Ninguna botella defectuosa llega al encajado

El problema

A la cadencia de la línea, el muestreo deja pasar la botella mala.

control 100% visual humano es imposible a cadencia real; inspección por muestreo deja huecos, y un lote con defecto puede salir a distribución sin detectar.

• Nivel de llenado bajo, corcho hundido o salido, cápsula mal asentada, etiqueta torcida o contraetiqueta ausente: cada botella tiene varios puntos donde puede fallar.
• A la cadencia real de una línea de embotellado, el control visual del 100% de las botellas es imposible: el ojo humano se cansa y deja pasar los casos límite, sobre todo al final del turno y en los cambios de formato.
• Por eso se inspecciona por muestreo, y un muestreo del 1-2% deja huecos por definición: el defecto que aparece entre dos muestras pasa entero a la caja.
• Un lote con defecto puede salir a distribución sin que nadie lo vea, y la primera noticia llega en forma de reclamación del importador, a veces con el contenedor ya en destino.

Cómo encaja con el sistema IRIS

Edge — visión local en la línea, sin enviar una sola imagen a la nube.

Edge — visión CNN local, sin enviar imagen a la nube. Modelo entrenado con ejemplos del formato de botella concreto.

El modelo se entrena con vuestro formato de botella, vuestro tapón y vuestras etiquetas, no con un catálogo genérico. Corre en la propia línea y decide en milisegundos, de modo que la botella defectuosa sale antes de llegar a la encajadora. Y cada rechazo queda con su imagen, que es lo que permite discutir con datos con el proveedor de corcho o de etiqueta.

Ver la arquitectura IRIS completa →

Antes y después

La inspección por muestreo frente a la visión Edge

Aspecto	Hoy	Con iLEAN Edge
Botellas inspeccionadas	1-2% por muestreo	El 100%
Llenado bajo en botella oscura	A ojo, en la muestra	Medido en cada botella
Corcho, cápsula y etiqueta	Depende de la fatiga	Clasificados botella a botella
Punto de expulsión	Ninguno o al final	Antes del encajado
Imágenes	—	Procesadas en local, sin nube
Reclamaciones de distribuidor o importador	Primera noticia del defecto	Reducción drástica

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 5-12 meses, según el ratio de defecto actual de vuestra línea.
• Del muestreo del 1-2% al control del 100% de las botellas, a la cadencia real de la línea y sin añadir personas.
• Reducción drástica de las reclamaciones de distribuidor e importador por defectos visibles, que son las que más pesan en la imagen de una marca.
• Cada expulsión queda con su imagen y su lote, lo que permite saber si el problema es de llenadora, taponadora o etiquetadora.

payback estimado 5-12 meses según ratio de defecto actual. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Y si expulsa botellas buenas y nos llena la mesa de rechazo?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con botellas buenas y malas de vuestro formato, con la iluminación de ese punto de la línea. Clasificar un nivel o una etiqueta frente a una referencia conocida es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]; los casos dudosos se separan para revisión en lugar de desecharse, y cada decisión de la persona realimenta el entrenamiento.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.