Código de barras 1D (unidimensional): También denominado código de barras lineal, es un código leído por máquina que representa información mediante los anchos y los espacios de líneas paralelas. Estos son algunos ejemplos: Codabar, Code 128, Code 39, EAN, Intercalado 2 de 5, Pharmacode, POSTNET, y UPC.
Código de barras 2D (bidimensional): Un código que puede ser leído por máquina que almacena datos en forma horizontal y vertical. Estos son algunos ejemplos: Aztec, Data Matrix, MaxiCode y código QR.
Sistemas de visión 3D: dispositivos ópticos utilizados para capturar y procesar imágenes tridimensionales de objetos o escenas. Al mapear escenas en 3D, estas cámaras pueden manejar cambios y variaciones en los entorno de los objetos analizados. Ideales para aplicaciones de inspección, control de procesos, medición y guía robótica.
Iluminación a 30 grados: ilumina el objetivo en ángulo de 30 grados. Según la variación de la iluminación (30Q, 30T, 30S), esta proviene de los cuatro lados, de dos lados o de un solo lado. Esta técnica de iluminación es ideal para verificar códigos DPM en piezas curvas, planas y semibrillantes. También es bueno para códigos de impresión por puntos sobre un fondo texturizado.
Iluminación a 45 grados: ilumina el objetivo en ángulo de 45 grados. La luz entrante se refleja en vez de entrar en la cámara. Este tipo de iluminación se utiliza para verificar códigos de barras de etiquetas y códigos DPM en superficies anodizadas, de plástico o con acabado mate.
Iluminación a 90 grados: ilumina directamente hacia abajo y se refleja hacia arriba en la cámara. Esta es la única opción de iluminación para verificar códigos DPM en superficies brillantes y reflejantes.
Algoritmo: conjunto de instrucciones y cálculos que ayudan a una computadora a alcanzar un objetivo. En la automatización industrial, los algoritmos pueden clasificar conjuntos de datos masivos provenientes de sensores, escáneres y cámaras digitales para revelar ineficiencias, aumentar la calidad y recomendar mejoras. Un algoritmo “de aprendizaje” utiliza las metodologías de prueba y error y aprendizaje mediante el ejemplo para optimizar los procesos de producción sin intervención humana.
Apertura: en los códigos lineales 1D, apertura se refiere al tamaño de la muestra tomada a través de la longitud del código para leer las barras y los espacios mediante una línea de lectura especificada en milésimas de pulgada. En los códigos 2D, apertura se refiere a la muestra circular que se captura en las intersecciones de la cuadrícula. Las normas ISO dictan los tamaños de apertura para una calificación precisa.
Norma de aplicación: reglas de una organización que establecen las directrices para el marcado y la calificación de códigos de barras; por ejemplo, qué tipo de simbología es aceptable, cuál es la norma contra la cual se califica, cuáles son la calificación, la apertura y el rango de dimensiones X mínimos aceptables y los ángulos de iluminación necesarios, y cómo se deben formatear los datos dentro del código de barras.
Inteligencia artificial (IA): técnicas de computación que imitan la toma de decisiones humana y recurren a la automatización para realizar tareas que son difíciles para los humanos. Los algoritmos de IA son fundamentales para la automatización industrial porque pueden utilizar tecnologías como el reconocimiento de imágenes y el procesamiento de lenguaje natural para disminuir los errores humanos y anticipar desafíos de producción.
Alucinaciones de la IA: casos en los que un sistema de IA genera resultados o respuestas incorrectos o engañosos, que no se basan en datos reales o fácticos; es decir, que la IA “imagina” esencialmente datos que no existen. Esto suele ocurrir en modelos generativos como los generadores de lenguaje o de imágenes, que pueden fabricar información o hacer conexiones falsas, y rara vez es un problema en los sistemas de IA industrial.
Sesgos en la IA: los sistemas de IA producen errores o resultados incorrectos debido a sesgos introducidos durante el proceso de aprendizaje automático. Estos sesgos pueden deberse a datos de capacitación sesgados, algoritmos defectuosos o falta de diversidad en el conjunto de datos, lo que produce resultados injustos o discriminatorios. En la fabricación, un sesgo en la IA puede poner en riesgo los sistemas de visión artificial al distorsionar los resultados de la inspección, posiblemente pasando por alto o identificando defectos de forma errónea, lo que podría perjudicar la calidad del producto y la eficiencia operativa. Además, puede perpetuar las desigualdades sociales y promover la discriminación basada en raza, sexo u otros factores.
Escaneo de áreas: tipo de cámara 2D que se utiliza en visión artificial. Captura imágenes fijas detalladas. Es mejor para inspeccionar artículos pequeños y definidos. Estas pueden ser sensores simples, sensores de un solo propósito o sistemas con características más completos.
No uniformidad axial: se refiere a cuán “descuadrada” está la forma, o al grado de desviación a lo largo de los ejes horizontal y vertical del código 2D.
Propagación inversa: algoritmo que se utiliza para entrenar redes neurales minimizando el error entre las salidas previstas y reales. Implica una pasada hacia delante donde las entradas se procesan para producir una salida, seguida de una pasada hacia atrás donde el algoritmo ajusta las ponderaciones de la red (valores numéricos que determinan la fuerza de las conexiones entre las neuronas) utilizando el descenso del gradiente para reducir el error. Repetir este proceso muchas veces ayuda al modelo a aprender y mejorar la precisión.
Aumento del ancho de las barras: cantidad que el tamaño de una barra o elemento se desvía con respecto al tamaño ideal.
Código de barras: patrón artificialmente legible de espacios y líneas paralelas (1D) o de rectángulos, puntos y otros patrones geométricos (2D), que se aplica a productos, paquetes o piezas que contienen datos utilizados con fines informativos, de comercialización y de seguimiento.
Lector de códigos de barras: dispositivo que decodifica los datos o la información contenidos en un código de barras. Algunos lectores de códigos de barras usan luz láser para decodificar la información (lectores láser), mientras que otros utilizan luces o cámaras para capturar la imagen del código de barras, para luego leerlo y decodificarlo (lectores de códigos de barras basados en imágenes).
Verificación de códigos de barras: proceso de calificación de la calidad de impresión y la legibilidad de los códigos 1D, 2D y DPM en comparación con las normas especificadas. Dispositivo verificador de códigos de barras en línea o fuera de línea, que se utiliza para calificar la calidad de los códigos de barras.
Mitigación del sesgo: técnicas y estrategias utilizadas para reducir o eliminar el sesgo de los modelos de IA y aprendizaje automático. Esto implica detectar y resolver sesgos en los datos de capacitación, los algoritmos y los procesos de toma de decisiones, para asegurar que resultados sean justos. Los métodos comunes son: balanceo de datos, ajustes algorítmicos, eliminación de sesgos por oposición, y correcciones posteriores al procesamiento.
Compensación entre sesgo y varianza: equilibrio entre la capacidad de un modelo para minimizar el sesgo y la varianza, a fin de lograr la mejor precisión en la predicción. Un sesgo alto puede ser causa de subajuste, donde el modelo es demasiado simple y no refleja la complejidad de los datos. Por el contrario, una varianza alta puede ser causa de sobreajuste, donde el modelo es demasiado complejo y se desempeña bien con los datos de entrenamiento, pero mal con los datos no vistos. La compensación implica encontrar el nivel de complejidad justo para minimizar el error total
Grandes bases de datos: tecnologías que vinculan enormes conjuntos de datos de múltiples fuentes mediante herramientas de análisis para generar perspectivas únicas. Las grandes bases de datos sientan las bases de la IA porque los algoritmos de aprendizaje requieren montañas de información para emular la toma de decisiones humanas y producir pronósticos precisos. Una fábrica automatizada recurre a la analítica de grandes datos para informar sus iniciativas de IA. Tecnologías que reúnen enormes conjuntos de datos procedentes de diversas fuentes mediante herramientas de análisis, para generar información útil única. Las grandes bases de datos sientan las bases de la IA porque los algoritmos de aprendizaje requieren montañas de información para emular la toma de decisiones humanas y producir pronósticos precisos. Una fábrica automatizada utiliza el análisis de big data para informar sus iniciativas de IA.
Proceso de calibración: Mapeo de la medición de una cámara a los niveles de reflectancia reales, lo que establece una línea de referencia para los niveles de reflectancia del software de verificación. El proceso de calibración ajusta los niveles de reflectancia y controla estos niveles para garantizar los resultados de verificación más precisos. Para cumplir las normas de la ISO, un verificador debe contar con un proceso de calibración.
Tarjeta de calibración: tarjeta con símbolos maestros que se califican contra una tarjeta de referencia rastreable según el NIST. Estos símbolos se pueden usar para calibrar y verificar los valores de calibración.
Contraste de celdas: parámetro calificado según la norma ISO/IEC TR 29158 que es la versión DPM del parámetro ISO/IEC 15415, llamado “contraste del símbolo”, para calcular el valor de contraste relativo entre las barras y los espacios.
Modulación de celdas: parámetro calificado según la norma ISO/IEC TR 29158, que es la versión DPM de la modulación que se calcula calificando el rango de escala establecido conforme al promedio de distribución, en vez del promedio de la reflectancia máxima y mínima utilizado en la norma ISO/IEC 15415.
Grabado químico: una forma de marcado directo de piezas; el proceso de fabricación sustractivo de utilizar baños de productos químicos de grabado regulados por temperatura para eliminar material y crear un objeto con la forma deseada.
Clasificación: separar los datos en diferentes categorías mejora la eficacia de la IA. En la automatización industrial, los dispositivos que recopilan datos escanean el entorno de producción y reconocen objetos específicos, como piezas de máquinas y componentes electrónicos. Los algoritmos de IA ayudan a clasificar estos objetos y a encauzarlos hacia sus destinos correspondientes en la línea de producción.
Patrón de sincronización: cuenta del número de filas y columnas presentes en un código 2D.
Agrupación: segregación de un conjunto de puntos de datos en grupos, para determinar cuáles son similares y cuáles difieren. Los algoritmos de aprendizaje escanean agrupaciones para interpretar su significado y predecir cursos de acción adecuados. Por ejemplo, los algoritmos de agrupamiento procesan los datos de dispositivos de escaneo óptico para decidir qué hacer cuando un escáner detecta una imperfección en el producto.
Visión artificial: permite a las máquinas interpretar y entender la información visual del mundo. Eso implica enseñar a las computadoras a analizar y tomar decisiones basadas en datos visuales, como imágenes y videos, enfocados a menudo en identificar y clasificar objetos. Más allá de las aplicaciones industriales, la visión artificial se utiliza en diversos campos como reconocimiento facial, vehículos autónomos e imágenes de diagnóstico médico.
Tarjeta de calibración de conformidad: tarjeta que contiene símbolos de prueba con imperfecciones intencionales y que verifica las capacidades de reporte del verificador y la conformidad del documento contra normas del sector industrial como ISO 15415, ISO 15416 y especificaciones GS1.
Limpieza o depuración de datos: eliminación de datos erróneos para mejorar la efectividad de un algoritmo de aprendizaje. La IA depende de modelos de datos complejos que deben provenir de fuentes precisas, confiables y uniformes. Lamentablemente, la recopilación de datos suele generar información redundante, inexacta, obsoleta o inútil de algún otro modo. La limpieza (o depuración) de datos disminuye los riesgos y aumenta la precisión de la IA.
Aprendizaje profundo: una tecnología de IA diseñada para automatizar aplicaciones complejas y altamente personalizadas. Los procesos tienen lugar en una unidad de procesamiento gráfico (Graphics Processing Unit, GPU), que permite a los usuarios generar sofisticadas redes neurales a partir de conjuntos de imágenes grandes y detallados (de cientos a miles de imágenes). Aprovechando estas redes neurales, el Deep Learning analiza de forma rápida y eficiente grandes conjuntos de imágenes para detectar defectos sutiles o variables, y diferencia entre las anomalías aceptables e inaceptables.
Matriz de datos: un código 2D que puede codificar grandes cantidades de datos (hasta 2335 caracteres alfanuméricos o 3116 caracteres numéricos) y utilizan un sistema de corrección de errores para leer códigos que se encuentren dañados hasta en un 40 %. Consta de celdas blancas y negras dispuestas en un patrón cuadrado o rectangular, e incluye un localizador y un patrón de sincronización.
Decodificabilidad: califica la precisión de los anchos de las barras y espacios en comparación con su tamaño ideal. Un código de barras con aumento o deformación del ancho de las barras obtendrá una calificación de decodificación baja.
Decodificación: verifica si el código se puede leer mediante el algoritmo de decodificación de la referencia estándar.
Profundidad de campo: se refiere a la distancia entre los objetos más cercanos y más lejanos que aparecen dentro de foco en una imagen, o a la distancia desde donde un lector de códigos de barras puede decodificar correctamente un código de barras.
Marcado directo de piezas (DPM): un proceso para marcar piezas en forma permanente con información del producto, como números de serie, número de pieza, códigos de fechas y códigos de barras. Esto se realiza para poder seguir las piezas en todo su ciclo de vida útil. Entre los ejemplos están el grabado químico, la impresión por puntos y el marcado láser.
IA discriminatoria: modelos de IA que predicen resultados según los datos dados. Estos resultados pueden ser clasificaciones, como cuando una imagen es “buena” o “mala” para tareas de inspección, o cuando se identifica un párrafo de texto como positivo o negativo. Las predicciones no son abiertas; los modelos de IA saben qué predecir, lo que hace de esta una estrategia típica para las aplicaciones de visión artificial.
Iluminación difusa: proporciona iluminación uniforme desde varios ángulos, lo que elimina el brillo incluso de objetos espejeantes. Se utiliza a menudo para inspeccionar superficies brillantes, curvas o irregulares. También se puede usar para verificar códigos DPM impresos en piezas curvas o texturizadas. Para ser eficaces, la iluminación difusa requiere proximidad al objetivo.
Impresión por puntos: método de marcado directo de piezas que consta de un instrumento de grabado de carburo o diamante, que produce rápidamente una serie de pequeños puntos en la superficie de un material. La aguja se mueve sobre la superficie y deja marcas que incluyen caracteres alfanuméricos y códigos y logos que pueden ser leídos por máquinas.
Contraste de borde: mide la diferencia entre las barras y los espacios adyacentes.
Conteo de bordes: parámetro de tipo pasa o no pasa, que cuenta los bordes en un código 1D.
Aprendizaje de borde: tecnología de IA diseñada para ofrecer facilidad de uso, procesamiento de datos en el dispositivo o “en el borde”, con algoritmos previamente entrenados. Es fácil de configurar, requiere conjuntos de imágenes más pequeños (de apenas 5 a 10 imágenes) y periodos de entrenamiento más breves que las soluciones tradicionales basadas en el Deep Learning. No requiere experiencia en el dominio: personas sin experiencia en visión artificial pueden entrenar las herramientas de Edge Learning y obtener resultados de inspección en minutos.
Elemento: barra o espacio individual dentro de un código de barras lineal.
IA ética: Desarrollo de sistemas de IA que priorizan la equidad, la transparencia, la responsabilidad civil y el respeto de los derechos humanos. Eso asegura que las tecnologías de IA se implementen de manera responsable, sin causar daños ni discriminación, y promueve una toma de decisiones que beneficia a la sociedad mientras se protege la privacidad y la diversidad. En la fabricación, la IA ética asegura que la automatización y los procesos basados en la IA fomenten una producción más segura y eficiente, al tiempo que minimizan los sesgos y promueven la inclusión.
IA explicable (XIA): sistemas de IA diseñados para aclarar su proceso de toma de decisiones, de modo que los operadores puedan confiar en la tecnología y entender cómo las tecnologías de automatización influyen en la producción. Al ofrecer transparencia en la forma en que los modelos de IA llegan a sus conclusiones, XAI ayuda a los fabricantes a detectar posibles problemas, aumentar la eficiencia y poder dar cuenta de los procesos críticos. Esto promueve la confianza en los sistemas automatizados, lo que asegura un análisis más confiable e informado.
Aprendizaje federado: técnica de entrenamiento de modelos de aprendizaje automático con datos descentralizados, donde los datos se distribuyen entre varios dispositivos o nodos (como teléfonos inteligentes, dispositivos de la internet de las cosas, dispositivos de borde, etc.). En lugar de centralizar los datos y entrenar el modelo en una sola ubicación, el modelo se entrena localmente en cada dispositivo, y se agregan y comparten actualizaciones con un servidor central.
Campo de visión: tamaño general de la imagen o el área de cobertura de una cámara.
Patrón de localización: también conocido como “localizador” o patrón en “L”, conecta las líneas izquierda e inferior de un código 2D y ayuda al lector de códigos a ubicar y determinar la orientación de un código artificialmente legible.
Daño de patrón fijo: errores en el patrón de localización, el patrón de sincronización o la zona muda del código.
IA generativa: subconjunto de IA enfocado en crear contenido nuevo, como textos, imágenes, música, audio y video, mediante la detección de patrones en los datos existentes. Estos modelos utilizan técnicas como el Deep Learning y las redes neurales para generar resultados originales basados en los datos con los que fueron entrenados. A diferencia de la IA industrial, que suele utilizarse para clasificación o predicción, la IA generativa se enfoca en producir un contenido novedoso y creativo, capaz de imitar el contenido creado por el ser humano.
Descenso del gradiente: algoritmo de optimización fundamental que se utiliza en el aprendizaje automático para minimizar la función de costo mediante ajustes en los parámetros del modelo. Funciona calculando el gradiente, o pendiente, de la función de costo, y moviéndose en la dirección que reduce el error y converge eventualmente en la mejor solución.
Falta de uniformidad de la cuadrícula: mide la desviación más grande con respecto a la cuadrícula del código, es decir, qué tanto se apartan los ejes X e Y del ángulo de 90 grados.
Global Standards One (GS1): desarrolla las normas internacionales de comunicación empresarial, en especial los códigos de barras.
Umbral global: es el punto de definición en una escala de oscuro a claro, que determina si una celda está más cerca del claro o del oscuro.
Reconocimiento de imagen: usar la IA para analizar el contenido de una imagen digital. Los algoritmos de reconocimiento de imágenes pueden escanear millones de pixeles y usar el Edge Learning o el Deep Learning para distinguir entre personas, lugares y objetos. Estas tecnologías permiten escaneos de códigos de barras e inspecciones automatizadas que pueden mejorar significativamente la productividad de una fábrica automatizada. Ver también: visión artificial.
Verificador de códigos de barras en línea: dispositivo conforme a las normas ISO, que se instala en posición fija en una línea de producción utilizada para calificar automáticamente la calidad de un código de barras.
Comisión Electrotécnica Internacional (International Electrotechnical Commission, IEC): organización que establece las normas internacionales de todos los campos de la electrotecnología y que colabora con la Organización Internacional de Normalización (ISO) en algunas normas de calidad.
Organización Internacional de Normalización (International Organization for Standardization, ISO): organismo normativo integrado por representantes de diversas organizaciones normativas nacionales. Hay centenares de normas ISO, algunas de las cuales se relacionan con los códigos de barras: cómo se insertan datos en un código de barras, cómo se decodifican, cómo se mide el tamaño del código de barras y más. Hay tres normas ISO que se refieren a la calidad: ISO/IEC 15416 para códigos de barras 1D, ISO/IEC 15415 para códigos de barras en etiquetas 2D, e ISO/IEC TR 29158 para códigos 2D marcados directamente en las piezas (DPM).
La internet de las cosas (IoT): una red de sensores conectados a internet para recopilar inteligencia en tiempo real de máquinas y comportamiento humano. Los dispositivos pueden ser: dispositivos portátiles, cámaras de video, monitores de tráfico y sensores de maquinarias y líneas de producción. Los sensores de la internet de las cosas (IoT) generan las cantidades masivas de datos necesarias para posibilitar el aprendizaje automático.
ISO/IEC 15416: norma de verificación de códigos de barras 1D. Esta norma exige tomar 10 líneas de escaneo individuales a lo largo de un código y asignar una calificación a cada línea según el parámetro de calificación más bajo para dicha línea. La calificación formal se obtiene calculando el promedio de las calificaciones de todas las líneas de lectura individuales.
ISO/IEC 15415: norma de verificación de códigos de barras 2D en etiquetas. Esta norma los califica de acuerdo con ocho parámetros relacionados con imágenes y con datos. La calificación individual más baja se convierte en la calificación general del código.
ISO/IEC TR 29158: norma de verificación de códigos de barras marcados directamente en las piezas (Direct Part Mark, DPM). Esta norma es una extensión de la metodología de calificación de la calidad del símbolo definida en la norma ISO/IEC 15415. Además, define condiciones de iluminación alternativas, algunos parámetros nuevos, modificaciones de la medición, calificación de ciertos parámetros y el reporte de resultados de la calificación.
Modelos de lenguaje grandes (LLM): modelos de aprendizaje automático avanzados, entrenados con grandes cantidades de datos de texto para entender, generar y manipular el lenguaje humano con gran eficiencia. Mediante el Deep Learning y las redes neurales, predicen y producen texto que imita patrones de lenguaje natural, lo que permite la automatización de tareas como traducción, elaboración de resúmenes y generación de contenido. Los modelos de lenguaje grandes (Large Language Models, LLM), como GPT de OpenAI, mejoran las aplicaciones de procesamiento de lenguaje natural, lo que promueve la eficiencia y la innovación en la fabricación y más allá.
Marcado con láser: método de marcado directo de piezas que etiqueta materiales mediante un rayo láser que graba, elimina, colorea, pavona y espuma la superficie de un objeto.
Escaneo en línea: se utiliza en aplicaciones de inspección continua como la fabricación de entramados. Estas toman una imagen amplia, pero muy delgada, a medida que el material pasa por el área de escaneo. Luego, utilizan software para reconstruir la imagen línea por línea. Son significativamente más rápidas en estas aplicaciones que las cámaras 2D ordinarias.
Aprendizaje automático: procesos informáticos que pueden mejorar los resultados sin necesidad de programación humana. Los algoritmos de aprendizaje automático entrenan una computadora para buscar el éxito, evitar fallas millones de veces para que consiga sus objetivos y generar así resultados de aprendizaje. Por ejemplo, el reconocimiento de imagen analiza millones de imágenes para diferenciar objetos en una imagen digital. Ver también: datos de entrenamiento.
Visión artificial: aplicación de visión artificial en entornos industriales, que usa cámaras, sensores y software para inspeccionar, medir y tomar decisiones sobre productos en las líneas de fabricación. La IA mejora la visión artificial tradicional basada en reglas al habilitar el análisis basado en imágenes, donde los sistemas comparan imágenes contra bases de datos de referencia para identificar defectos o anomalías. Este proceso automatiza las inspecciones visuales complejas, mejorando la calidad del producto, reduciendo errores y disminuyendo costos. Las dos principales tecnologías de IA (el Edge Learning y el Deep Learning) ayudan a simplificar aún más la automatización de tareas sumamente variables y a resolver tareas que son muy complejas y que consumen mucho tiempo como para programar con algoritmos en base a reglas.
Sistemas de visión artificial: una solución que permite “ver” a las máquinas industriales. Mediante el uso de cámaras y software de procesamiento de imágenes, este sistema captura y analiza imágenes bidimensionales para realizar tareas de producción, como inspecciones, mediciones e identificaciones.
Mil: milésima de pulgada (0.001”).
Reflectancia mínima: en un código de barras 1D, este parámetro verifica que las barras del código sean suficientemente oscuras para igualar la proporción de luz que es necesario que reflejen los espacios. En los códigos DPM, mide el brillo de la imagen original. La norma ISO/IEC TR 29158 exige que el software de verificación abrillante automáticamente una imagen antes de realizar el proceso de verificación. Si el símbolo tiene un brillo inferior al 5 % antes del ajuste, será rechazado.
Dimensión X mínima: se refiere a la limitación de resolución de la cámara de un verificador de código de barras. Al seleccionar un verificador, la dimensión X mínima debe ser inferior al tamaño de la barra o el módulo más pequeño del código impreso o marcado más pequeño.
Modulación: calificación basada en la variabilidad de la reflectividad de los módulos. Se utiliza un proceso de varios pasos para determinar la calificación.
Túneles de visión modular: túneles de escaneo flexibles, diseñados para aumentar la velocidad y la eficiencia en operaciones logísticas como clasificación, entrada de mercancías y logística saliente. Ofrecen lectura de códigos de barras de 1 a 6 lados, son escalables para muchas velocidades y separaciones de embalajes, y cuentan con lectores de códigos de barras basados en imágenes DataMan, con tasas de lectura confiables y decodificación de simbología mixta.
IA multimodal: sistemas de IA que procesan e integran simultáneamente varios tipos de datos, como texto, imágenes, audio y video, para obtener información útil más precisa y congruente con el contexto. Al combinar estas entradas, mejora aplicaciones como las inspecciones automatizadas de la fabricación, donde los datos visuales y de texto mejoran la detección de defectos. Esta capacidad permite que la IA interprete entornos complejos de manera más eficaz, lo que aumenta la eficiencia, la precisión y la adaptabilidad en tareas industriales y de automatización.
Procesamiento del lenguaje natural (NLP): rama de la IA que permite a las computadoras entender, interpretar, generar y responder el lenguaje humano. Al combinar la lingüística y el aprendizaje automático, el NLP (Natural Language Processing) impulsa aplicaciones como el análisis de sentimientos, la traducción de idiomas y el procesamiento automatizado de textos. En este contexto, aumenta la eficiencia mediante sistemas de control activados por voz, lo que permite a los operadores interactuar con la maquinaria mediante comandos orales. Asimismo, automatiza el análisis de registros y reportes de mantenimiento para detectar patrones de mantenimiento predictivo y reducir los tiempos de inactividad. NLP puede optimizar la administración de la cadena de suministro mediante el procesamiento de órdenes de compra y datos de envío, lo que conduce a una toma de decisiones más inteligente y una mejor eficiencia operativa.
Redes neurales: algoritmos y nodos de datos inspirados por las vías neurales del sistema nervioso humano. Una red neural emula la forma en que las células nerviosas reciben información, la procesan y la trasmiten a otros nervios. Los miles de nodos de procesamiento en una red neural detectan patrones en datos como imágenes, textos y palabras habladas. Estos patrones ayudan al algoritmo a decidir qué hacer a continuación y a aprender cómo desempeñarse mejor cada vez que realiza una tarea de forma satisfactoria.
Verificador de códigos de barras en fuera de línea: dispositivo manual o de escritorio conforme a las normativas ISO, que se utiliza para calificar manualmente la calidad de un código de barras, a menudo con evaluación de lotes de muestras.
Reconocimiento óptico de caracteres (OCR): Traducción de números, letras y caracteres impresos a datos digitales significativos. Las tecnologías de IA han causado un salto cuántico en la precisión del OCR (Optical Character Recognition), lo que permite escanear etiquetas dobladas, rasgadas, dañadas y oscurecidas por envolturas plásticas.
Sobreajuste: cuando un modelo de aprendizaje automático es excesivamente complejo y no solo aprende los patrones subyacentes de los datos, sino también el ruido o las fluctuaciones aleatorias. Como resultado, el modelo funciona muy bien con los datos de entrenamiento, pero lo hace mal con los datos nuevos y únicos, en esencia, memorizó el conjunto de entrenamiento en lugar de generalizarlo. Esto disminuye la capacidad del modelo para hacer predicciones exactas con base en los datos del mundo real.
Presencia o ausencia: el proceso de determinar si una pieza, objeto o característica específica está presente o ausente en una imagen. Varias herramientas de software, como las herramientas de conteo de pixeles, patrones y presencia/ausencia perimetral, se utilizan para encontrar piezas con base en el número de pixeles, el reconocimiento de patrones o las características del borde lineal.
Zonas mudas: un espacio en blanco alrededor del código de barras que lo separa de los gráficos, las formas y las texturas circundantes. Las especificaciones de los códigos de barras individuales definen la magnitud de la zona muda.
Margen de reflectancia: los márgenes de modulación y de reflectancia suelen ser los mismos, pues solo difieren cuando se determina que algunos módulos tienen un color incorrecto y se recurre a la corrección de errores.
Regularización: técnica de aprendizaje automático que ayuda a mejorar la precisión del modelo al evitar sobreajustes. Esto se hace agregando una penalización por complejidad, lo que favorece modelos más sencillos que se comportan mejor con los nuevos datos. Los tipos comunes de regularización son: Lasso, Ridge y Elastic Net, cada uno de los cuales ayuda a construir modelos más confiables.
Aprendizaje de refuerzo: tipo de aprendizaje automático en el que un agente aprende a tomar decisiones por interacción con el entorno para maximizar las recompensas acumuladas. El agente, que puede ser un programa de software o un robot físico, recibe retroalimentación en forma de recompensas o sanciones, según sus acciones. Refina su estrategia mediante prueba y error, lo que mejora el rendimiento con el tiempo. Esta estrategia es especialmente eficaz en escenarios secuenciales de toma de decisiones, como robótica, juegos o vehículos autónomos.
Automatización de procesos robóticos (RPA): dispositivos, software y procesos que automatizan la producción, aumentan la productividad y libera al personal de las tareas tediosas y repetitivas. Los dispositivos de RPA (Robotic Process Automation) son brazos robóticos que realizan tareas como soldar piezas automotrices o ensamblar microprocesadores. El software de RPA puede incluir algoritmos y aplicaciones que automatizan procesos que antes requerían intervención humana.
Perfil de reflectancia del escaneo (SRP): representa los valores de reflectancia cambiantes de un código de barras lineal a todo su ancho. Esto constituye una base para medir y calificar los parámetros de calidad utilizados.
Análisis de sentimientos: proceso cibernético que determina si un escrito es positivo, negativo o neutral. Clasifica el texto según el estado de ánimo o la mentalidad expresada, mediante el uso de varios algoritmos de procesamiento de lenguaje natural como las estrategias automáticas e híbridas basadas en reglas.
Contraste de símbolos: valor calificado que mide la diferencia entre la reflectividad máxima del espacio más claro y la reflectividad mínima de la barra más oscura de un código.
Datos estructurados: marco de referencia que ayuda a las máquinas a entender el significado de los datos y procesarlos con precisión. Los datos estructurados se almacenan en formatos uniformes, similares a las filas, columnas y celdas de una hoja de cálculo.
Datos no estructurados: otro marco de referencia que ayuda a las máquinas a entender qué significan los datos y cómo deben procesarse. Los datos no estructurados son como el texto en un archivo de procesador de palabras o los pixeles de un video. Los algoritmos de IA permiten que los sistemas de automatización industrial extraigan conocimientos de ambos tipos de datos.
Aprendizaje supervisado: tipo de aprendizaje automático en el que el modelo se entrena mediante datos etiquetados y cada entrada se empareja con la salida correcta. El modelo aprende a asignar entradas a las salidas correctas detectando patrones en los datos durante el entrenamiento. Una vez entrenado, el modelo puede hacer predicciones con base en datos nuevos, no vistos previamente, según esos patrones aprendidos.
Inteligencia de enjambre: un conjunto de algoritmos que trabajan en conjunto para generar una inteligencia que supera la capacidad de los individuos dentro del enjambre. Basado en el comportamiento de las abejas, los peces, los pájaros y otros organismos sociales, el sistema de inteligencia de enjambre asigna tareas específicas simples a algoritmos individuales de aprendizaje automático. Permitir que los algoritmos trabajen juntos puede producir resultados de aprendizaje mucho más sofisticados de los que podría generar un solo algoritmo. Ver también: redes neurales.
Tokenización: parte fundamental del procesamiento del lenguaje natural (Natural Language Processing, NLP), que implica dividir un flujo de texto en unidades más pequeñas llamadas “token”. Estos token pueden variar desde caracteres individuales hasta palabras o frases completas, lo que facilita que las máquinas analicen y entiendan el lenguaje humano.
Rastreabilidad: capacidad de seguimiento y rastreo del historial, la aplicación o la ubicación de un artículo en la cadena de suministro. Recopila información sobre el proceso de fabricación; por ejemplo, en dónde se originó un producto, qué materiales contiene y cómo se fabricó.
Datos de entrenamiento: Información digital que alimenta el aprendizaje en un algoritmo de IA. La IA y los algoritmos de las redes neurales deben reconocer la diferencia entre datos buenos y malos. Los datos de entrenamiento les permiten resolverlo. En una fábrica automatizada, por ejemplo, las imágenes digitales aportan datos de entrenamiento que ayudan a que los algoritmos aprendan a encontrar piezas defectuosas y mantenerlas fuera de los productos terminados.
Aprendizaje por transferencia: técnica de aprendizaje automático en la que un modelo entrenado para una tarea se reutiliza como base para una segunda tarea. Esta estrategia funciona mejor cuando la segunda tarea se relaciona con la primera, o cuando los datos de la segunda tarea son limitados. Al usar las características aprendidas de la primera tarea, el modelo puede adaptarse de manera más eficiente a la nueva tarea.
Subajuste: cuando un modelo de aprendizaje automático es demasiado simple para capturar los patrones subyacentes de los datos. Esto suele suceder cuando el modelo no tiene complejidad suficiente o las características que utiliza son demasiado limitadas. Esto causa un desempeño deficiente, tanto del entrenamiento como de los datos no vistos, lo que entorpece la capacidad del modelo para generalizar y hacer predicciones precisas. Es uno de los problemas que deben evitarse al crear modelos de IA, ya que limita la capacidad del modelo para generalizar y hacer predicciones exactas.
Corrección de error sin usar: porcentaje de capacidad de corrección de errores que está disponible para otros módulos incorrectos.
Aprendizaje no supervisado: estrategia de aprendizaje automático en la que el modelo se entrena con datos sin resultados etiquetados. El objetivo es que el modelo identifique de manera autónoma patrones, relaciones o estructuras en los datos. Se utiliza comúnmente para agrupar, detectar anomalías o descubrir relaciones ocultas en grandes conjuntos de datos.
Validación: confirma que el formato de los datos del código de barras es correcto según los requisitos de la aplicación, de modo que un sistema informático que reciba los datos del código de barras pueda interpretar correctamente su significado.
Dimensión X: Tamaño de la barra más angosta o del módulo más pequeño en cualquier código de barras; normalmente se mide en milésimas de pulgada (mils).