AIA como um serviço: protótipos rápidos e escaláveis de aprendizado de máquina sem códigos/ poucos códigos | #BAS22
Tabela de Conteúdos:
-
Introdução
- Sobre a All Cloud
- Parceria com a AWS
-
POC com a KTM
- Processo de Produção
- Detecção Manual de Defeitos
- Problemas com o Processo Atual
-
Uso do Reconhecimento de Imagem Automático
- Visão Geral do Serviço Amazon Recognition
- Funcionamento do Reconhecimento de Defeitos
- Desafios da POC
- Aumento de Dados com a Data Augmentation
-
Resultados da POC
- Melhoria da Precisão do Modelo
- Importância das Imagens de Treinamento
- Velocidade e Facilidade de Implantação
-
Outros Recursos
- Estudo de Mercado sobre Machine Learning na Indústria
- White Paper sobre Garantia de Qualidade na Produção
- Oficina de Ideação de Projetos POC
-
Perguntas Frequentes
🤖 Automatizar a Detecção de Defeitos em Motores com a Amazon Recognition
A detecção de defeitos em processos industriais é uma tarefa crítica, mas muitas vezes é realizada manualmente, exigindo muito tempo e recursos. A empresa All Cloud, parceira premium da AWS, desenvolveu uma prova de conceito (POC) utilizando o serviço de reconhecimento de imagem automático da Amazon, o Amazon Recognition, para detectar defeitos em frames de motos. Neste artigo, vamos explorar os desafios enfrentados no processo de produção da KTM, uma renomada fabricante de motos, e como a All Cloud utilizou a IA para automatizar a detecção de defeitos, visando reduzir custos e aumentar a eficiência.
Introdução
Sobre a All Cloud
A All Cloud é uma empresa de serviços profissionais especializada em soluções em nuvem, sendo uma parceira premium da AWS. Com competências em migração de dados e certificação em conformidade com GDPR e ESO, a All Cloud atua como uma solução completa para empresas que desejam aproveitar ao máximo os recursos da nuvem.
Parceria com a AWS
Como parceira premium da AWS, a All Cloud tem acesso a uma variedade de serviços e soluções inovadoras. Neste projeto, a empresa utilizou o serviço de reconhecimento de imagem automático da Amazon, o Amazon Recognition, para desenvolver uma POC que automatizasse a detecção de defeitos em frames de motos da KTM.
POC com a KTM
Processo de Produção
No processo de produção de motos, é necessário soldar os frames dos veículos. Porém, problemas durante a soldagem podem resultar em defeitos visíveis nos frames, como respingos de solda. Atualmente, a detecção desses defeitos é feita de forma manual, o que leva tempo e requer trabalho intensivo.
Detecção Manual de Defeitos
A detecção manual de defeitos apresenta algumas limitações. Primeiramente, a detecção deve ser realizada imediatamente após a soldagem, pois caso contrário, o frame será pintado e os defeitos só serão percebidos mais tarde, o que resulta em retrabalho e altos custos de produção. Além disso, o processo manual é suscetível a erros humanos e pode não identificar todos os defeitos presentes, resultando em produtos de baixa qualidade.
Problemas com o Processo Atual
A KTM procurou a All Cloud em busca de uma solução mais eficiente e precisa para detectar defeitos em seus frames de motos. O processo manual de detecção de defeitos estava se mostrando trabalhoso e caro, afetando a produtividade e a qualidade dos produtos. Foi nesse cenário que a All Cloud propôs a utilização do serviço de reconhecimento de imagem automático da Amazon, o Amazon Recognition.
Uso do Reconhecimento de Imagem Automático
Visão Geral do Serviço Amazon Recognition
O Amazon Recognition é um serviço de inteligência artificial que permite detectar automaticamente objetos em imagens. Com uma abordagem low/no code, o serviço da Amazon possibilita realizar todo o processo sem a necessidade de escrever uma única linha de código, podendo ser utilizado diretamente no console AWS.
Funcionamento do Reconhecimento de Defeitos
No caso da detecção de defeitos em frames de motos, o processo envolve o upload de imagens de frames com e sem defeitos no console do Amazon Recognition. Em seguida, é feita a marcação dos defeitos nas imagens de treinamento. Com base nessas informações, o serviço treina um modelo de detecção específico para o problema em Questão. Esse treinamento pode levar algumas horas, dependendo do tamanho do dataset.
Desafios da POC
Durante a realização da POC, a equipe da All Cloud enfrentou alguns desafios. As condições de iluminação do ambiente de produção não eram ideais, o que afetava a qualidade das imagens. Além disso, os frames das motos são feitos de metal e possuem superfície reflexiva, o que dificultava a captura de imagens claras. Para contornar esses desafios, a equipe utilizou técnicas de aumento de dados, conhecidas como Data Augmentation.
Aumento de Dados com a Data Augmentation
Como o dataset inicial fornecido pela KTM era pequeno, a equipe precisou aumentar a quantidade de imagens para treinar o modelo do Amazon Recognition. A técnica de Data Augmentation consiste em aplicar transformações nas imagens existentes, criando novas variações do dataset. É possível realizar rotação, deslocamento, corte e ajustes de cores nas imagens, a fim de aumentar a diversidade dos exemplos.
Resultados da POC
Melhoria da Precisão do Modelo
Com o aumento do dataset para 10.000 imagens e a utilização do Amazon Recognition, a equipe da All Cloud conseguiu melhorar significativamente a precisão do modelo. Inicialmente, com um dataset de 100 imagens, a precisão era de apenas 70%. Após o aumento do dataset, a precisão alcançou 93%, o que representou uma grande melhoria na detecção de defeitos nos frames.
Importância das Imagens de Treinamento
Um dos principais aprendizados do projeto foi a importância das imagens de treinamento. Quanto maior e mais diversificado for o dataset de treinamento, melhor será o desempenho do modelo de detecção. Para alcançar resultados precisos, é fundamental ter uma quantidade suficiente de imagens de treinamento, com diferentes ângulos, iluminação e variações nos defeitos.
Velocidade e Facilidade de Implantação
O uso do serviço Amazon Recognition se mostrou uma solução rápida e fácil de ser implantada. Em menos de 20 dias, a equipe da All Cloud conseguiu desenvolver a POC, treinar o modelo e obter resultados satisfatórios. Além disso, a abordagem no/low code do serviço proporcionou agilidade e redução de custos, já que não foi necessário escrever código personalizado.
Outros Recursos
Além da POC realizada com a KTM, a All Cloud disponibiliza outros recursos e materiais relacionados ao uso de machine learning na indústria. Eles incluem um estudo de mercado sobre o tema, um white paper sobre garantia de qualidade na produção e uma oficina de ideação de projetos POC.
Estudo de Mercado sobre Machine Learning na Indústria
O estudo de mercado elaborado pela All Cloud aborda as principais tendências e aplicações de machine learning na indústria. Ele fornece informações atualizadas sobre as melhores práticas, desafios e oportunidades nesse campo.
White Paper sobre Garantia de Qualidade na Produção
O white paper elaborado pela All Cloud explora em detalhes a importância da garantia de qualidade na produção industrial e como a aplicação de técnicas de inteligência artificial pode otimizar esse processo. O documento oferece insights valiosos para empresas interessadas em aprimorar sua produção e reduzir custos.
Oficina de Ideação de Projetos POC
A All Cloud também disponibiliza uma oficina de ideação de projetos POC, na qual a equipe auxilia as empresas a identificar oportunidades de aplicação de machine learning em seus processos. Durante a oficina, são analisados aspectos como o valor comercial, a complexidade e a disponibilidade de dados, resultando na priorização de projetos viáveis.
Perguntas Frequentes
1. A detecção de defeitos automatizada é precisa o suficiente para substituir a detecção manual?
A detecção automatizada de defeitos demonstrou ser altamente precisa, alcançando uma precisão de 93% na POC realizada com a KTM. No entanto, é importante ressaltar que a detecção manual ainda pode ser necessária em casos específicos ou para garantir uma verificação adicional.
2. Qual é o custo envolvido no uso do serviço Amazon Recognition?
O serviço Amazon Recognition é um serviço pago, sendo necessário avaliar o custo-benefício para cada caso específico. Os preços variam de acordo com a quantidade de imagens processadas e a complexidade do treinamento do modelo. Recomenda-se entrar em contato com a AWS para obter informações detalhadas sobre os preços.
3. Quanto tempo leva para treinar um modelo utilizando o Amazon Recognition?
O tempo de treinamento do modelo pode variar dependendo do tamanho do dataset e da complexidade do problema. Na POC realizada com a KTM, o treinamento do modelo levou cerca de 10 horas. Vale ressaltar que, em alguns casos, podem ser necessárias iterações adicionais para alcançar resultados satisfatórios.
4. O serviço Amazon Recognition é adequado apenas para grandes empresas?
Não, o serviço Amazon Recognition pode ser utilizado por empresas de todos os tamanhos. A facilidade de uso e a escalabilidade do serviço tornam-no acessível e adequado para diversos tipos de negócios.
Conclusão
A automatização da detecção de defeitos em processos industriais pode trazer inúmeros benefícios, desde a redução de custos até a melhoria da qualidade dos produtos. A POC realizada pela All Cloud com a KTM é um exemplo de como a inteligência artificial pode ser aplicada com sucesso em cenários reais. A utilização do serviço Amazon Recognition possibilitou a detecção automática de defeitos em frames de motos, resultando em uma melhoria significativa na eficiência do processo de produção. Com a crescente adoção de soluções de machine learning, espera-se que mais empresas aproveitem os benefícios dessa tecnologia para otimizar sua produção e se manterem competitivas no mercado.
➡️ Estudo de Mercado sobre Machine Learning na Indústria
➡️ White Paper sobre Garantia de Qualidade na Produção
➡️ Oficina de Ideação de Projetos POC