Desde que publiqué mi primer blog sobre Inspección visual máxima (MVI), he emprendido un pequeño viaje para profundizar en sus funciones, explorar nuevos casos de uso y descubrir lo versátil que puede ser esta tecnología.
‍

En esta publicación, quiero compartir una visión más profunda de lo que MVI tiene para ofrecer, los detalles técnicos y las diferentes formas en que puede usarlo para resolver problemas del mundo real. Ya sea que tengas curiosidad por saber cómo funciona MVI de forma oculta, estés interesado en implementarlo en la periferia o simplemente buscas ejemplos prácticos, explicaré las ideas y lecciones que he aprendido hasta ahora.

Bajo el capó

MVI combina el análisis de imágenes y vídeos con modelos de aprendizaje profundo para realizar la clasificación, la detección de objetos y la detección de anomalías. Lo que diferencia a MVI es su accesibilidad, ya que los usuarios pueden entrenar modelos con una experiencia técnica mínima, lo que hace que la IA avanzada esté disponible para una gama más amplia de organizaciones.
‍

• Entrenamiento modelo: Los usuarios cargan imágenes o vídeos, etiquetan datos y entrenan modelos directamente desde la interfaz MVI.
• Despliegue: Una vez entrenados, los modelos se pueden implementar para inspeccionar los activos a escala, ya sea en la nube o en el borde.
• Integración: MVI se integra con Monitor, lo que permite al usuario establecer reglas sobre cómo se manejan ciertos resultados sin problemas. También cuenta con una API sólida que permite la integración en otros servicios de terceros y Administrar.

Entrenamiento

Para entrenar un modelo con MVI, necesitarás al menos una GPU (sí, esa es la parte más cara). A partir de ahí, el proceso es sencillo:
‍

• Crear un conjunto de datos: Reúna un conjunto de imágenes (preferiblemente más de 20).
• Etiquete los datos: Marque dónde aparecen los fallos o anomalías en cada imagen.
• Aumente los datos: Aumente la diversidad de los conjuntos de datos para una mayor precisión.
• Entrena al modelo: Elige un algoritmo según tu caso de uso.
• Vuelva a entrenar el modelo: A menudo, será necesario volver a entrenar el modelo para refinar su precisión.
• Despliegue: Implemente el modelo entrenado en la nube o en el servidor perimetral.

Una vez entrenados, estos modelos también son exportables. Permitiendo el uso de modelos en varios sistemas. Y si ya no necesita perfeccionar su modelo, puede dejarlo aquí y la parte más cara está lista.

El proceso no se detiene después de la implementación. Esto es lo que puede hacer a continuación:

‍

• Etiquetado: Utilice el modelo implementado para etiquetar automáticamente las imágenes nuevas en los conjuntos de datos, lo que ayuda al modelo a mejorar continuamente y reduce parte del tiempo necesario para volver a entrenar o refinar los modelos.
• Refinamiento del modelo: Cree modelos generalizados y, a continuación, ajústelos para necesidades específicas. Por ejemplo, un modelo especializado en extintores de incendios puede reentrenarse con imágenes adicionales de un tipo diferente de extintor de incendios, perfeccionando el modelo existente sin tener que empezar desde cero.

Uso general

Cuando asistí a un grupo de usuarios de Maximo recientemente, me di cuenta de que había un pequeño malentendido acerca de cómo se usa MVI en la industria. Mucha gente pensaba en el MVI de una manera muy específica: imaginemos una cámara colocada sobre una cinta transportadora en una línea de producción y que analiza las piezas en un entorno estable e inalterable. Y sí, es un caso de uso clásico, pero es solo una pequeña muestra.
‍

Lo que he descubierto es que MVI es mucho más dinámico y versátil de lo que muchos creen. No se limita a configuraciones estáticas. Por ejemplo, un técnico puede usar el MVI para realizar inspecciones presenciales, simplemente tomando una foto de un activo mientras camina por una fábrica. O bien, puedes usar las transmisiones en vivo de las cámaras de seguridad a lo largo de las vías del tren para comprobar automáticamente si hay obstrucciones. En el otro extremo del espectro, puedes incluso tener drones sobrevolando una granja solar, y MVI monitoriza las imágenes en directo o las analiza más adelante para inspeccionarlas por lotes.
‍

¿La esencia general? MVI se adapta a tus necesidades. No se trata de adaptar el proceso a la herramienta, sino de dejar que la herramienta se adapte a su caso de uso, ya sea fijo, móvil, activo o a posteriori.

MVI en el límite

Implementación perimetral significa ejecutar los modelos de IA de MVI en dispositivos o servidores más cercanos a los activos. Un ejemplo sencillo es una cámara conectada directamente a un servidor periférico local. La cámara transmite datos a este servidor con una latencia mínima, donde la salida se analiza continuamente para que el modelo active acciones.

Ventajas clave

• Información en tiempo real: Los dispositivos o nodos periféricos procesan imágenes y vídeos al instante, lo que permite la detección inmediata de fallos o anomalías.
• Latencia reducida: Las decisiones se pueden tomar localmente, sin tener que esperar varias llamadas a la API con un servidor en la nube.
• Eficiencia del ancho de banda Solo los resultados relevantes (no las imágenes sin procesar) se envían a los sistemas centrales, lo que ahorra recursos de red.
• Seguridad mejorada: Los datos confidenciales de los activos se pueden procesar y almacenar de forma local o regional, lo que reduce los riesgos de exposición.
  ‍
  ‍

Uso del servidor MVI Edge

Usar un servidor Edge es sorprendentemente sencillo una vez que comienzas. El primer paso es conectarlo a tu servidor de entrenamiento de MVI mediante una clave de API. Esa conexión es lo que lo desbloquea todo. Desde allí, puedes ver los modelos que deseas ejecutar localmente en el Edge.

Una vez que los modelos estén en su lugar, configurará las fuentes de entrada. Puedes elegir entre carpetas de imágenes, carpetas de vídeo o imágenes de cámara en directo, según cómo quieras inspeccionar tus datos. Ya sea que se trate de una transmisión en directo constante o de un lote de imágenes y vídeos que se incluyen según sea necesario, el servidor Edge lo gestiona de forma limpia y eficiente.
‍

‍

A continuación, crea una estación. Piense en esto como una agrupación lógica para sus inspecciones, que mantiene los resultados relacionados en un solo lugar. A continuación, dentro de una estación, se definen las inspecciones individuales. Cada inspección le permite decidir qué modelo usar, cómo debe comportarse y qué la desencadena, ya sea de forma programada o impulsada por un mensaje de MQTT.
‍

Por último, todo se reúne en el tablero de mandos. Desde aquí, puede ver todas sus inspecciones de un vistazo y comprender al instante su estado actual. Puede realizar un seguimiento de lo que se ha procesado, revisar los resultados a medida que llegan y detectar rápidamente cualquier cosa que necesite atención.

Ejemplo de caso de uso

Una granja solar despliega drones equipados con inteligencia artificial perimetral para inspeccionar los paneles. Los drones analizan las imágenes en tiempo real, detectan los paneles dañados y envían únicamente alertas procesables al sistema central Maximo. Los técnicos de campo reciben órdenes de trabajo específicas, lo que minimiza el tiempo de inspección manual y maximiza el tiempo de actividad de los activos.

Consideraciones técnicas para la implementación perimetral

Una de las ventajas de la implementación perimetral es la flexibilidad, ya que los servidores o dispositivos que ejecutan los modelos pueden variar según el caso de uso y los requisitos del modelo. Hace poco asistí al MUG del Reino Unido con Naviam y allí vimos una demostración en la que IBM tenía un servidor perimetral que se ejecutaba en un hardware que tenía casi 15 años de antigüedad, sin GPU y con solo 16 GB de RAM.
‍

La regla sigue aplicándose: obtienes lo que pagas. Un servidor más nuevo le proporcionará una mayor velocidad y confiabilidad, pero incluso un hardware modesto puede gestionar ciertas cargas de trabajo sin arruinarse.

Impacto en el mundo real

• Fabricación: Detectar el desgaste de la maquinaria antes de que se produzcan averías
• Energía y servicios públicos: Inspección de tuberías, líneas eléctricas y paneles solares en ubicaciones remotas o peligrosas
• Transportación: Monitorización de la infraestructura (p. ej., vías férreas, puentes) para detectar corrosión o daños, con alertas instantáneas para los equipos de mantenimiento

‍

‍

Las capacidades periféricas de MVI representan un salto adelante en la gestión de activos, ya que brindan información procesable y en tiempo real donde más importa. Permiten a los equipos entrenar e implementar modelos con poca o ninguna experiencia real con modelos de visión. En el próximo blog profundizaré en Naviam solución en la que cerramos la brecha integrando las inspecciones de MVI (tanto en el borde como en la nube) directamente en MAS Manage.