AI e Controllo Qualità: Rivoluzione o Hype? Cosa succede davvero in fabbrica

L’intelligenza artificiale nel controllo qualità non è sempre la scelta giusta: dopo oltre 18 anni sulle linee di produzione, so che tra l’hype di una nuova tecnologia e la realtà di fabbrica c’è una bella differenza.

Come CEO di Vision-e — azienda che progetta sistemi di visione su misura per ridurre difetti e resi, con oltre 18 anni di esperienza e più di 100 installazioni nel mondo — mi confronto ogni giorno con Imprenditori e Direttori di produzione. Il loro obiettivo non è “avere l’AI”, ma avere una produzione efficiente.

Il mio ruolo non è vendere la novità, ma progettare la soluzione migliore. E la verità scomoda è questa: non serve sempre l’AI. Anzi, usarla nel modo sbagliato crea incertezza e colli di bottiglia.

Ecco i 4 criteri decisionali che utilizziamo in ogni nuovo progetto per garantire che l’innovazione porti efficienza reale, e non solo complessità.

Quando conviene l’AI e quando gli algoritmi tradizionali nel controllo qualità?

Nel controllo qualità si usano algoritmi rule-based per le misure dimensionali certe e il deep learning tendenzialmente per i difetti estetici imprevedibili o con geometrie complesse.

L’efficienza industriale si basa sulla certezza, non sulla scommessa. L’AI lavora su base probabilistica: se devi misurare un pezzo al micron o verificare un colore specifico, quel margine di incertezza è inaccettabile. La scelta dell’approccio dipende dal tipo di controllo:

Il risultato? Usiamo il “rigore” dove serve precisione, e l'”intuizione” dove serve flessibilità.

Meglio un modello AI addestrato su misura o un foundation model pronto all’uso?

Un modello addestrato su misura è più preciso sui dettagli di un foundation model generico e più veloce nell’esecuzione.

I Foundation Models sono modelli che promettono di funzionare “senza addestramento”. Uno degli esempi di maggior successo è SAM (https://github.com/facebookresearch/segment-anything/tree/main) rilasciato da Meta. Sembra una rivoluzione, ma attenzione: spesso sono meno precisi sui dettagli. E in produzione, un difetto non rilevato è un costo enorme.

Per noi la vera efficacia di un modello è che garantisca precisione ed efficenza. Se il modello funziona ma per fare un analisi sul singolo prodotto impiega 1 minuto su una linea di produzione non va bene.

L’accuratezza va sempre bilanciata con l’efficenza, per questo modelli addestrati su misura spesso vincono nel controllo qualità industriale rispetto ai foundation model.

Quali dati servono per addestrare un controllo AI che funzioni davvero?

Servono immagini che rappresentino il processo reale, con le sue varianti, e criteri espliciti su cosa è conforme, cosa no e cosa è caso dubbio.

Un modello su misura vale quanto i dati con cui lo addestri. In ogni progetto chiediamo al cliente tre cose: immagini raccolte in condizioni reali di linea (non in laboratorio), le varianti normali del prodotto che non devono generare falsi scarti, e i criteri con cui oggi si decide cosa passa e cosa viene scartato.

E c’è un punto che sorprende sempre: per l’anomaly detection spesso bastano i campioni buoni. Il sistema impara la “normalità” del pezzo e segnala tutto ciò che se ne discosta — compresi difetti che nessuno aveva previsto in fase iniziale. È l’approccio che seguiamo con DeepInspector, la libreria che abbiamo sviluppato internamente per portare questi moduli sulle linee di produzione.

Come verifico che il modello funzioni su pezzi mai visti prima?

Il modello va provato su immagini escluse dall’addestramento: solo così misuri il comportamento reale in linea, non la memoria del sistema.

Se un fornitore vi mostra un’accuratezza del 99% calcolata sugli stessi pezzi usati per l’addestramento, quel numero non vi dice nulla: state misurando quanto il modello ricorda, non quanto generalizza.

La verifica seria si fa in due mosse:

• Separare i dati: una parte delle immagini resta fuori dall’addestramento e si usa solo per il test finale.
• Confrontare col criterio operativo: il risultato del test va misurato contro il criterio di scarto reale della linea, non contro una metrica astratta.

È questo passaggio che trasforma una demo promettente in un controllo affidabile in produzione. Senza, ogni cambio di lotto o di illuminazione diventa una scommessa.

I Vision Language Models (VLM) sono adatti al controllo qualità industriale?

Oggi i VLM sono prematuri per la linea: troppo lenti per i ritmi produttivi e soggetti ad allucinazioni, dove invece serve ripetibilità rigorosa.

È il trend del momento: modelli a cui puoi “chiedere” cosa vedono (come ChatGPT, ma per le immagini). Sono affascinanti, ma in un contesto di automazione ad alta velocità presentano due limiti concreti:

• Latenza: sono troppo lenti per i ritmi produttivi industriali.
• Allucinazioni: la loro natura può generare risposte errate ma plausibili.

Nel controllo qualità serve ripetibilità rigorosa, non “creatività”. Al momento, i VLM sono rischiosi per la linea di produzione.

I VLM sono Foundation Models?

Qui c’è da fare una distinzione. Esistono diverse tipologie di Foundation Models. I VLM semplicemente aggiungono alla tecnologia dei normali LLM la parte di analisi immagini.

Spesso un VLM al suo interno può contenere un modello tipo SAM visto in precedenza per analizzare le immagini.

Di fatto i VLM sono foundationsModels multi Task dove attraverso il linguaggio naturale posso eseguire diverse operazioni.

Foundation Models come SAM non hanno una conoscenza generale. Se gli chiedo la capitale dell’Italia non sanno rispondere sono addestrati per uno specifico task e quello eseguono.

Ma allora gli LLM-VLM sono inutili nel controllo qualità indutriale?

No. Un LLM come assistente suggerisce all’operatore come correggere setup e parametri in linguaggio naturale, riducendo tempi di cambio formato ed errori.

L’efficienza crolla se ogni volta che c’è un problema serve un super-esperto. Per questo in Vision-e stiamo integrando l’AI (LLM) non per guardare il prodotto, ma per aiutare l’operatore.

Immaginate un “assistente virtuale” che suggerisce come ottimizzare i parametri o risolvere un errore di setup in linguaggio naturale. Questo riduce drasticamente i tempi di cambio formato e minimizza gli errori umani.

L’AI nel controllo qualità è davvero una rivoluzione?

Sì e no: l’AI abilita controlli prima impossibili, ma il valore reale nasce dallo scegliere la soluzione più efficace per lo specifico problema.

Per certi versi è una rivoluzione: oggi facciamo controlli che prima erano impossibili. Ma la vera differenza non la fa lo strumento in sé, bensì la capacità di scegliere la soluzione efficace, efficiente e sostenibile per quello specifico problema. Più si tengono in considerazione questi fattori, più l’innovazione diventa un asset strategico e non un costo da gestire.

Se stai valutando come portare un controllo qualità automatizzato sulla tua linea, Vision-e segue il cliente dal setup alla messa a regime con assistenza tempestiva per evitare fermi linea.