El defecto se detecta antes de cerrar el gabinete, no en campo

El problema

Lo que se cierra dentro del gabinete solo se vuelve a ver en campo.

Control 100% visual humano es inconsistente, más aún con personal nuevo incorporándose a ritmo acelerado. Si el defecto llega a cerrarse dentro del gabinete, puede acabar siendo un fallo en campo dentro de un centro de datos — carísimo de diagnosticar y reparar in situ.

• Antes de montar los paneles, alguien revisa con la vista el interior de cada celda: barras, conexiones, cableado de control y breakers en su sitio. Es la última vez que alguien ve el interior antes del FAT.
• Con el ritmo de la rampa y técnicos que llevan semanas en la planta, el ojo humano se cansa y deja pasar un cableado cruzado, una arandela que falta o un busbar sin el apriete correcto.
• Si el defecto queda encerrado, aparece en el FAT como retrabajo tardío o, peor, como fallo en campo dentro de un centro de datos en pleno servicio. Y reabrir una celda ya cerrada obliga a repetir ensayos.
• Un fallo así se diagnostica y repara in situ, con técnicos desplazados y el cliente esperando, y cuesta muchas veces lo que habría costado verlo en la estación de cierre.

Cómo encaja con el sistema IRIS

Edge — visión CNN local sobre la estación de cierre, en milisegundos y sin nube.

Edge — visión CNN local, sin enviar imagen a la nube (latencia, costes, confidencialidad del diseño del cliente). Modelo entrenado con ejemplos correctos e incorrectos del producto concreto de la línea.

La imagen del interior de la celda no sale de la planta: se procesa en el propio puesto, por latencia, por coste y por confidencialidad del diseño del cliente. Y el modelo se entrena con vuestras unidades buenas y malas, no con un catálogo genérico, así que conoce vuestro producto y no otro.

Ver la arquitectura IRIS completa →

Antes y después

El cierre de gabinete hoy frente al cierre con visión Edge

Aspecto	Inspección a ojo	Con iLEAN Edge
Cobertura en la estación de cierre	Muestreo que depende del cansancio	El 100 % de las unidades
Cableado de control cruzado	Se escapa en turnos largos	Detectado antes de montar paneles
Busbar sin arandela o mal asentado	Visible solo si se busca	Señalado en la imagen
Punto donde aflora un defecto de la celda	En el FAT o en campo	En la estación de cierre
Imagen del interior de la celda	Nadie la guarda	Procesada en planta, sin nube
Celda que la cámara no tiene clara	Decide quien esté	Sube al responsable con la imagen

Muestreo visual inconsistente → control del 100% de las unidades en el punto de cierre.

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 vuestra tasa actual de retrabajo de celdas detectado en el FAT.
• Reducción de hallazgos en el FAT y del retrabajo tardío, que es el más caro porque exige abrir lo que ya estaba cerrado y repetir ensayos.
• De muestreo visual inconsistente a control del 100 % de las unidades en el punto de cierre, cada turno y con el mismo criterio.
• Y menos riesgo de que un defecto encerrado acabe como intervención urgente en un centro de datos.

Payback estimado 5-12 meses según tasa de retrabajo actual, reducción de hallazgos en FAT y de retrabajo tardío. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si detiene unidades buenas y frena la línea?» — el falso positivo es el riesgo real de cualquier visión, por eso el modelo se entrena con celdas correctas e incorrectas de vuestras propias referencias y con la luz de esa estación. Comparar contra referencias concretas es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y el caso dudoso no se para en silencio: sube al responsable con su imagen y su decisión realimenta el modelo.

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