Comparação · Tecnologia de inspeção
Como manter um classificador de ovos com IA ao longo do tempo?
Manter um classificador é atualizar a decisão quando a linha muda: nova luz, outra cor de casca, outro tipo de sujeira. Ajustar regras muda limiares que a equipe pode ler, testar e desfazer. Retreinar um modelo exige novos exemplos rotulados, uma nova versão e uma nova validação de tudo o que ele decide. Para defeitos descritos por medidas visíveis, o ajuste costuma ser o caminho mais simples de manter.
Atualizado em · 4 min de leitura
O que realmente muda com o tempo na linha?
Com o tempo, a linha muda: entram lotes de outra granja, a cor da casca varia com a época, a iluminação envelhece e a sujeira aparece de formas novas. Qualquer classificador precisa acompanhar essas mudanças, e a diferença entre as abordagens está em como esse acompanhamento é feito.
Na abordagem por regras, a manutenção consiste em revisar os limiares e as regras de forma pontual. Na abordagem por redes neurais, a manutenção consiste em coletar exemplos novos, rotulá-los e treinar uma nova versão do modelo.
Nos dois casos, o trabalho não termina na mudança. É preciso medir se o resultado melhorou e se algo que antes estava certo deixou de estar.
Ajustar regras ou retreinar: como se comparam na manutenção?
A tabela compara o trabalho de manutenção em cada abordagem. Ela é uma avaliação prática, não o conteúdo de uma norma, e a coluna do ajuste de regras descreve o Vigiovo.
| Critério | Ajustar regras (limiares) | Retreinar modelo de IA |
|---|---|---|
| O que muda | Limiares e regras de decisão | Pesos internos do modelo, por meio de novos treinos |
| Quem faz | A equipe de qualidade, com a calibração | Quem treina o modelo, com novos dados |
| Dados necessários | Ovos rotulados da própria linha, para conferir o ajuste | Muitos exemplos rotulados, incluindo os casos novos |
| Como se valida | Refazer a conta nos ovos rotulados e nos casos perto do limite | Medir a nova versão em um conjunto separado e comparar com a anterior |
| Efeito sobre decisões já tomadas | Só muda a decisão dos ovos cuja medida cai entre o limite antigo e o novo | Uma nova versão pode mudar a decisão de qualquer imagem |
| Registro da mudança | Limite antigo e novo, com data e motivo | Versão do modelo, dados usados e resultado da validação |
| Risco típico | Um tipo de defeito novo que nenhuma regra cobre | Um padrão de dados novo que o modelo não viu |
Quando ajustar regras é a manutenção mais segura?
Ajustar regras é mais seguro quando os defeitos podem ser descritos por medidas visíveis na imagem, como a fração de sujeira ou o comprimento de uma trinca. Cada mudança é pequena, pode ser testada contra os mesmos ovos rotulados e pode ser desfeita. Isso vale para a visão computacional determinística, em que cada limite tem um efeito conhecido.
No Vigiovo, cada decisão guarda quanto a medida ficou do limite. Isso mostra onde um ajuste mudaria alguma coisa de fato: se quase nenhum ovo fica perto do limite, mexer nele tem pouco efeito; se muitos ficam, é hora de revisar a calibração com ovos rotulados.
A limitação aparece com o tempo. Se um defeito novo não tem regra, ajustar limiares não resolve o problema. Nesse caso, a equipe precisa escrever uma regra nova, o que é trabalho de engenharia e não de calibração.
Quando retreinar um modelo ainda compensa?
Retreinar compensa quando o defeito é difícil de descrever por regras, como texturas que variam muito e que nenhum limiar separa bem. Nessa situação, a rede aprende o padrão a partir de exemplos, e a manutenção passa a ser a coleta contínua de casos novos.
O custo muda de lugar. Em vez de revisar regras, a equipe passa a rotular exemplos, guardar as versões do modelo e validar cada nova versão contra a anterior. Se essa rotina não existir, um modelo retreinado pode melhorar um caso e piorar outro sem que ninguém perceba.
Os dois caminhos também podem ser combinados, com regras para os defeitos descritos com clareza e um modelo para o restante. Para a diferença entre os métodos, veja visão determinística vs redes neurais.
Perguntas frequentes
Ajustar regras é sempre mais barato que retreinar?
- Não em todos os casos. Ajustar regras costuma ser mais barato quando os defeitos são descritos por medidas visíveis. Quando surgem defeitos novos sem regra, a manutenção vira escrita de regras, que é trabalho de engenharia. O custo depende de quantos tipos de defeito a linha apresenta.
Quando uma rede neural ainda é a melhor escolha?
- Quando o defeito é difícil de descrever por regras visíveis e há exemplos rotulados suficientes para treinar. Nesse caso, a manutenção inclui coleta contínua de casos novos e validação de cada versão do modelo, e isso precisa estar previsto desde o começo.
Preciso mudar o classificador toda vez que a luz muda?
- Nem sempre. Uma mudança de luz pede nova calibração com ovos rotulados da linha, e não necessariamente uma nova regra. Refaça a calibração e confira os casos perto do limite antes de voltar à produção.
Fontes
Como o Vigiovo ajuda
O Vigiovo classifica ovos na esteira como limpos, sujos, trincados ou não verificados, em tempo real, com visão computacional determinística: cada decisão vem com as medidas que a justificam e roda em CPU comum.