El mismo criterio de selección a las siete de la mañana y al final del turno
En una fábrica de carnaza la selección final es visual y manual: hay que separar la pieza con el nudo abierto, la que tiene mancha o veta oscura, la que salió descolorida de una cámara que va distinta, la que se quebró al secar y la que está fuera de la talla en pulgadas que el pedido exige. Edge iLEAN pone una cámara cenital sobre la mesa y sobre el envasado, infiere en milisegundos por pieza y marca o expulsa la defectuosa antes de la bolsa.
El criterio de qué pasa y qué no pasa no está objetivado en ningún sitio.
Es un trabajo donde el ojo humano se cansa a lo largo del turno y donde el criterio cambia de una persona a otra y de una planta a otra. Esa variabilidad es exactamente lo que el dueño de la marca privada penaliza cuando abre la caja en su centro de distribución:
- El criterio vive en la experiencia de cada seleccionadora — y eso lo hace imposible de defender ante un cliente y muy difícil de enseñar a quien entra nuevo.
- El ojo se cansa y el turno dura lo que dura — la pieza que se aparta a las siete de la mañana no es necesariamente la que se aparta a las tres de la tarde. No es falta de profesionalidad: es un límite físico.
- Y el muestreo deja huecos justo donde el cliente sí mira — porque el dueño de la marca revisa pieza a pieza cuando abre la caja, no por muestreo.
El resultado es un proceso cuyo estándar de calidad no se puede escribir, ni demostrar, ni transferir — en un sub-sector donde la reputación de proveedor es el activo principal.
Edge — visión por computador en la propia planta, con el criterio objetivado.
El problema no es de criterio sino de constancia y de objetivación: hay que aplicar el mismo umbral en todas las piezas, en todos los turnos y en todas las plantas — y poder enseñarlo.
Cámara industrial cenital sobre la mesa de clasificación y sobre la línea de envasado. Red entrenada con piezas reales de los formatos concretos de la casa — hueso anudado, comprimido, palito, dona, trenza, rollo, twist —, no con un catálogo genérico. Inferencia en milisegundos por pieza sobre unidad de cómputo local, sin enviar imagen a la nube.
Cómo opera Edge en clasificación y envasado:
- Entrenada con los formatos concretos de la casa — hueso anudado, comprimido, palito, dona, trenza, rollo, twist. Un catálogo genérico no sabe qué es defecto en tu producto.
- Los defectos reales del sub-sector — nudo abierto, mancha o veta oscura, pieza descolorida procedente de una cámara que va distinta, pieza quebrada al secar y talla fuera del rango en pulgadas que el pedido exige.
- Inferencia local, sin imagen a la nube — resuelve tres cosas a la vez: la latencia, el coste de ancho de banda y la conversación sobre a dónde viajan las imágenes del proceso, que en marca privada no es menor.
- Marca o expulsa antes de la bolsa — el punto donde la pieza defectuosa todavía cuesta solo lo que vale la pieza.
- Cada detección alimenta un histórico — qué defecto, en qué mesa, procedente de qué cámara de secado, con carnaza de qué lote de entrada. Eso es lo que después permite atacar la causa.
Selección manual por muestreo vs. control del 100% con Edge
| Aspecto | Selección visual y manual | Con iLEAN Edge |
|---|---|---|
| Cobertura | Muestreo, con huecos | 100% de las piezas |
| Criterio entre personas y entre plantas | Variable — vive en la experiencia de cada una | Único y auditable |
| Constancia a lo largo del turno | El ojo se cansa | La misma a la primera pieza y a la última |
| Defensa del criterio ante el cliente | Imposible: no está escrito en ningún sitio | Objetivado y demostrable |
| Formación de quien entra nuevo | Por acompañamiento, sin referencia | Con una referencia común y visible |
| Causa raíz del defecto | No se puede rastrear | Histórico por mesa, cámara de secado y lote de piel |
Estimación de impacto para tu planta — a validar con tus 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.
- Fábrica de masticables de carnaza con selección visual manual en varias plantas y reclamaciones de marca privada por defecto visual.
- Piloto Edge sobre una mesa de clasificación y la línea de envasado: cámara cenital, cómputo local y entrenamiento con piezas reales del formato estrella. Primer valor esperable en pocas semanas.
- Payback orientativo entre 5 y 12 meses según la tasa de rechazo actual y el peso de las reclamaciones de cliente. Estimación a validar.
- Beneficio secundario de peso comparable: el histórico de defectos por cámara de secado y por lote de piel es el que permite atacar la causa raíz — conecta directamente con la lectura del panel de secado y con el flagship.
- Y el efecto sobre la relación comercial: un criterio de selección objetivado se puede enseñar al dueño de la marca, que es algo que hoy no se puede hacer con «la experiencia de nuestras seleccionadoras».
Y la duda razonable del responsable de producción
«¿Y si la cámara expulsa piezas buenas y me hunde el rendimiento?» — por eso el umbral se calibra con piezas reales de tus formatos, no de fábrica. La alucinación, además, es un problema de la generación libre: clasificar una imagen contra un patrón entrenado con tu propio producto es tarea anclada, donde los mejores modelos bajaron el error por debajo del 1,5% [1]. Y hay una ventaja añadida: como cada detección queda con su imagen, revisar si el umbral está bien puesto es cuestión de mirar, no de discutir.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que se pregunta sobre la visión Edge en selección de carnaza
¿Esto sustituye a las seleccionadoras?
No: objetiva su criterio y les quita la parte que el ojo humano no puede sostener. Edge marca o expulsa la pieza sospechosa, pero el trabajo de selección sigue teniendo un componente humano — sobre todo en los casos límite. Lo que cambia es que el umbral deja de depender de quién esté esa mañana y de cuántas horas lleve mirando. Y hay un efecto que suele valorarse más de lo esperado: el criterio pasa a ser algo que se puede enseñar a quien entra nuevo con una referencia visible, en lugar de transmitirse por acompañamiento durante semanas.
¿Por qué entrenar con nuestras piezas y no con un catálogo?
Porque lo que es defecto depende del formato y del producto. Un nudo ligeramente abierto puede ser rechazo en un hueso anudado premium y estar dentro de especificación en otro formato; una veta oscura puede ser natural en una carnaza y ser mancha en otra. Por eso la red se entrena con piezas reales de los formatos concretos de la casa — hueso anudado, comprimido, palito, dona, trenza, rollo, twist —. Un catálogo genérico no conoce esas fronteras y produce dos problemas a la vez: expulsa lo bueno y deja pasar lo malo.
¿Las imágenes del proceso salen de la planta?
No, y es una decisión de diseño con tres motivos. La inferencia ocurre en una unidad de cómputo local, en la propia planta: eso resuelve la latencia (milisegundos por pieza), el coste de ancho de banda de subir imágenes de forma continua y, sobre todo, la conversación sobre a dónde viajan las imágenes del proceso. En una planta que fabrica para marcas de terceros esa última cuestión no es menor: las imágenes de producto de un cliente no salen de la instalación.
¿Qué defectos detecta exactamente?
Los que llevan a una reclamación del dueño de la marca: nudo abierto, mancha o veta oscura, pieza descolorida — típicamente procedente de una cámara de secado que va distinta —, pieza quebrada al secar y talla fuera del rango en pulgadas que el pedido exige. Los tres primeros son de aspecto, el cuarto es consecuencia del secado y el quinto es dimensional. Lo relevante no es solo apartarlos, sino que cada detección queda clasificada por tipo, que es lo que después permite saber si el problema viene de la piel, del secado o del formado.
¿Cómo ayuda esto a atacar la causa y no solo la pieza?
Porque cada detección alimenta un histórico con cuatro ejes: qué defecto, en qué mesa, procedente de qué cámara de secado y con carnaza de qué lote de entrada. Con eso, preguntas que hoy no tienen respuesta pasan a resolverse en una consulta: si las piezas descoloridas se concentran en una cámara concreta, si las quebradas aparecen con un lote de piel determinado, si una mesa produce más nudos abiertos que las demás. Es precisamente la información que alimenta el análisis de la curva de secado y el flagship — sin ella, cada uno de esos casos trabajaría a ciegas.
Mandadnos cien piezas buenas y cien malas de vuestro formato estrella y os enseñamos el modelo funcionando.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Ver el modelo funcionando con vuestras piezas ‹ Ver los 12 casos de petfood de carnaza Ver alimentaria