Når jeg taler med folk fra produktion og byggematerialer, er der ét emne, der altid får ekstra opmærksomhed i samtalen. Det er kvalitetssikring. Og det er forståeligt nok. Visuelle defekter, materialefejl og afvigelser fra spec kan koste enormt, både i kassationer og i kunderelationer. Det er et af de få områder, hvor en stor del af virksomhederne er reelt åbne over for at høre, om AI kan hjælpe.
Min korte version er, at AI Vision kan understøtte en del af det arbejde, men ikke erstatte det. Den nuance er værd at holde fast i, fordi sælgere på markedet ofte glemmer den.
Hvad computer vision egentligt gør
Computer vision er, kort fortalt, billedbehandling med maskinlæringsmodeller. Man tager mange billeder af noget, man gerne vil kunne genkende eller måle, træner en model på det, og derefter kan modellen kigge på nye billeder og give et output. Det kan være en kategori (er det her en sprække eller ej?), en placering (hvor på fliserne sidder den?), en måling (hvor stor er den?), eller en sandsynlighed (hvor sikker er modellen?).
Det er teknisk simpelt at forklare. I praksis er det sværere, end mange tror. Først skal man have nok billeder af de fejl, man ønsker at fange. Det er ofte den største praktiske hindring, fordi visse fejl heldigvis er sjældne. Dernæst skal man have billeder af samme tilstand under realistiske lysforhold, vinkler og baggrunde, ikke kun under perfekt opsætning. Endelig skal man have klare regler for, hvad der tæller som fejl, og være enige om dem på tværs af de mennesker, der vurderer.
Den her sidste del er den, jeg ser blive overset oftest. To erfarne kvalitetsfolk har sjældent fuldstændig enige regler for, hvornår en revne er stor nok til at kassere. Det er ikke et problem, før man skal lære en model det, så er det pludseligt det vigtigste spørgsmål.
Hvad det ikke kan
Det er værd at være tydelig på, hvad AI Vision ikke kan, i hvert fald ikke i dag og ikke uden et betydeligt forarbejde. Det kan ikke garantere at fange alle fejl. Det kan ikke beslutte, om en defekt er kritisk eller acceptabel, ud fra forhold den ikke har set før. Det kan ikke erstatte en kvalitetschefs vurderinger i grænsetilfælde. Og det kan ikke fungere som et lovgivningsmæssigt eller sikkerhedsmæssigt anker, hvor en menneskelig vurdering er påkrævet.
Der findes leverandører, der lover meget. Det er ikke alle leverandører, der gør det. Men nok til at man skal være på vagt. Der findes ikke en model, der ser alt. Man kan komme tæt på pålidelighed inden for et meget afgrænset felt med konsistente forhold. Det er den realistiske ambition.
Et eksempel på hvor det giver mening
Lad mig gøre det konkret. Hos et byggematerialefirma kunne det fungere fint at lade en model kigge billeder igennem af færdige paller, lige inden de bliver kørt ud, for at fange tydelige afvigelser i sortering eller stabling. Det er en afgrænset opgave med et regelsæt, alle på lageret kan blive enige om, og det er nemt for en medarbejder at tage over i de tilfælde, hvor modellen er i tvivl.
På samme firma ville det derimod være urealistisk at bruge modellen til at vurdere, om en returneret vare er beskadiget af leveringen eller af kundens egen håndtering bagefter. Der er for mange variable i spil, billederne kommer sjældent i ensartede vinkler, og konsekvensen ved et forkert kald er for stor, både for kunden og for økonomien.
Det er ikke modellen, der er for svag. Det er bare to opgaver, der ligner hinanden udefra, men ligger meget langt fra hinanden, når man kigger på, hvad der reelt skal vurderes.
Hvad jeg ville rådgive om, før man går i gang
Den første anbefaling er at starte småt. Vælg én konkret type fejl, der koster nok til, at det er interessant, og som er hyppig nok til at man kan samle billeder af den. Vælg ikke ti.
Den anden anbefaling er at involvere kvalitetsmedarbejderne fra dag ét. De skal ikke føle, at noget bliver gjort i dem. De skal være med til at definere reglerne. Det er deres faglighed, der bliver formaliseret. Ikke deres job, der bliver erstattet.
Den tredje anbefaling er at indrette processen sådan, at modellen aldrig er sidste instans. Den foreslår. Et menneske beslutter, i hvert fald i begyndelsen og i grænsetilfælde. Det er en arbejdsmodel, der både er ansvarlig og praktisk.
For dem, der vil dykke ned i hvilke typer opgaver der typisk passer til denne teknologi, er AI Vision til visuel kvalitetssikring og kontrol et fornuftigt sted at orientere sig. Det handler om praktiske anvendelser i produktion og kvalitetsarbejde, ikke om imponerende laboratorieresultater.
En lille caveat til sidst
Det er et område, hvor pålidelighed afhænger ekstremt meget af forholdene. En model, der virker fint i én del af året, kan have det svært i en anden, hvis lyset er anderledes. En model, der virker fint på ét produkt, virker måske dårligere på et lignende. Det er sjældent et tegn på at modellen er dårlig. Det er ofte et tegn på, at træningsdataene ikke dækkede den nye situation godt nok endnu.
Min bedste rådgivning til dem, der står på tærsklen, er den her. Tag teknologien alvorligt, men tag også klimaet omkring den alvorligt. Det er der det meste af succes-arbejdet ligger, og det er sjældent leverandøren, der kan svare på det for jer.
Kilde: Europa-Kommissionen, “Artificial Intelligence Act, technical documentation obligations for high-risk AI systems”, 2024.