Nadir kusur sorunu: neden asla yeterli kusur görüntüsü toplayamazsınız.

Duraklayan yapay zeka muayene projeleri hep aynı adımda takılır: kusurları toplamak. Denetimli bir model her hata modunu etiketli resimlerden öğrenir, dolayısıyla onlardan çok sayıda ister. Sorun yapısaldır, bir çaba meselesi değildir. İyi çalışan bir hat çok kusur üretmez; zaten hattı iyi çalıştırmanın bütün amacı da budur.

Neden asla yeterli kusur görüntüsü toplayamazsınız?

Asla yeterli kusur görüntüsü toplayamazsınız, çünkü iyi çalışan bir hatta kusurlar tasarım gereği nadirdir. Kalite iyileştirme, kusur oranını aşağı çekmek için vardır; süreç ne kadar iyiyse o kadar az kusur örneği üretir. Her hata modunu etiketli örneklerden öğrenmek zorunda olan denetimli bir model, bu yüzden tesisin ulaşmaya çalıştığı şeyin ta kendisiyle savaşır. Bu, sınıf dengesizliği ya da uzun kuyruk sorunudur: hatasız görüntü selinin yanında bir avuç kusur görüntüsü, her biri nadiren ortaya çıkan birçok olası kusur tipine dağılmış halde.

Nadir kusur tespiti, bunun en çok can yaktığı yerdir; çünkü en çok önem taşıyan kusurlar, yani aralıklı, ilk kez görülen veya güvenlik-kritik olanlar, tam da elinizde neredeyse hiç örneği olmayanlardır. Adente Vision, Aden Group bünyesindeki ADENTE Advanced Engineering Technologies tarafından geliştirilen ve otomasyon sistem entegratörleri üzerinden satılan bir edge-AI görsel muayene ünitesidir ve tam bu durum için tasarlanmıştır: yalnızca hatasız parçalarla eğitilir, böylece kusur görüntüsü kıtlığı bir engel olmaktan çıkar.

Düşük kusurlu bir hattın matematiği neye benzer?

Sorunu somutlaştıran, aritmetiğin kendisidir. %0,1 kusur oranında temsili bir hat alın; her hatalı parçaya karşılık bin hatasız parça. 100.000 parçalık bir vardiya yaklaşık 100 kusur görüntüsü verir ve bunlar ortaya çıkabilecek her kusur tipine dağılır; tek bir nadir kusur iki üç kez görünebilir ya da hiç görünmeyebilir. Milyon parça başına onlarla ölçülen otomotiv sınıfı kalitede, tam bir vardiya belirli bir kusurun neredeyse hiç örneğini üretmeyebilir. Aşağıdaki kusur oranları temsili sektör rakamlarıdır, Adente ölçümleri değildir.

Dengesizlik yalnızca veri setini aç bırakmaz, eğitimi de çarpıtır. Her kusurlu parçaya karşılık bin hatasız parça gören bir model, her şeye hatasız diyerek yüksek bir manşet doğruluğuna ulaşabilir; dengesiz bir hatta doğruluğun yanlış metrik, yanlış-negatif oranının, yani kaçış oranının, dürüst metrik olmasının nedeni budur. Bu metriğin neden satıcıdan istenmesi gerektiği için bir muayene metriği olarak yanlış-negatif oranı yazısına bakın.

"Yeterli kusuru toplayın" bir muayene projesini neden durdurur?

Yeterli kusuru toplamak bir projeyi durdurur, çünkü toplama aşamasının sabit bir sonu yoktur. Nadir bir kusurun gelişini takvime bağlayamazsınız; zaman çizelgesini ekibin çabası değil, hattın hata oranı belirler. Yöneticiler kusurların oluşmasını bekler ya da daha kötüsü, modeli beslemek için bilerek kusurlu parça üretmeleri istenir; bu da kusurun gerçekte nasıl göründüğüyle örtüşmeyebilecek sahnelenmiş hatalar üretir.

Ekip beklerken daha sessiz bir maliyet de işler. Kusurları toplamak aylar sürerken hat ya muayenesiz sevk eder ya da manuel örneklemeye yaslanır; yani projenin durdurmak için kurulduğu kaçışlar, veri toplanırken devam eder. İş gerekçesi, model daha eğitilmeden erimeye başlar.

Sonunda yeterli görüntü toplansa bile, veri seti yalnızca halihazırda yaşanmış kusurları kapsar. Bir sonraki yeni hata modu, farklı bir kirlenme, yeni bir tedarikçinin malzeme hatası, hâlâ görülmemiştir; aylar süren eğitimin ürünü olan model ona baştan kördür. Kusur odaklı muayene projelerinin umut veren bir pilot ile üretime geçiş arasında bu kadar sık takılmasının nedeni budur: veri gereksinimi hiçbir zaman gerçekten kapanmaz.

Yalnızca hatasız parçayla anomali tespiti bağımlılığı nasıl ortadan kaldırır?

Yalnızca hatasız parçayla anomali tespiti bağımlılığı, en baştan kusur görüntüsüne ihtiyaç duymayarak ortadan kaldırır. Model her kusuru öğrenmek yerine, yaklaşık 20 temsili hatasız görüntüden hatasız bir parçanın neye benzediğini öğrenir ve sapan her şeyi işaretler. Kıt kaynak, yani kusur örnekleri, artık kritik yolda değildir; çünkü model bol kaynağa, hatasız parçalara, eğitilir. Bu sapma puanlama görevi başlı başına kıyaslanan bir alandır; MVTec Anomaly Detection veri seti ve Papers With Code anomali tespiti kıyaslaması gibi kamuya açık veri setleri tam olarak, yalnızca hatasız parçayla çalışan bu kurulumu ölçer.

Nadir ve ilk kez görülen kusurları ele alınabilir kılan da bu tersine çevirmedir. Sapma puanlayan bir modelin belirli bir hatayı reddetmek için onu görmüş olması gerekmez; parçanın normalin yeterince dışına düşmesi yeter. Ünite bunu Anomali modu olarak, beş moddan (Anomali ve Kusur Tespiti, Montaj ve Eksik Parça, Kod Okuma, Ölçüm ve Parça Tanıma) biri olarak çalıştırır ve bir ölçüm sonucu açıklanabilir kalsın diye klasik bilgisayarlı görüyle birleştirir. Eğitim 48 saatin altında biter; ilk devreye alma bile bir veri toplama maratonu değil, iki günlük bir iştir.

Modelin yine de ihtiyaç duyduğu şey, hatasız bir parçanın gerçek dağılımını yakalayan bir hatasız parça kümesidir: farklı lotlar, konumlar, yüzey kalitesi ve hattın gerçekten kullandığı aydınlatma. Yirmi kusursuz, birbirinin aynı görüntü gerçekçi olmayan darlıkta bir normal öğretir ve aşırı redde yol açar; hedef temsili hatasız parçalardır, mükemmel olanlar değil. İyi kurulmuş bir küme, sapma puanlayan bir modelin gerçek bir nadir kusuru olağan tolerans içi varyasyondan ayırmasını sağlayan şeydir ve bu bir yazılım ayarı değil, bir kalite kararıdır.

Nadir kusur kapsaması üretimde tutar mı?

Nadir kusur kapsaması, ölçüldüğü yerde tutar. Canlı bir kapak muayene hattında, yalnızca hatasız parçalarla eğitilmiş bir Adente Vision ünitesi, parça başına yaklaşık 30 ms’de %0,69 yanlış-negatif oranı ve %99,65 F1-skoruyla çalışır; kırık, kapanmamış ve menteşesi hasarlı kapakları geçerken yakalar. Nadir kusurlar için önemli olan sayı yanlış-negatif oranıdır, çünkü kaçış oranıdır: sıyrılıp geçen hatalı parçaların payı. F1-skoru ise yakalama oranıyla aşırı reddi tek bir sayıda özetleyerek onun yanında durur; dengesiz bir hatta F1 skoru ile doğruluk arasındaki fark tam da bu yüzden manşet bir yüzdeden daha çok şey söyler.

Katalog sınırı parça başına 0,5 s ve dakikada 100+ parçadır; 30 ms ise sahada ölçülen rakamdır. Her zaman olduğu gibi, kendi parçalarınızda taahhüt edebileceğiniz kaçış oranı uygulamaya özgü bir ölçüm ister; ama sonuç ortada: hiç kusur görüntüsü toplamamış bir model, hat hızında kusur yakalıyor. Yalnızca hatasız parçayla muayenenin nerelere oturduğunu gerçek uygulamalarda görün.