La implementación de la Visión Artificial o Computer Vision (CV) ya está formando parte solvente de los proyectos de inteligencia artificial. Si tenemos claro que nuestro negocio puede mejorar explotando las imágenes que gestiona, el siguiente paso es asegurarnos cómo implantar un proyecto de Computer Vision.
El éxito de los proyectos de visión artificial, como rama de inteligencia artificial, se rigen por las mismas bases.
En Enzyme hemos desarrollado la metodología de Discovery analytics en tres etapas:
Detección de la necesidad.
Diseño de la solución.
Resultados de la implementación.
¿Cuál es el objetivo de negocio que estamos persiguiendo? ¿Reducir costes reduciendo el tiempo de trabajo? ¿Aumentar ingresos acelerando la actividad comercial? ¿Reducir costes derivados de riesgos laborales? ¿Aumentar ingresos en nuestro local?
Uno de los hándicaps que tienen este tipo de proyectos es que juegan con un elemento muy intuitivo: lo que vemos todos los días. El peligro de sobreestimar la capacidad de respuesta de CV, como veremos más adelante está detrás de algunos fracasos sonoros. Por eso es importante contar con expertos que identifican qué valor pueden aportar las imágenes que capturamos y nos ayuden a diseñar un camino crítico de resultados.
El segundo paso es verificar qué clase de información se está generando para evaluar su validez de cara a conseguir los objetivos propuestos. El resultado de esta fase puede impactar tanto en los objetivos del proyecto como en la redefinición de elementos como los puntos de captura, calidad de imagen o formatos.
Existen dos conceptos que van a condicionar la dimensión del proyecto:
Cuando las imágenes provienen de un marco de referencia acotado son más fáciles de explotar. Ejemplos habituales son cuando se toman imágenes de una cámara fija, como en una línea de producción o recogiendo información de la calle. En cambio, si el entorno es muy abierto, como la webcam de nuestros clientes o un robot en movimiento la detección de objetos es más complicada.
También, cuanto más acotado sea la clase de objeto de la imagen más fácil es de trabajar. Por ejemplo, detectar una enfermedad en una radiografía o una matrícula al entrar en un aparcamiento. En cambio, objetos más intuitivos y genéricos comportan mayores riesgos de errores.
Una duda que suele surgir es hasta qué punto tengo que disponer en nuestra empresa de especialistas en Computer Vision o no. Este es un campo que está evolucionando a mucha velocidad y el grado de especialización en la explotación del último algoritmo está siendo muy alto. Por ello es aconsejable acudir a plataformas que nos aseguren disponer de estos avances para dar el máximo valor a sus clientes.
Lo que sí es interesante, para facilitar la identificación de oportunidades dentro del negocio, es que los equipos clave de nuestras empresas conozcan los fundamentos del CV para liderar estas prácticas.
Desde el punto de vista de la tecnología de Computer Vision en el mercado se han multiplicado las opciones, siendo así mucho más accesible. Los estándares que se están imponiendo facilitan soluciones modulares, en las que las implantaciones se dividen en tareas o capas que se pueden resolver por distintos fabricantes. De esta forma podemos acudir tanto a ofertas globales y plataformas que democratizan el acceso al CV como a soluciones parciales que se pueden acoplar unas a otras con cierta facilidad. Incluso en este sector se ha generalizado la posibilidad de acudir a software libre (opensource).
Este ecosistema permite que los recursos de la empresa se concentren más en configurar los distintos módulos que a desarrollar o incluso implementar el conjunto de capas de las que se componen estos proyectos. Del mismo modo los proyectos de CV se pueden convertir en capas o componentes de proyectos empresariales más amplios en los que se integran otras ramas de la Inteligencia Artificial.
Una vez que tengamos nuestro sistema de Computer Vision en producción vigilaremos, junto al objetivo de negocio, el indicador clave de fiabilidad que nos dice si la CV está reportando los resultados esperados. En ocasiones su relación no es directa. Por ejemplo, si lo que buscamos es reducir los costes por reducción de envíos defectuosos tendremos tres métricas, la contable (efectivamente nos gastamos menos dinero), la operativa (cuantos envíos con defectos hemos realizado) y la analítica (el porcentaje de acierto de envíos defectuosos y apartados).
Tras una introducción a los fundamentos de la CV y un repaso de sus grandes aplicaciones de negocio en estas líneas nos hemos detenido en los aspectos más relevantes a la hora de hacerlos realidad.
Son tres ingredientes clave para llevar a buen puerto un proyecto de Computer Vision son: tener claros los objetivos de negocio y como la explotación de imágenes pueden aportar valor a nuestro negocio, ser conscientes de las limitaciones que tienen y contar con el apoyo de expertos en un sector cada vez más especializados.
Creamos nuevos productos y servicios superiores hibridando la tecnología con los modelos de negocio
