Ręczne przeglądanie tysięcy zdjęć i dokumentów technicznych z instalacji w terenie to jeden z najbardziej żmudnych procesów w firmach wykonawczych i operatorskich. Dotychczas, aby rozwijać biznes i realizować więcej projektów, firma musiała proporcjonalnie powiększać zespół analityków kontroli jakości (QA). Wygenerowało to znaczne koszty, spowalniało odbiory i ograniczało możliwość skalowania operacji.
Poniżej przedstawiamy szczegółową analizę tego, jak trudne wyzwanie technologiczne zamieniono w elastyczne rozwiązanie biznesowe, które całkowicie odciążyło zespół z rutynowej pracy.
Wyzwanie operacyjne i jakość danych z terenu
Dotychczasowy proces w całości opierał się na manualnej pracy 7-osobowego zespołu analityków. Każda fotografia musiała być indywidualnie zweryfikowana pod kątem poprawności montażu (m.in. ułożenia mikrorurek, kaset czy obecności konkretnych komponentów). Analitycy musieli również wyłapywać próby oszustwa i odrzucać sfałszowane zdjęcia.
Przy skali idącej w setki tysięcy obiektów tradycyjna automatyzacja była niemożliwa ze względu na specyfikę materiału z terenu.
- Brak standaryzacji: Zdjęcia z terenu są robione pod różnymi kątami, przy nierównomiernym oświetleniu, bywają prześwietlone, nieostre lub całkowicie rozmazane.
- Szum informacyjny: W pakietach dokumentacji regularnie pojawiały się zdjęcia nadmiarowe lub zupełnie niepotrzebne.
- Brak danych do nauki AI: Aby tradycyjny model wizji komputerowej działał poprawnie, potrzebuje od 200 do nawet 1000 opisanych zdjęć każdego elementu. Tymczasem dla niektórych rzadkich komponentów infrastruktury w bazie danych znajdowało się zaledwie 30 rzeczywistych fotografii.
Jak działa rozwiązanie? Przekład technologii na logikę biznesową
Aby rozwiązać te problemy bez konieczności budowania ciężkiego i sztywnego systemu, inżynierowie zastosowali podejście modułowe (tzw. Composable AI). Platforma działa jak ekosystem zbudowany z klocków LEGO – można ją elastycznie konfigurować pod konkretne zlecenia bez kosztownego programowania wszystkiego od zera.
Krok 1: Pokonanie braku danych (Dane syntetyczne)
Awarie i rzadkie komponenty (dla których było tylko 30 zdjęć) wymodelowano cyfrowo. Zamiast czekać miesiącami na zebranie setek realnych zdjęć z terenu, wykorzystano dane syntetyczne do przeszkolenia sztucznej inteligencji.
Krok 2: Zespół 13 cyfrowych ekspertów
Zamiast jednego wielkiego algorytmu stworzono 13 niezależnych, wyspecjalizowanych mikromodeli AI. Każdy z nich odpowiada za jeden wąski wycinek infrastruktury (np. rozpoznawanie skrzynek rozdzielczych, terminali optycznych, kaset spawów czy wejść kablowych). Dzięki temu system jest elastyczny i łatwy w rozbudowie.
Krok 3: Inteligentna „portiernia” i optymalizacja kosztów chmury
Analizowanie każdego zdjęcia przez wszystkie 13 modeli generowałoby bardzo wysokie koszty serwerowe w chmurze AWS. Dlatego na wejściu postawiono lekki klasyfikator predykcyjny. Jeśli ocenia on zdjęcie z pewnością powyżej 85%, natychmiast odsiewa pliki niepotrzebne, a pozostałe kieruje wyłącznie do tego modułu, który faktycznie powinien je przeanalizować.
Krok 4: Automatyczny cyfrowy inspektor
System nie tylko rozpoznaje obiekty na zdjęciach, ale automatycznie sprawdza ich zgodność z regułami technicznymi. Analizuje m.in., czy kabel wpięty jest do właściwego portu oraz czy elementy są ułożone prawidłowo. Wszelkie odstępstwa od norm są automatycznie flagowane w raporcie.
Krok 5: Analiza dokumentów i pomiarów (Nie tylko obraz)
Platforma wykracza poza analizę samych fotografii. Samodzielnie odczytuje i klasyfikuje protokoły w formatach PDF oraz przetwarza binarne pliki z pomiarów optycznych (format SOR z urządzeń OTDR), sprawdzając, czy poziomy sygnałów mieszczą się w normach technicznych.
Krok 6: Rozróżnianie trudnych przypadków i współpraca z człowiekiem
Urządzenia takie jak skrzynka przyłączeniowa (GFTA) i terminal optyczny (ONT) są dla oka niemal identyczne. AI przeszkolono na przykładach negatywnych, aby bezbłędnie rozróżniała te „bliźniaki”. Dodatkowo każda ocena AI posiada wskaźnik pewności (confidence score). Jeśli przypadek jest niejednoznaczny, system przekazuje go do weryfikacji człowiekowi, eliminując ryzyko błędu i drastycznie zmniejszając obciążenie psychiczne analityka.
Mierzalne efekty biznesowe i… niespodziewane odkrycia
Dotychczasowy 7-osobowy zespół zamienił powtarzalną pracę w automatyczny i powtarzalny proces. Wyniki wdrożenia w cyfrach i faktach:
- Pracę, którą człowiek wykonałby w rok, system potrafi wykonać w tydzień.
- Skrócenie czasu reakcji na błędy z kilku tygodni, do nawet jednego dnia.
- Automat sprawdza 100%, a przynajmniej ponad 99% przypadków, podczas gdy człowiek robiący testy statystyczne obejmuje tylko 10–15% zdjęć.
- Koszt weryfikacji podłączenia względem wartości produktu jest stały i wynosi poniżej 1% ceny.
Co ciekawe, po uruchomieniu w jednym z miast AI wykryła, że na 90% skontrolowanych urządzeń brakowało wymaganych etykiet identyfikacyjnych – błąd ten umykał zmęczonym ludziom podczas rutynowej kontroli. Wyszukała także nieudokumentowany sposób łączenia kabli, co pozwoliło zarządowi zareagować i poprawić procedury przed kolejnymi wdrożeniami.
Uniwersalność rozwiązania – Gotowość na nowe branże
Zbudowana architektura pozwala na 10-krotny wzrost liczby przetwarzanych zadań bez zwiększania zatrudnienia. Pracownicy przestali być „klikaczami”, a stali się doradcami i eksperckim wsparciem.
Najważniejszą zaletą platformy jest fakt, że problem manualnej weryfikacji danych z terenu występuje w wielu innych sektorach gospodarki. Dzięki modułowej budowie platformę można łatwo zaadaptować do nowych zastosowań:
- Energetyka i OZE – Automatyczna analiza zdjęć z dronów pod kątem uszkodzeń linii wysokiego napięcia, wykrywanie mikropęknięć w panelach fotowoltaicznych oraz inspekcja łopat turbin wiatrowych.
- Budownictwo – Nadzór nad postępem prac na placach budowy, weryfikacja poprawności montażu konstrukcji i automatyczny audyt wymogów BHP.
- Infrastruktura kolejowa i drogowa – Automatyczna ocena stanu torowisk, trakcji elektrycznej, oznakowania i jakości nawierzchni drogowej.
- Ubezpieczenia i likwidacja szkód – Błyskawiczna ocena i kategoryzacja uszkodzeń budynków lub pojazdów na podstawie zdjęć nadsyłanych przez klientów.
Wyznaczamy nowy standard kontroli jakości
Automatyzacja manualnej kontroli jakości to przejście od reaktywnego, obarczonego ryzykiem błędu ludzkiego sprawdzania dokumentacji do błyskawicznego, cyfrowego nadzoru na masową skalę.
Wniosek z tego wdrożenia jest jasny: powtarzalna, monotonna weryfikacja danych nie powinna być już wąskim gardłem w rozwoju jakiejkolwiek firmy. Wykorzystanie elastycznej architektury AI pozwala odciążyć pracowników od rutyny i wykorzystać ich potencjał tam, gdzie generują największą wartość – do zadań eksperckich, doradztwa i zarządzania ryzykiem.
