ACCÉLÉRER LE PASSAGE À L'ACTION

Détection de Défauts

Comment centraliser des données provenant de plus de 20 usines différentes, gérer en toute sérénité plus de 100 000 nouvelles données par mois, et réunir 10 ingénieurs en vision par ordinateur dans 5 pays.

MANUFACTURING

INGÉNIEUR EN COMPUTER VISION

POC

Contexte

Un leader de la fabrication d'acier dans le monde a mis en place une initiative de vision par ordinateur pour un grand nombre de cas d'utilisation, dont la détection de défauts sur leur chaîne de production. Le contrôle qualité est souvent le principal enjeu dans les usines pour réduire le coût de la non-qualité (CNQ)

‍

‍Leur équipe d'innovation est répartie dans plus de 5 centres de R&D en Europe et aux États-Unis, ce qui fait de la collaboration et du partage des connaissances un des facteurs clés de leur succès.

pourquoi nous choisir

1‍

Un seul point de vérité pour tous les ingénieurs en Computer Vision

+10 ‍

Le nombre de nouveaux modèles entraînés chaque mois

1 mois‍

Passage de 6 à 1 mois pour former et tester une nouvelle approche

DÉFIS

Processus complexe de modélisation de bout en bout à gérer par une petite équipe de data scientists.

Faciliter la collaboration entre des personnes ayant des compétences différentes en matière de deep learning.

Simplifier la collaboration entre des personnes ayant des niveaux différents de compétences en Deep Learning.

Normaliser l'approche POC afin de relever les standards de développement.

Solution

Registre des modèles: Exploiter des modèles de vision par ordinateur sur étagère pour entraîner leurs premiers modèles et évaluer la faisabilité du projet.

Tracking & Versioning: Utilisez le système de suivi et de versioning de Picsellia pour partager les modèles entraînés entre les équipes.

SDK: Créez des normes de développement avec le SDK de Picsellia pour que tout le monde travaille de la même manière.

Analyse des données: Tirez parti de l'exploration des données pour déterminer comment les datasets peuvent être améliorés.