste et une cohérence suffisants dans la configuration (caméra, éclairage, optique).
Une résolution plus élevée montre plus de détails, mais nécessite plus de temps d’apprentissage et plus de ressources. Les images des jeux de données sont souvent réduites pour l’entraînement, par exemple à 320 × 320 pixels (image d’entrée de l’IA).
Important : La caractéristique décisive doit rester clairement identifiable, même dans cette résolution réduite. Ce qui est visible à l’œil nu peut généralement également être détecté par le modèle d’IA.
Les images doivent être réelles et, si possible, prises dans des conditions proches de la production. Prévoyez des variations naturelles, telles que des changements d’arrière-plan, des conditions d’éclairage légèrement différentes, de la poussière, du bruit ou de légers écarts de position pour rendre l’ensemble de données plus robuste. Cependant, un usinage intensif ou des pièces défectueuses fabriquées artificiellement peuvent entraîner des modèles d’apprentissage irréalistes. Il est également important d’éviter les erreurs systématiques, comme le fait que chaque pièce correcte ait un marquage, mais pas les pièces défectueuses. Veillez à ce que la configuration de la caméra, de l’éclairage et de l’optique soit identique.
Lors de l’apprentissage, utilisez uniquement la zone de l’image dans laquelle se trouve l’objet concerné ou l’emplacement du défaut. Cela évite que le modèle d’IA apprenne involontairement en arrière-plan ou que des détails importants soient sous-représentés de manière proportionnée. Le cropping permet d’obtenir des détails plus pertinents à faible résolution et de gagner du temps d’entraînement.
Une représentation pondérée de manière égale de toutes les classes (par ex. pièce bonne, pièce mauvaise) est recommandée. Un déséquilibre, par ex. 99 % OK et 1 % NOK, produit des modèles d’IA déformés qui passent souvent inaperçus dans l’application. Une base de données équilibrée empêche le biais de sélection du modèle d’IA et améliore les performances de détection, même sur des images d’erreur rares.
Augmentation désigne la création artificielle de variantes par exemple par rotation, grossissement (zoom), distorsion, bruit ou modification de la luminosité. Cela permet d’étendre les ensembles de données existants et de préparer le modèle d’IA à des dispersions réelles, ce qui est particulièrement important pour les petits ensembles de données afin d’obtenir rapidement des précisions plus élevées.
Important : L’augmentation doit rester réaliste et proche de l’application, car l’utilisation a une grande influence sur la précision équilibrée du modèle d’IA. Par exemple, une rotation peut être un cas d’erreur et ne convient donc pas à toutes les applications.
Important : L’augmentation doit rester réaliste et proche de l’application, car l’utilisation a une grande influence sur la précision équilibrée du modèle d’IA. Par exemple, une rotation peut être un cas d’erreur et ne convient donc pas à toutes les applications.
Dans la deuxième étape, les images sont annotées ou étiquetées. Pour chaque image, l’utilisateur indique ce qu’on appelle la vérité fondamentale, par exemple s’il s’agit d’une pièce correcte ou d’une pièce défectueuse.
Comment minimiser les efforts liés au processus d’étiquetage ?
Pour garantir une annotation cohérente, il convient d’impliquer des experts en applications, par exemple de la production et du contrôle qualité, dans le processus.
Le classement selon « NOK » et « OK » peut être subjectif, c’est pourquoi il convient de veiller à une distinction claire des classes avant de s’entraîner et de poursuivre les annotations.
Conseil : Les échantillons limites doivent être marqués de manière ciblée à l’aide de balises. Ainsi, cette information peut être prise en compte lors de la validation ultérieure du réseau.
Conseil : Les échantillons limites doivent être marqués de manière ciblée à l’aide de balises. Ainsi, cette information peut être prise en compte lors de la validation ultérieure du réseau.
Lors de l’évaluation des données d’entraînement, il est essentiel de se baser exclusivement sur les images et non sur l’objet réel. Même si un défaut est plus visible sur la pièce d’origine, seul ce qui est visible sur l’image compte pour le modèle d’IA. Si des connaissances supplémentaires provenant de l’objet réel sont incluses, des incohérences se produisent, car le modèle d’IA ne fonctionnera plus tard qu’avec des informations d’image.
La mise à jour d’un catalogue de défauts avec des types de défauts clairement décrits et des exemples d’images aide à définir des critères d’exclusion de manière sûre et compréhensible. S’il est régulièrement mis à jour, par exemple en cas de nouveaux défauts ou produits, cela facilite le transfert de connaissances et l’intégration d’étiqueteurs supplémentaires.
Les balises permettent d’ajouter des mots-clés, ce qui rend les ensembles de données plus clairs et plus faciles à trier. En attribuant des balises, il est par exemple possible de visualiser quelles données ont été enregistrées à quel jour et à quelle heure de la journée ou quelles données sont considérées comme échantillons limites.
À l’étape suivante, le modèle d’IA est entraîné ou réentraîné. Il existe ici différentes approches, dans lesquelles un jeu de données est toujours divisé en données d’entraînement et de test.
À quoi faut-il faire attention lors de l’apprentissage d’un modèle d’IA ?
La selección de la arquitectura de red en un formato adecuado para el hardware de inferencia (por ejemplo, INT8) es fundamental para la latencia (velocidad de ejecución) y el equilibrio en la precisión del modelo de IA. En función del caso de aplicación, se puede optimizar pensando en la latencia o en la exactitud.
Consejo: El entrenamiento repetido del modelo de IA con el mismo conjunto de datos puede dar lugar a diferentes valores de rendimiento. Unas diferencias superiores al 5 % indican un registro de datos inconsistente.
Consejo: El entrenamiento repetido del modelo de IA con el mismo conjunto de datos puede dar lugar a diferentes valores de rendimiento. Unas diferencias superiores al 5 % indican un registro de datos inconsistente.
En el entrenamiento se debe establecer una resolución para la imagen de entrada.
Cuanto mayor sea la resolución,
Cuanto mayor sea la resolución,
- mayor será el tiempo de evaluación,
- mayores los requisitos de la memoria RAM para la interferencia (ejecución),
- más larga la duración del entrenamiento
- más datos de entrenamiento se necesita para lograr el mismo equilibrio en la exactitud.
A continuación, se valida el modelo de IA. La IA a menudo se considera una caja negra con entradas y salidas, pero sin información clara para validar el modelo de IA. El informe del modelo de IA proporciona información sobre las exactitudes equilibradas (Recall y Precision), las predicciones erróneas, el tiempo de inferencia previsto y, por lo tanto, ayuda a la trazabilidad.
Trucos y consejos para la transparencia del modelo de IA
La matriz muestra con qué frecuencia las predicciones de un modelo de IA coinciden con las clases reales y dónde se producen los errores.
Consejo: Los motivos más comunes de las predicciones erróneas son una anotación incorrecta o una muestra límite. En este caso, es necesario adaptar la anotación y repetir el entrenamiento. El objetivo es minimizar las predicciones erróneas.
El Heatmap (mapa de calor) muestra qué área de la imagen resultó decisiva para predecir el resultado. La vista detallada permite sacar conclusiones sobre los errores en la anotación o la distorsión de la muestra. Esto garantiza una mayor transparencia y trazabilidad de los patrones de datos.
La predicción de un modelo de IA se basa en la denominada puntuación (Score), que indica lo seguro que está el modelo de IA a la hora de tomar una decisión. Lo decisivo no es obtener las puntuaciones más altas posibles en todos los casos, sino lograr una distinción clara entre casos seguros e inseguros: Las puntuaciones altas solo deben producirse en caso de resultados claros, mientras que unas puntuaciones deliberadamente más bajas tienen sentido en casos inseguros. De este modo, se evita que el modelo de IA decida “de forma incorrectamente segura” incluso en situaciones poco claras.
Tanto en el entrenamiento como en la inferencia del modelo de IA, la resolución de cada imagen de registro de datos se reduce antes de utilizarse como imagen de entrada de IA. Por tanto, compruebe si la característica relevante sigue siendo detectable. Si no es así, puede ser útil, por ejemplo, recortar más coherentemente o elegir una resolución más alta de la imagen de entrada de IA.
Existen diferentes métodos de validación para evaluar los modelos de IA. Normalmente, los registros se dividen en datos de entrenamiento, validación y prueba.
Nota: Especialmente para conjuntos de datos más pequeños, los usuarios se benefician de la robusta evaluación de la validación cruzada K-Fold. La elección de un método de validación inadecuado da lugar a evaluaciones poco fiables del modelo de IA.
- Los datos de entrenamiento se utilizan para entrenar el modelo de IA, y suelen representar entre el 70 y el 80 % de los datos.
- Los datos de validación se utilizan durante el entrenamiento para ajustar las ponderaciones y comprobar si el modelo de IA está sobreentrenado (Overfitting). Suelen representar entre el 10 y el 20 % de los datos.
- Los datos de prueba solo se utilizan para evaluar la calidad final del modelo de IA, y representan entre el 10 y el 20 % de los datos.
| Característica | Validación del Hold-out (retención) | Validación K-Fold-Cross (validación cruzada K-Fold) |
|---|---|---|
| Descripción | El conjunto de datos se divide una sola vez, p. ej., 80 % de entrenamiento/20 % de prueba | El conjunto de datos se divide en k partes, el modelo de IA se evalúa k veces con cada uno de los otros datos de prueba |
| Ventajas |
|
|
| Desventajas |
|
|
El modelo de IA ya entrenado se transfiere del entorno de entrenamiento a la plataforma de inferencia. A menudo, también en más de una instalación al mismo tiempo. Esta puesta en marcha inicial se denomina Deployment (despliegue) del modelo de IA.
¿Cómo se implanta la IA en la aplicación de procesamiento de imágenes?
La utilización de la IA de forma eficaz y eficiente requiere una experiencia adecuada; de lo contrario, su implantación será muy costosa. Con AI Lab, wenglor ofrece una plataforma de entrenamiento de uso intuitivo para crear modelos de IA que se pueden ejecutar sin problemas en el potente hardware de wenglor. weHub permite realizar ciclos de entrenamiento continuos y ampliar continuamente los conjuntos de datos con nuevos datos relevantes.
A la hora de crear un modelo de IA, el usuario elige en primer lugar una arquitectura de red adecuada. Sobre esta base se elige a continuación una plataforma de entrenamiento adecuada y las herramientas para su ejecución. El formato de intercambio universal Open Neural Network Exchange (ONNX) para redes de IA ofrece el uso multiplataforma de modelos de IA como estándar abierto. El software para visión artificial uniVision 3 permite la integración perfecta de modelos de IA en formato ONNX. Con GitHub también puede cuantificar su red ONNX para su uso en hardware wenglor.
Después de realizar la puesta en marcha pueden darse los siguientes motivos para repetir el entrenamiento :
- Aparecen nuevas clases que deben detectarse.
- Los valores de puntuación disminuyen, p. ej., debido a cambios de lote, contaminación o desgaste de los portapiezas o reducción de la potencia lumínica.
- Los requisitos de equilibrio en la exactitud cambian.
En primer lugar, asegúrese de que la base de datos existente sea consistente y clara antes de grabar nuevos datos. Revise las predicciones incorrectas y vuelva a comprobar cada anotación si es necesario. Utilice herramientas de validación como el mapa de calor, los valores de puntuación y la matriz de confusión. A continuación, concéntrese en la clase con el peor rendimiento y proporcione unas 100 imágenes adicionales de esta clase, idealmente de variantes o productos en los que el modelo tenga un rendimiento especialmente bajo y el valor de puntuación sea reducido. Como alternativa, también se pueden añadir 50 imágenes nuevas por clase.
Cuanto más valiosos sean los datos, más robusto será el modelo de IA. La calidad siempre prevalece sobre la cantidad. Mantener el foco en unos datos de alta calidad, equilibrados y realistas conduce a modelos de IA más fiables, reduce el riesgo de sobreajustes y aumenta la idoneidad para el día a día en la producción. Quien invierta tiempo en una selección inteligente de datos, ahorrará más tarde esfuerzo en la formación y alcanzará más rápidamente una alta precisión con resultados comprensibles al mismo tiempo.
Comparación de tres enfoques básicos para el entrenamiento de modelos de IA
Deep Learning utiliza redes neuronales complejas y es especialmente adecuado para aplicaciones con una alta variación de imágenes y requisitos de alta precisión. Para ello suele ser necesaria mucha potencia de cálculo y tiempos de entrenamiento más largos. El aprendizaje en el extremo también se basa en el Deep Learning, pero se diferencia por el hecho de que la formación se realiza directamente en el dispositivo en el extremo (Edge Device). Esto permite una implantación rápida y sencilla, aunque suele dar lugar a modelos de IA menos potentes, más adecuados para tareas de inspección sencillas.
Los principiantes en IA suelen utilizar el Edge Learning como una solución sencilla para tareas de procesamiento de imágenes, incluso allí donde las prácticas clásicas basadas en reglas son más adecuadas y han demostrado su eficacia durante años. El uso del Edge Learning conlleva riesgos, ya que la configuración sencilla de las soluciones Edge a menudo se hace a expensas de la solidez, la trazabilidad y la precisión de la detección.
| Cloud (p. ej. AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Características | Nube alojada externamente | Nube corporativa, servidor, PC local | Localmente, directamente en el dispositivo en la producción |
| Complejidad de la aplicación | De sencillo a complejo | Individual | Sencilla |
| Control de costes | Pay-per-use (pago por uso), sin costes de adquisición de hardware de entrenamiento | Inversiones en hardware y costes operativos | Sin costes adicionales (funciona en dispositivos inteligentes) |
| Configuración y acceso | Sin necesidad de configuración especial, accesible a través de un navegador con conexión a Internet | Es necesario instalar y configurar un hardware de entrenamiento adecuado | Se ejecuta directamente en el hardware (p. ej., Smart Camera), requiere un navegador/software de terceros |
| Flexibilidad de entrenamiento | Gran flexibilidad, desde modelos de IA sencillos hasta complejos y conjuntos de datos pequeños a grandes
|
La responsabilidad recae en el operador | La flexibilidad del entrenamiento suele ser limitada
|
| Validación y trazabilidad | Validación estadísticamente sólida basada en grandes cantidades de datos centralizados | Validación estadísticamente sólida a partir de grandes cantidades de datos: el almacenamiento es responsabilidad del usuario | Comprobación manual sencilla del funcionamiento basándose en piezas individuales |
| Colaboración y gestión de conjuntos de datos | Administrable de forma centralizada y compatible con el trabajo en equipo | Depende de la configuración | Solución individual, sin verdadera colaboración ni control basado en roles |
| Escalabilidad | Escalable automáticamente a través de Cloudserver | Depende del operador (memoria, potencia de cálculo, solución de software) | Solo se puede ampliar mediante la adquisición adicional de dispositivos Edge |
| Disponibilidad y despliegue | Se puede utilizar de forma centralizada desde cualquier dispositivo Despliegue escalable: Despliegue de modelos de IA en múltiples líneas, ubicaciones o regiones |
Disponible localmente o dentro de la red | Disponible de forma descentralizada, en el hardware local o en la red (sin conexión) |
| Seguridad de los datos, control de acceso y copias de seguridad | Depende del proveedor de la nube, centralizada con roles de usuario y copias de seguridad | En función de la configuración, es responsabilidad del usuario | El almacenamiento local de datos es seguro, pero sin gestión centralizada de usuarios ni copias de seguridad automáticas |
|
Características
|
||
|
Cloud (p. ej. AI Lab)
Nube alojada externamente
|
On-Premise
Nube corporativa, servidor, PC local
|
Edge
Localmente, directamente en el dispositivo en la producción
|
|
Complejidad de la aplicación
|
||
|
Cloud (p. ej. AI Lab)
De sencillo a complejo
|
On-Premise
Individual
|
Edge
Sencilla
|
|
Control de costes
|
||
|
Cloud (p. ej. AI Lab)
Pay-per-use (pago por uso), sin costes de adquisición de hardware de entrenamiento
|
On-Premise
Inversiones en hardware y costes operativos
|
Edge
Sin costes adicionales (funciona en dispositivos inteligentes)
|
|
Configuración y acceso
|
||
|
Cloud (p. ej. AI Lab)
Sin necesidad de configuración especial, accesible a través de un navegador con conexión a Internet
|
On-Premise
Es necesario instalar y configurar un hardware de entrenamiento adecuado
|
Edge
Se ejecuta directamente en el hardware (p. ej., Smart Camera), requiere un navegador/software de terceros
|
|
Flexibilidad de entrenamiento
|
||
|
Cloud (p. ej. AI Lab)
Gran flexibilidad, desde modelos de IA sencillos hasta complejos y conjuntos de datos pequeños a grandes
|
On-Premise
La responsabilidad recae en el operador
|
Edge
La flexibilidad del entrenamiento suele ser limitada
|
|
Validación y trazabilidad
|
||
|
Cloud (p. ej. AI Lab)
Validación estadísticamente sólida basada en grandes cantidades de datos centralizados
|
On-Premise
Validación estadísticamente sólida a partir de grandes cantidades de datos: el almacenamiento es responsabilidad del usuario
|
Edge
Comprobación manual sencilla del funcionamiento basándose en piezas individuales
|
|
Colaboración y gestión de conjuntos de datos
|
||
|
Cloud (p. ej. AI Lab)
Administrable de forma centralizada y compatible con el trabajo en equipo
|
On-Premise
Depende de la configuración
|
Edge
Solución individual, sin verdadera colaboración ni control basado en roles
|
|
Escalabilidad
|
||
|
Cloud (p. ej. AI Lab)
Escalable automáticamente a través de Cloudserver
|
On-Premise
Depende del operador (memoria, potencia de cálculo, solución de software)
|
Edge
Solo se puede ampliar mediante la adquisición adicional de dispositivos Edge
|
|
Disponibilidad y despliegue
|
||
|
Cloud (p. ej. AI Lab)
Se puede utilizar de forma centralizada desde cualquier dispositivo
Despliegue escalable: Despliegue de modelos de IA en múltiples líneas, ubicaciones o regiones |
On-Premise
Disponible localmente o dentro de la red
|
Edge
Disponible de forma descentralizada, en el hardware local o en la red (sin conexión)
|
|
Seguridad de los datos, control de acceso y copias de seguridad
|
||
|
Cloud (p. ej. AI Lab)
Depende del proveedor de la nube, centralizada con roles de usuario y copias de seguridad
|
On-Premise
En función de la configuración, es responsabilidad del usuario
|
Edge
El almacenamiento local de datos es seguro, pero sin gestión centralizada de usuarios ni copias de seguridad automáticas
|
