Inspeção ativa com distilação de conhecimento para previsão de falhas custo-efetiva em processos de fabricação

Por que detectar produtos defeituosos cedo é importante

De smartphones a carros elétricos, dependemos de produtos complexos montados a partir de milhares de peças minúsculas. Se apenas algumas dessas peças estiverem com defeito, o resultado pode ser retrabalho caro na fábrica, recalls de produtos ou até riscos à segurança dos clientes. Por isso, os fabricantes realizam muitos testes para identificar problemas cedo — mas os exames mais completos também são os mais lentos e caros. Este artigo explora como fábricas podem usar inteligência artificial para prever quais produtos têm probabilidade de falhar, mantendo sob controle os custos de testes.

Dois tipos de checagens na fábrica

Em linhas de produção modernas, nem todo item passa pelo mesmo nível de escrutínio. Testes simples e rápidos são aplicados a cada produto; os autores chamam isso de inspeções básicas. Testes mais detalhados, que podem exigir equipamentos especiais ou condições severas, são reservados para uma amostra menor porque são caros e demorados; estas são inspeções avançadas. Modelos computacionais que prevêem falhas funcionam melhor quando têm acesso tanto aos resultados básicos quanto aos avançados, mas isso implica pagar por mais inspeções onerosas. Modelos que dependem apenas dos resultados básicos são mais baratos de usar, porém geralmente menos precisos.

Ensinar um teste barato a pensar como um caro

Os pesquisadores adaptam uma ideia de aprendizado de máquina conhecida como distilação de conhecimento para este contexto de manufatura. Primeiro, eles treinam um modelo avançado que tem acesso a dados de inspeções básicas e avançadas e aprende a prever se cada produto eventualmente falhará no teste final. Em seguida, treinam um modelo básico que só vê os testes de baixo custo — mas orientam seu aprendizado para que suas previsões imitem as do modelo avançado. Na prática, o modelo básico é ensinado a aproximar a compreensão mais rica do modelo avançado, dependendo apenas das medidas baratas quando for implantado na linha.

Decidir quando gastar mais em testes

Uma vez que o modelo básico foi aprimorado dessa forma, os autores o incorporam em uma estrutura de inspeção ativa. Cada produto recebe primeiro as inspeções básicas e é avaliado pelo modelo básico aprimorado, que também produz uma medida de quão confiante está em seu julgamento. Se o modelo estiver confiante de que um item é claramente bom ou claramente ruim, a fábrica pode pular os testes avançados caros. Apenas itens com previsões incertas são encaminhados para inspeção avançada e avaliação pelo modelo avançado. Essa estratégia seletiva visa reservar verificações dispendiosas para os produtos em que elas terão maior impacto.

Testando a ideia na fabricação de chips

Para avaliar quão bem essa abordagem funciona na prática, a equipe analisou dados reais de um fabricante de semicondutores. Na produção de chips, as wafers passam por muitos testes elétricos; alguns são realizados em cada chip, enquanto outros, sob condições severas, são aplicados apenas a um subconjunto. Os autores construíram modelos de previsão básicos e avançados usando dois tipos diferentes de algoritmos de aprendizado de máquina e compararam modelos treinados com e sem distilação de conhecimento. Eles também examinaram várias maneiras de medir a incerteza das previsões para decidir quais chips deveriam receber inspeções avançadas, e avaliaram o desempenho usando uma métrica padrão que reflete quão bem os modelos distinguem chips bons de ruins.

Melhor qualidade a menor custo

Os experimentos mostraram que os modelos básicos treinados com distilação de conhecimento foram consistentemente mais precisos do que os modelos básicos comuns, e em um conjunto de dados chegaram a superar ligeiramente o próprio modelo avançado. Quando esses modelos básicos aprimorados foram combinados com a estratégia de inspeção ativa, as fábricas puderam alcançar desempenho de detecção de falhas quase equivalente ao de testar todo produto com inspeções avançadas, enquanto encaminhavam muitos menos itens para esses testes caros. Em termos práticos, o método permite que fabricantes detectem mais defeitos mais cedo e com mais confiabilidade, sem precisar inspecionar tudo no nível mais alto, oferecendo um caminho prático para maior qualidade e menores custos de produção.

Citação: 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

Palavras-chave: qualidade na manufatura, previsão de falhas, custo de inspeção, distilação de conhecimento, produção de semicondutores