Mejora de la eficiencia computacional de técnicas machine learning para la detección temprana de defectos superficiales en piezas sometidas a procesos de fundición y estampado de chapa

Abstract

El Machine Learning (ML), como una de las principales ramas de la Inteligencia Artificial (IA), ha despertado un enorme interés en los últimos años, debido a un aumento de la capacidad de computación, una mayor disponibilidad de grandes conjuntos de datos y la consolidación de técnicas de ML tan potentes como las redes neuronales profundas (RNN), capaces de resolver tareas tan complejas como la detección de objetos o el procesamiento natural del lenguaje, con un desempeño similar o incluso mejor que un humano. Aunque la tecnología se esté aplicando y ya sea funcional, existe todavía un gran margen de mejora en términos de precisión y eficiencia computacional. Este trabajo explora la aplicación de distintas técnicas para la mejora de la eficiencia computacional de modelos Machine Learning, realizando una evaluación exhaustiva de los resultados obtenidos y comparándolos con el punto de partida mostrando los pros y contras en cada una de la casuísticas planteadas.