La fuga no se descubre en casa del cliente

El problema

El muestreo detecta la deriva de la mordaza tarde por definición.

El control es hoy por muestreo, con inspección visual periódica y un ensayo destructivo cada X unidades. Entre dos muestreos puede pasar un lote entero con la mordaza de crimpado desajustada. Y la deriva de la mordaza es gradual, así que el muestreo la detecta tarde por definición. El defecto, además, se manifiesta días después: la fuga migra dentro del estuche cerrado y se descubre en el punto de venta o en casa del cliente. Producto inservible en el mejor caso; incidencia de seguridad del consumidor y reclamación de la cadena en el peor.

• Un crimpado incompleto es una fuga de masa colorante dentro del estuche. Un tapón mal asentado es una fuga de peróxido. No es un defecto estético.
• El control es hoy por muestreo, con inspección visual periódica y un ensayo destructivo cada X unidades: entre dos muestreos puede pasar un lote entero con la mordaza desajustada.
• La deriva de la mordaza es gradual, así que el muestreo la detecta siempre tarde.
• Y el defecto se manifiesta días después: la fuga migra dentro del estuche cerrado y aparece en el punto de venta o en casa del cliente.
• Producto inservible en el mejor caso; incidencia de seguridad del consumidor y reclamación de la cadena en el peor.

Cómo encaja con el sistema IRIS

Edge — visión local en el borde de la línea, sin subir imagen a la nube.

Edge. Visión CNN local sobre GPU en planta —sin enviar imagen a la nube, por latencia, coste y ancho de banda—, con modelo entrenado sobre los formatos reales de la planta: geometría del crimpado, presencia y legibilidad del código, asentamiento del tapón, nivel de llenado del frasco. Inferencia por unidad a cadencia real, expulsión antes del encartonado —que es donde el defecto deja de ser recuperable— y aviso automático cuando la tasa de rechazo empieza a derivar, que es la señal de que la mordaza necesita ajuste antes de producir defectuosos.

La inferencia se resuelve en milisegundos sobre GPU en planta. No se envía imagen a la nube, y no es un capricho: por latencia a cadencia de línea, por coste de tráfico y por no sacar de planta imágenes de producto.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hoy frente al control Edge

Aspecto	Control por muestreo	Con iLEAN Edge
Cobertura	1-2 % de las unidades	100 %
Deriva de la mordaza	Se detecta al cabo de un lote	En las primeras decenas de unidades
Dónde se descubre la fuga	Punto de venta o casa del cliente	Antes de la encartonadora
Coste de la unidad defectuosa	El kit completo, ya montado	El tubo, antes de montar el kit
Ensayo destructivo	Cada X unidades	Se mantiene, pero deja de ser la única red
Evidencia del defecto	Ninguna	Imagen atada al lote y al turno

de muestreo del 1-2% a control del 100% de unidades. De detectar la deriva de la mordaza al cabo de un lote, a detectarla en las primeras decenas de unidades. Reducción drástica de reclamaciones por fuga en punto de venta.

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 la tasa de rechazo actual.
• El coste de reproceso que se evita es el del kit completo —tubo, frasco, estuche y componentes—, no solo el del tubo defectuoso.
• Reducción de reclamaciones de cadena por fuga en punto de venta.
• De muestreo del 1-2 % a control del 100 % de unidades, a cadencia real.

payback estimado de 5 a 12 meses según la tasa de rechazo actual y el coste de reproceso del kit completo —que incluye tubo, frasco, estuche y componentes, no solo el tubo defectuoso—, más la reducción de reclamaciones de cadena. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si la cámara rechaza unidades buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con los formatos reales de la planta —geometría del crimpado, presencia y legibilidad del marcado— y no con un modelo genérico. Las unidades dudosas no se expulsan sin más: se elevan para que una persona decida, y cada decisión realimenta el entrenamiento.

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