Za učinkovito učenje modela umetne inteligence je običajno potrebnih več tisoč slik. Te morajo biti zajete neposredno v realnih pogojih proizvodnje, da se zagotovi podatkovna celovitost in prepreči kontaminacija fotografiranih izdelkov ali komponent. Zajem slik ne vpliva na časovne cikle proizvodnje. Tak pristop omogoča visoko natančnost in nemoteno vključitev v proizvodni proces.
Prilagajanje parametrov modela umetne inteligence je mogoče, a le v omejenem obsegu. Model zaznava vsa odstopanja od idealne površine, dodatni parametri pa se upoštevajo v fazi analize. Prilagoditve so možne le pri velikosti napake in kontrastu glede na ozadje. Te nastavitve izvaja usposobljen operater in morajo biti zmerne, da se ohrani natančnost in zanesljivost delovanja.
Model umetne inteligence ročno naučimo prepoznavati vse vrste napak – tudi nove (simulirane), ki se prej še niso pojavljale. Vsako odstopanje samodejno zazna in ga ovrednoti glede na vnaprej določene meje za velikost, lokacijo in kontrast. Ko je model enkrat vključen v proizvodnjo, je za prilagoditve dovolj, da se po potrebi spremenijo tolerančne vrednosti za velikost ali kontrast napak – brez ponovnega učenja modela. Sistem tako ostaja prilagodljiv tudi pri spreminjajočih se pogojih.
Integracija sistema za kontrolo kakovosti z umetno inteligenco praviloma ne zahteva zaustavitve proizvodnje. Sistem se v večini primerov integrira brez prekinitve proizvodnje. Edina izjema je začetna namestitev sistema za strojni vid, ki lahko zahteva kratek premor zaradi montaže in umerjanja kamer.
Integracija je praviloma usklajena z rednimi vzdrževalnimi deli na liniji. Po fizični namestitvi in vzpostavitvi komunikacije z napravo je za preverjanje stabilnosti delovanja običajno dovolj nekaj proizvodnih ciklov. Zajem slik in učenje modela nato potekata med rednim delovanjem linije, brez vpliva na proizvodni proces.
Donosnost je odvisna od več dejavnikov – od vrednosti izdelka, obratovalnega časa stroja (ena ali več izmen, delovanje vse dni v tednu) ter zahtevnosti kontrole kakovosti. V nekaterih primerih so stranke dosegle povračilo naložbe v manj kot enem letu.
Za konkreten primer si oglejte
študijo primera, kjer je sistem za kontrolo kakovosti z umetno inteligenco bistveno izboljšal delovanje proizvodnje plastičnih izdelkov.
Da, odločanje modela umetne inteligence je transparentno – vsako odločitev je mogoče povezati s konkretnimi parametri. Razlog za zavrnitev je prikazan neposredno na analizirani sliki, ki se tudi arhivira. Vendar pa analiza posameznega kosa zahteva obdelavo med 7 in 70 milijoni parametrov. Čeprav je logika odločanja v celoti dostopna, je podrobno sledenje procesom odločanja lahko zelo časovno zahtevno zaradi kompleksnosti in obsega obdelanih podatkov.
