Casos de uso y beneficios de Edge Learning en logística

En los últimos años, la industria de la logística ha experimentado un cambio importante hacia la automatización y la digitalización. Con el aumento del comercio electrónico y la creciente demanda de entregas más rápidas y eficientes, las empresas de logística recurren a tecnologías avanzadas como el Edge Learning para optimizar sus operaciones. 

Edge Learning, un subconjunto de la inteligencia artificial, está demostrando ser un cambio revolucionario en la industria de la logística, habilitando análisis de datos en tiempo real, predicción y toma de decisiones “en el borde” de la red.

Enfrentando los desafíos de la pandemia con la innovación de Edge Learning  

Durante los tiempos difíciles de la pandemia, la logística desempeñó un papel crucial en el cumplimiento de las altas demandas de producción. Una preocupación importante durante este tiempo fue reducir el número de puntos de contacto humanos, o el número de veces que se tocaba físicamente un paquete. Cuando la COVID se extendió, proporcionamos lectores de códigos de barras de montaje fijo y escáneres de códigos de barras portátiles para ayudar a nuestros clientes y mantener seguros a los operadores. Colaborar con nuestros clientes y proporcionar esta tecnología innovadora para sus sistemas, nos ayudó a tener un impacto importante cuando más era necesario. 

Perspectivas sobre el poder de Edge Learning en logística  

Hablamos con Bart Piela, gerente de mercadotecnia de productos, Soluciones de Visión de Logística, para conocer su opinión sobre cómo Edge Learning transforma la logística y los beneficios clave que ofrece a la industria.   

Bart ha trabajado en Cognex durante seis años y en logística durante más de dos años. Ha trabajado con una variedad de clientes de logística incluyendo negocios pequeños que acaban de comenzar su viaje de automatización, fabricantes de equipos originales y líderes de la industria altamente experimentados. Gracias a esta experiencia, Bart conoce los pormenores de cómo opera la logística junto con su importancia en la producción.  

¿Cómo Edge Learning ayuda a la industria de la logística?

Bart: En la automatización industrial los entornos se controlan con frecuencia. En estos espacios se fabrican productos repetitivos que siempre tienen el mismo aspecto, como pasta de dientes o piezas mecánicas. Sin embargo en logística, ninguna caja o paquete se verán iguales.   

Al analizar la distribución minorista, el comercio electrónico o incluso la distribución de paquetes postales, hay muchas diferencias de un paquete a otro que se inspecciona cada día, cada hora y cada temporada.

La industria de la logística también es más nueva en la automatización. Alrededor de 80% de todo el almacenamiento actual no tiene ningún tipo de automatización. Esto representa una enorme oportunidad para ofrecer soluciones de automatización que pudieran beneficiar a innumerables proveedores de logística. Una solución es solo un sistema construido previamente, listo para usar y empacado de Cognex que es fácil de configurar.   

Imagine comprar un equipo muy costoso cuyo uso puede resultar intimidante comparado con confiar en humanos para realizar tareas de automatización. Algunos clientes no se sienten cómodos invirtiendo en soluciones muy costosas por lo que confían en que los humanos lo hagan de la misma manera de siempre.   

Es mucho menos abrumador instalar una solución personalizada simple que se empaca para satisfacer las necesidades de un cliente. La integración lenta de la automatización y la tecnología de IA de borde en la fabricación comienza con un paso a la vez. Ayuda especialmente a los clientes que recién comienzan su recorrido hacia la automatización.  

Ahí es donde entra en juego Edge Learning.  
 

¿Qué es el Edge Learning?

Edge Learning es una tecnología de inspección que maneja fácilmente las variaciones de cómo podría verse una caja, una bolsa de poliéster o una bolsa rígida, lo cual es particularmente relevante en logística.   

Gracias a algoritmos previamente capacitados, Edge Learning solo necesita algunas imágenes de entrenamiento para “aprender”, lo que hace que la instalación sea extremadamente fácil. Optimiza el proceso al aprender rápidamente y adaptarse a las necesidades de la línea de fabricación. Tampoco se requiere conocimiento previo de visión artificial o programación. Es perfecto para principiantes y expertos en visión.

Al final del día, damos asistencia a los proveedores de maneras únicas con tecnología de Edge Learning. Nuestros usuarios obtienen rendimiento, exactitud y velocidad de sus sistemas visuales mucho mejores que nunca.

¿A qué tipo de aplicaciones se aplica Edge Learning?

Bart: Para nuestras herramientas de Edge Learning no hay límite para lo que imaginamos. Estamos apuntando a aplicaciones como detección de elementos, clasificación de elementos y detección de problemas de procesos. 

La detección de elementos son aplicaciones donde buscamos detectar la presencia o ausencia de un elemento en un clasificador. La clasificación de elementos es donde diferenciamos elementos por característica. Por ejemplo, diferenciar una caja de una bolsa de polietileno. 

La detección de problemas en los procesos es una categoría de aplicaciones en donde intentamos realizar, por ejemplo, mantenimiento preventivo o inspección de problemas de higiene, artículos atorados o atascos en la banda transportadora.    

¿Quién se beneficiará más con esta tecnología?

Bart: Con el detector In-Sight 2800 vemos algunos beneficios en todas las áreas de almacén pero especialmente en áreas donde el cliente desea agregar inteligencia de procesos y reemplazar hardware antiguo o de bajo rendimiento, como sistemas de visión artificial en base a reglas. 

Realmente vemos que esto se desarrolla bien en la clasificación de procesos donde el cliente intenta mantener la mejor eficiencia operativa y rendimiento para satisfacer los pedidos. 

También creo que este producto puede cambiar el juego cuando se trata de exactitud de clasificación y rendimiento del clasificador. Esta tecnología puede ofrecer un fuerte retorno de la inversión ya que mejorar la exactitud de clasificación reduce los costos adicionales asociados con el retrabajo, artículos dañados o manipulados manualmente. 

Puede manejar problemas que, de otro modo, serían prohibitivos en cuanto a costos y requerirían mucha experiencia. Sin embargo, ahora con el aprendizaje automático en el borde las personas obtienen poder con simplicidad a un costo asequible, lo que lo hace accesible para cualquier persona. 
  

¿Cómo configurar Edge Learning en In-Sight 2800? 

Bart: Se necesitan tres pasos rápidos y sencillos para configurar In-Sight 2800. Después de sacar el dispositivo listo para usar y encenderlo: 

Paso 1: Optimiza su imagen con solo un clic para mejorar el enfoque y la exposición para capturar una buena imagen. 

Paso 2: Entrene con algunas imágenes recopilando ejemplos de cómo es su proceso o aplicación. 

Por ejemplo, con una aplicación de detección de elementos, deberá recopilar un par de imágenes de cómo se ve una bandeja vacía y cómo se ve una bandeja ocupada. Después de eso, puede capacitar el sistema en segundos. 

Con una aplicación de clasificación de artículos, recopile un par de imágenes de cómo se ve una caja, una bolsa de papel, una bolsa de poliéster y capacítelas en segundos. 

Paso 3: ¡Implemente, configure sus entradas/salidas discretas o sus comunicaciones industriales, ¡y estará en funcionamiento! 

Los innovadores algoritmos previamente capacitados incorporados en el aprendizaje automático en el borde facilitan y agilizan la configuración en un plazo de 10 a 15 minutos, sin necesidad de un especialista en visión o hardware adicional. 

¿Cómo Edge Learning ha mejorado la industria de la logística en el mundo actual en comparación con lo que se dependía en el pasado?

Bart: Hace más de cinco años, usábamos algoritmos en base a reglas, difíciles de diseñar y frágiles ante condiciones cambiantes, incluyendo el desgaste en el sistema de transporte, además de cambios en el flujo del proceso o el diseño del producto. Cualquiera de esos desafíos requeriría mucha asistencia para rediseñar el algoritmo. 

Hace tres años, introdujimos soluciones de aprendizaje profundo en el mercado que eran extremadamente poderosas para sobrellevar la variación. Como se mencionó anteriormente, fueron difíciles de implementar y poner en marcha.Deep Learning requiere mucha asistencia en general, mantenimiento externo e inversión de tiempo en etiquetado o capacitación. 

Para muchos clientes, hay una barrera para el ingreso pero Edge Learning abre las puertas, especialmente para los principiantes que recién comienzan su viaje. Lleva el Deep Learning a un paquete conveniente que no requiere los gastos generales que necesita el aprendizaje profundo. 

Ofrece una solución muy flexible que puede adaptarse rápidamente a nuevas situaciones, incluyendo la sintonización rápida de imágenes que también requiere poco mantenimiento externo.

¿Esta tecnología puede ayudar a reducir costos? 

Edge Learning es una opción asequible para los fabricantes que pueden no tener recursos para invertir en soluciones más costosas. La mejor parte de Edge Learning es que se puede volver a capacitar en el campo sin un especialista externo en visión. Esto también conduce a una disminución en costos de mantenimiento, operadores, gastos en general y otros costos de propiedad.

Mirando hacia el futuro, ¿cuál cree que será la próxima innovación con Edge Learning en la logística?

Bart: Creo que en las próximas versiones de aprendizaje automático en el borde vamos a crear sobre nuestro conjunto de herramientas existente para abordar aplicaciones más desafiantes mientras mantenemos la facilidad de uso. Planeamos tomar nuestro conjunto de herramientas existente de Edge Learning e inyectarlas en soluciones en las que no hayamos utilizado la inspección visual antes. 

Un ejemplo incluiría a nuestros lectores de códigos de barras, muy eficientes en la lectura de códigos de barras en su estado actual. Sin embargo, con la integración de las herramientas de Edge Learning, podemos inyectar más inteligencia en nuestros lectores de códigos de barras para encontrar aún más información, como inspeccionar códigos de barras para detectar etiquetas dañadas. Actualmente, nuestros escáneres pueden identificar códigos de barras dañados pero no pueden saber cómo se dañaron. Si integramos herramientas de Edge Learning, podemos crear algoritmos para encontrar daños e identificar si una etiqueta está rota, mal impresa o manchada. Esto agregaría un enorme valor para nuestros clientes mientras trabajan para solucionar el problema raíz. 

También apuntamos a tomar el concepto original de nuestros productos y ampliar sus capacidades con Edge Learning para crear herramientas más complejas y avanzadas que puedan funcionar en ambientes menos controlados como la logística. Por ejemplo, crear una herramienta adecuada de conteo o segmentación EL para aplicaciones logísticas exigentes.

El futuro de Edge Learning en logística  

La integración de la tecnología de Edge Learning afecta a la industria de la logística enormemente, lo que proporciona muchos beneficios en exactitud, eficiencia y ahorro de costos. Bart aclaró el poder innovador del aprendizaje automático en el borde, destacando su capacidad para manejar la variación de defectos en la logística y ofrecer un rendimiento confiable en comparación con las soluciones de Deep Learning o los algoritmos tradicionales en base a reglas.  

Los avances de la tecnología de Edge Learning seguirán cambiando la manera en que se realizan operaciones de logística, ofreciendo una solución confiable que aborde los desafíos continuos dentro de la industria, continuando con su rápido crecimiento e innovación.