Inspección activa con destilación de conocimiento para predicción de fallos rentable en procesos de fabricación

Por qué es importante detectar productos defectuosos pronto

Desde los teléfonos inteligentes hasta los coches eléctricos, dependemos de productos complejos formados por miles de piezas diminutas. Si algunas de esas piezas son defectuosas, las consecuencias pueden ser costosas reparaciones en fábrica, retiradas de producto o incluso riesgos de seguridad para los clientes. Por eso los fabricantes realizan numerosas pruebas para detectar problemas temprano; pero las pruebas más exhaustivas son también las más lentas y caras. Este artículo explora cómo las fábricas pueden usar inteligencia artificial para predecir qué productos probablemente fallarán, manteniendo el coste de las pruebas bajo control.

Dos tipos de controles en la fábrica

En las líneas de producción modernas, no todos los artículos pasan por el mismo nivel de escrutinio. Pruebas simples y rápidas se aplican a cada producto; los autores las denominan inspecciones básicas. Pruebas más detalladas, que pueden requerir equipos especializados o condiciones extremas, se reservan para una muestra reducida porque son costosas y consumen tiempo; estas son inspecciones avanzadas. Los modelos computacionales que predicen fallos futuros funcionan mejor cuando disponen tanto de resultados básicos como avanzados, pero eso implica pagar más por las inspecciones caras. Los modelos que se basan solo en los resultados básicos son más baratos de usar pero, por lo general, menos precisos.

Enseñar a una prueba barata a pensar como una cara

Los investigadores adaptan una idea de aprendizaje automático conocida como destilación de conocimiento a este entorno de fabricación. Primero entrenan un modelo avanzado que tiene acceso a datos de inspecciones tanto básicas como avanzadas y aprende a predecir si cada producto fallará finalmente en las pruebas finales. A continuación, entrenan un modelo básico que solo ve las pruebas de bajo coste, pero orientan su aprendizaje para que sus predicciones imiten a las del modelo avanzado. En efecto, se enseña al modelo básico a aproximar la comprensión más rica del modelo avanzado, mientras que sigue dependiendo únicamente de las mediciones económicas cuando se despliega en la línea.

Decidir cuándo gastar más en pruebas

Una vez mejorado el modelo básico de esta forma, los autores lo integran en un marco de inspección activa. Cada producto recibe primero inspecciones básicas y es evaluado por el modelo básico mejorado, que además produce una estimación de cuánta confianza tiene en su juicio. Si el modelo está seguro de que un artículo es claramente bueno o claramente malo, la fábrica puede omitir las costosas pruebas avanzadas. Solo los artículos con predicciones inciertas se envían a inspección avanzada y evaluación por el modelo avanzado. Esta estrategia selectiva pretende reservar las comprobaciones caras para los productos donde marcarán la mayor diferencia.

Probar la idea en la fabricación de chips

Para ver cómo funciona este enfoque en la práctica, el equipo analizó datos reales de un fabricante de semiconductores. En la producción de chips, las obleas pasan por muchas pruebas eléctricas; algunas se realizan en cada chip, mientras que otras en condiciones severas se aplican solo a un subconjunto. Los autores construyeron modelos de predicción básicos y avanzados usando dos tipos diferentes de algoritmos de aprendizaje automático y compararon modelos entrenados con y sin destilación de conocimiento. También examinaron varias formas de medir la incertidumbre de la predicción para decidir qué chips deberían recibir inspecciones avanzadas, y evaluaron el rendimiento usando una métrica estándar que refleja qué tan bien los modelos distinguen chips buenos de malos.

Mejor calidad a menor coste

Los experimentos mostraron que los modelos básicos entrenados con destilación de conocimiento fueron consistentemente más precisos que los modelos básicos ordinarios, y en un conjunto de datos incluso superaron ligeramente al modelo avanzado completo. Cuando estos modelos básicos mejorados se combinaron con la estrategia de inspección activa, las fábricas pudieron lograr casi el mismo rendimiento en detección de fallos que al inspeccionar todos los productos con pruebas avanzadas, mientras que enviaban muchos menos artículos a esas pruebas costosas. En términos sencillos, el método permite a los fabricantes detectar más defectos antes y con mayor fiabilidad, sin tener que inspeccionar todo al nivel más alto, ofreciendo una vía práctica hacia mayor calidad y menores costes de producción.

Cita: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

Palabras clave: calidad en la fabricación, predicción de fallos, coste de inspección, destilación de conocimiento, producción de semiconductores