Tecnologia de IA que permite a máquinas interpretar e analisar imagens e vídeos automaticamente.
Como funciona na prática
O projeto começa pela definição precisa do que o sistema deve reconhecer e em que condições: iluminação, ângulo da câmera, velocidade da linha, tipos de defeito. Em seguida se coletam imagens reais e elas são rotuladas, uma etapa trabalhosa e decisiva para a qualidade. Um modelo é treinado, muitas vezes partindo de um modelo pré-treinado, e avaliado com imagens que ele nunca viu. Depois vem a integração com a operação, por exemplo acionando um descarte na linha ou gerando um alerta. O modelo pode rodar na nuvem ou em equipamento local junto à câmera, quando a resposta precisa ser imediata.
Quando faz sentido
Faz sentido quando uma tarefa visual repetitiva é feita por pessoas, em grande volume, com cansaço e variação de critério, como inspeção de peças, leitura de documentos, conferência de embalagens ou contagem. Também quando já existem câmeras instaladas cujas imagens ninguém consegue acompanhar. É importante que o problema tenha critério visual claro: se especialistas discordam entre si sobre o que é defeito, o modelo vai herdar essa confusão. Para tarefas comuns, como leitura de texto ou de placas, serviços prontos de nuvem podem resolver sem treinamento próprio. Casos específicos da operação geralmente exigem modelo treinado com imagens da empresa.
O que avaliar
Avalie a qualidade e a quantidade de imagens disponíveis antes de qualquer promessa de resultado. Defina métricas que importam para o negócio, como defeitos não detectados e alarmes falsos, porque cada tipo de erro tem custo diferente. Teste em condições reais, já que mudanças de luz, poeira ou de produto podem reduzir o desempenho. Planeje o monitoramento e o retreinamento quando a operação mudar. Quando houver imagens de pessoas, especialmente reconhecimento facial, trate como dado pessoal e, no caso de biometria, como dado sensível sob a LGPD, com base legal, transparência e necessidade bem justificadas.