Agent AI do kontroli jakości - wizja komputerowa bez obietnicy 100% wykrycia

Najgorszy projekt wizji komputerowej w kontroli jakości zaczyna się od zdania: "AI będzie sprawdzać 100% produktów i wykryje wszystko". To brzmi dobrze w prezentacji, ale źle opisuje rzeczywistość produkcji.

Kamera może objąć każdy produkt przejeżdżający przez punkt kontrolny. Model może klasyfikować obraz szybciej niż operator. Agent może utworzyć zgłoszenie, zatrzymać partię, poprosić mistrza zmiany o decyzję albo dopisać trend defektów do raportu. Nadal nie znaczy to, że system widzi defekty ukryte przed kamerą, zna przyszłe warianty produktu, sam rozumie tolerancje klienta albo nie pogorszy się po zmianie oświetlenia.

W 2026 roku sensowne pytanie nie brzmi: "czy AI zastąpi inspektora?". Brzmi: "które decyzje jakościowe możemy zautomatyzować pod kontrolą, z jakim ryzykiem fałszywej akceptacji i z jakim śladem audytowym?".

100% kontroli to nie 100% pewności

Wizja komputerowa dobrze pasuje do defektów, które są widoczne, powtarzalne i dają się opisać w specyfikacji: braki elementów, przesunięcia etykiet, zagięcia, wgniecenia, smugi druku, rysy powierzchniowe, niezgodny kolor w kontrolowanych warunkach, błędny kod, niepełny nadruk, zły kształt albo wymiar mierzony obrazem.

Gorzej radzi sobie tam, gdzie problem jest poza obrazem albo poza zakresem danych:

• defekt jest zasłonięty, wewnętrzny albo widoczny dopiero po innym teście,
• powierzchnia silnie błyszczy i zmienia wygląd przy małej zmianie kąta światła,
• klient ocenia cechę subiektywnie, na przykład "premium feel" albo "akceptowalny połysk",
• nowy wariant produktu pojawia się bez aktualizacji danych i progów,
• wada jest bardzo rzadka, więc w zbiorze treningowym nie ma wystarczającej liczby przykładów,
• operatorzy poprawiają proces, ale nikt nie aktualizuje definicji "OK" i "NOK",
• model działa dobrze na zdjęciach z laboratorium, a słabo na linii z kurzem, drganiami, odbłyskami i zmienną prędkością.

Dlatego w dokumentacji pilota warto rozdzielić dwa pojęcia:

To rozróżnienie usuwa większość marketingowego chaosu. "Sprawdzamy każdy produkt" może być prawdą. "Wykrywamy wszystko" prawie nigdy nią nie jest.

Co agent ma robić w kontroli jakości

W produkcji agent AI nie powinien być magicznym inspektorem. Powinien być kontrolowanym przepływem, który zna swoje uprawnienia.

Najczęściej warstwa wizyjna podejmuje decyzję techniczną:

• OK - obraz mieści się w ustalonych granicach,
• NOK - wykryto konkretny defekt lub regułę poza tolerancją,
• REVIEW - system nie ma wystarczającej pewności albo produkt należy do nietypowego przypadku,
• HOLD_BATCH - trend lub seria zdarzeń wymaga zatrzymania partii do decyzji człowieka.

Agent nie musi "myśleć" nad każdym zdjęciem. Lepiej, gdy działa wokół modelu wizyjnego:

• zbiera decyzje z kamer, PLC, MES i systemu reklamacji,
• tworzy zgłoszenie niezgodności z numerem partii, zmianą, operatorem, wersją modelu i zdjęciem referencyjnym,
• prosi inspektora o zatwierdzenie kosztownej akcji, na przykład zatrzymania wysyłki,
• przypomina o przeglądzie próbek z koszyka REVIEW,
• pilnuje, czy po zmianie surowca, matrycy, farby, formy albo dostawcy trzeba uruchomić walidację,
• zapisuje powód decyzji i pełny ślad narzędziowy.

To jest bardziej prozaiczne niż opowieść o autonomicznym agencie, ale dużo bezpieczniejsze. W QC proza jest zaletą.

Dane: najpierw definicja wady, potem model

Model nie naprawi niejasnej specyfikacji jakościowej. Jeśli jeden inspektor oznacza smugę jako dopuszczalną, drugi jako reklamację, a trzeci zależy od klienta, to problem nie jest jeszcze problemem AI. To problem definicji.

Przed treningiem trzeba przygotować:

• listę klas defektów i ich progi akceptacji,
• zdjęcia produktów dobrych z różnych zmian, linii, dostawców i wariantów,
• zdjęcia wad z opisem przyczyny, nie tylko etykietą "NOK",
• przypadki graniczne, które wymagają decyzji człowieka,
• próbki referencyjne uzgodnione z jakością, produkcją i obsługą reklamacji,
• informację, które wady są krytyczne, a które mają koszt głównie kosmetyczny.

Nie ma uczciwej uniwersalnej liczby zdjęć, która gwarantuje wynik. Prosty brak etykiety może wymagać mniej danych niż ocena drobnej rysy na błyszczącym metalu. Rzadkie defekty są osobnym problemem: augmentacja obrazu może pomóc w treningu, ale nie zastępuje walidacji na realnych wadach.

W pilocie lepiej zawęzić zakres niż udawać pełną automatyzację. Dobry pierwszy zakres to zwykle 2-4 najdroższe albo najczęstsze klasy defektów, jeden stabilny punkt kontrolny i kilka wariantów produktu. Dopiero po wynikach z linii rozszerza się klasy, warianty i akcje automatyczne.

Sampling nie znika po wdrożeniu AI

Pełna inspekcja wizyjna zmniejsza zależność od ręcznego sprawdzania każdego produktu, ale nie znosi samplingu. Zmienia jego rolę.

Po wdrożeniu inspektorzy powinni nadal kontrolować:

• losową próbkę produktów oznaczonych jako OK, żeby wykrywać fałszywe akceptacje,
• wszystkie albo część produktów NOK, żeby mierzyć fałszywe odrzuty,
• koszyk REVIEW, bo tam system sam przyznaje, że przypadek jest trudny,
• próbki po zmianie partii surowca, narzędzia, ustawień oświetlenia albo receptury,
• produkty z reklamacji, żeby zamknąć pętlę między klientem a modelem.

To jest krytyczne, bo fałszywe odrzuty i fałszywe akceptacje mają różny koszt. Nadmierny odrzut może blokować linię i marnować dobry produkt. Fałszywa akceptacja przepuszcza wadę do klienta. W branżach, gdzie wada wpływa na bezpieczeństwo, próg dla autonomicznej akceptacji musi być dużo ostrzejszy niż w kontroli etykiety kosmetycznej.

W praktyce raport pilota powinien pokazywać wyniki per klasa defektu, nie jedną wielką "skuteczność AI". Jedna liczba zaciera najważniejsze pytania: które wady przepuszczamy, które produkty odrzucamy za często i gdzie człowiek nadal jest konieczny.

Metryki pilota, które mają sens

Pilot QC powinien kończyć się tabelą decyzji, a nie slajdem z deklaracją "99% accuracy". Accuracy bywa mylące, zwłaszcza gdy większość produktów jest dobra. Jeśli 99,5% produkcji jest OK, model może wyglądać świetnie statystycznie, a nadal przepuszczać najdroższy defekt.

Lepszy zestaw metryk:

Praktyczny pilot może mieć kryteria typu:

• autonomiczne OK tylko dla klas zwalidowanych na danych z linii,
• wszystkie przypadki poniżej progu pewności trafiają do REVIEW,
• krytyczny defekt nie przechodzi do automatycznej akceptacji, dopóki zespół jakości nie zaakceptuje wyników walidacji,
• raport pokazuje osobno wynik dla każdej klasy wady i każdego wariantu produktu,
• decyzja modelu mieści się w takcie linii z ustalonym buforem,
• każdy odrzut i każda decyzja człowieka zostawia ślad audytowy.

To nie są uniwersalne progi. To sposób rozmowy. Konkretne wartości zależą od produktu, ryzyka, kosztu odrzutu, kosztu reklamacji i wymagań klienta.

Architektura: model wizyjny, agent i system produkcyjny

Typowy system nie składa się z jednego "AI". Składa się z kilku warstw:

1. Punkt akwizycji obrazu - kamera, trigger, obiektyw, oświetlenie, obudowa, czyszczenie i test obrazów referencyjnych.
2. Model wizyjny - klasyfikacja, detekcja, segmentacja albo pomiar, zależnie od rodzaju wady.
3. Reguły decyzji - progi, klasy ryzyka, koszyk REVIEW, logika serii defektów i warunki zatrzymania.
4. Integracja z linią - sygnał do PLC, odrzutnik, etykieciarka, MES, ERP albo system reklamacji.
5. Warstwa agenta - eskalacja, zatwierdzenia, tworzenie zgłoszeń, raportowanie, RAG po dokumentacji jakościowej i obsługa wyjątków.
6. Obserwowalność - logi, wersje modeli, próbki obrazów, metryki, alerty i przeglądy po zmianach procesu.

Najważniejsza zasada: model językowy nie powinien być źródłem decyzji wizualnej. Może pomóc w przepływie pracy, streszczeniu trendu, przygotowaniu zgłoszenia, wyszukaniu fragmentu specyfikacji albo zadaniu pytania inspektorowi. O tym, czy na zdjęciu jest wada, decyduje model wizyjny i jawne reguły jakości.

Narzędzia: co ma sens, a co jest nazwą bez znaczenia

Nazwy narzędzi nie dowożą jakości same z siebie. Mogą pomóc, jeśli pełnią właściwą rolę.

Jeśli dostawca zaczyna rozmowę od listy modeli i frameworków, a nie od defektów, danych, taktu linii i odpowiedzialności za decyzję, to jest zły znak. Stack jest ważny, ale w kontroli jakości najpierw liczy się proces.

Uprawnienia i ocena człowieka

Nie każda akcja wymaga człowieka. Nie każda akcja może działać automatycznie.

Bezpieczny podział wygląda tak:

W LangGraph podobne przepływy można realizować przez przerwania i wznowienie procesu po decyzji człowieka. W n8n można wymusić review przed wywołaniem wybranych narzędzi. To są użyteczne mechanizmy, ale trzeba je opisać w systemie: kto zatwierdza, co widzi, kiedy odmawia, gdzie trafia odmowa i jak długo przechowywany jest ślad.

Logi, traceability i retencja

W kontroli jakości log nie jest dodatkiem dla programisty. Jest częścią dowodu, że proces działa.

Dla każdej decyzji warto zapisać:

• czas, linię, stanowisko, numer partii i wariant produktu,
• identyfikator kamery, ustawienia punktu kontrolnego i wersję konfiguracji,
• wersję modelu, progi, klasę defektu i wynik,
• obraz lub reprezentatywną próbkę, jeśli polityka retencji na to pozwala,
• decyzję operatora przy REVIEW i NOK,
• akcję wykonaną na linii: odrzut, hold, brak akcji, eskalacja,
• powód override'u, jeśli człowiek zmienił decyzję systemu,
• powiązanie z reklamacją, jeżeli wada wróciła od klienta.

Retencja obrazów powinna być krótsza i bardziej selektywna niż retencja metadanych. Często wystarczy przechowywać wszystkie NOK i REVIEW, krótką próbkę OK, a pełny strumień obrazów kasować szybko. Jeśli obrazy obejmują ludzi, identyfikatory pracowników, tablice, dokumenty albo odbicia z danymi osobowymi, wchodzą zasady RODO: cel, minimalizacja, ograniczenie przechowywania, dostęp i zabezpieczenia.

To trzeba ustalić przed pilotem, nie po pierwszym incydencie.

RODO i AI Act w zakładzie produkcyjnym

Sama kontrola produktu na taśmie nie zawsze przetwarza dane osobowe. Może jednak zacząć je przetwarzać przez przypadek: kamera obejmuje stanowisko pracy, twarz operatora, identyfikator na odzieży, dokumentację produkcyjną albo ekran z danymi klienta. Wtedy projekt wymaga minimalizacji kadru, maskowania, ograniczenia dostępu, jasnego celu przetwarzania i okresu retencji.

AI Act też nie jest etykietą "każdy system AI w fabryce jest wysokiego ryzyka". Klasyfikację trzeba zrobić dla konkretnego użycia. Inaczej wygląda system pomocniczo wykrywający wadliwy nadruk na opakowaniu, inaczej system będący elementem bezpieczeństwa produktu regulowanego, a inaczej system używany do oceny pracownika.

Według harmonogramu Komisji Europejskiej większość przepisów AI Act ma zacząć być stosowana od 2 sierpnia 2026 r., a część obowiązków dla systemów wysokiego ryzyka wbudowanych w regulowane produkty od 2 sierpnia 2027 r. Przed decyzją prawną trzeba sprawdzić aktualny harmonogram i klasyfikację systemu.

Dla zespołu jakości praktyczna lekcja jest prosta: nawet jeśli system nie zostanie sklasyfikowany jako high-risk, warto projektować go tak, żeby dało się pokazać logi, ograniczenia, nadzór człowieka, instrukcję użycia, monitoring po wdrożeniu i procedurę wyłączenia. To są dobre praktyki produkcyjne, nie tylko język regulacji.

Przypadki brzegowe, które psują dobre demo

Najczęstsze problemy nie wyglądają jak spektakularna awaria modelu. Wyglądają nudno:

• obiektyw zabrudził się po tygodniu pracy,
• operator zmienił pozycję lampy, bo przeszkadzała przy czyszczeniu,
• nowa partia surowca ma inny odcień,
• klient zaakceptował wadę dla jednej serii, ale nie dla drugiej,
• produkt na linii obrócił się o kilka stopni,
• system odrzuca dobre sztuki, więc operator zaczyna go obchodzić,
• model nie zna nowej etykiety, bo marketing zmienił projekt bez informacji do jakości,
• dashboard pokazuje wynik średni, ale nie pokazuje pogorszenia dla jednej klasy defektu.

Dlatego wdrożenie powinno mieć procedurę "model drift / process drift": kto dostaje alert, kiedy system przechodzi w tryb review-only, kto zatwierdza powrót do automatycznych decyzji i jak dokumentuje się zmianę.

Koszt i ROI bez fikcyjnych obietnic

Koszt systemu zależy od liczby punktów kontrolnych, liczby kamer, oświetlenia, obudów, integracji z linią, wymagań taktowania, jakości danych i zakresu automatycznych akcji. Dwa projekty z jedną kamerą mogą mieć zupełnie inny koszt, jeśli jeden tylko klasyfikuje etykietę, a drugi musi działać na błyszczącej powierzchni przy wysokiej prędkości i zatrzymywać partię.

ROI też nie powinien być liczony z prezentacyjnego "AI wykrywa 99%". Liczy się:

• obecny koszt reklamacji, sortowania, przeróbek i zwrotów,
• koszt fałszywych odrzutów po wdrożeniu,
• koszt pracy inspektorów przeniesionych do bardziej wartościowych zadań,
• zmniejszenie opóźnień i sporów z klientami,
• wpływ na stabilność procesu, nie tylko na końcową inspekcję.

W pilocie uczciwy wynik może brzmieć: "dla trzech klas defektów system nadaje się do automatycznego odrzutu, dla dwóch klas do wspomagania inspektora, a dla jednej klasy nie ma jeszcze wystarczających danych". To jest lepszy wynik niż obietnica pełnej automatyzacji bez pokrycia.

Kiedy nie wdrażać wizji komputerowej

Nie każdy problem jakościowy powinien zaczynać się od kamery i modelu.

Wstrzymaj projekt, jeśli:

• specyfikacja jakości jest nieuzgodniona między produkcją, jakością i klientem,
• główny defekt nie jest widoczny w punkcie kontroli,
• linia zmienia konfigurację tak często, że model nie ma stabilnego środowiska,
• nie ma właściciela danych i przeglądów po wdrożeniu,
• zespół chce zastąpić reklamacje statystyką z demo,
• nikt nie chce utrzymywać oświetlenia, czystości kamery i kalibracji.

Czasem lepszą pierwszą inwestycją jest poprawa procesu, oprzyrządowania, poka-yoke albo zwykłego pomiaru, a dopiero potem AI.

FAQ

Czy wizja komputerowa zastąpi inspektorów QC?

Nie jako całą funkcję jakości. Może przejąć część powtarzalnej inspekcji wizualnej i skierować uwagę inspektorów na przypadki niepewne, audyt próbek, analizę przyczyn, dostawców, reklamacje i zmiany procesu.

Czy system może sprawdzać każdy produkt?

Tak, jeżeli punkt kontrolny, kamera, światło i takt linii są dobrze zaprojektowane. To jest pokrycie inspekcji. Nie należy mylić go z gwarancją wykrycia każdego możliwego defektu.

Ile trwa pilot?

Rozsądny pilot zwykle obejmuje przygotowanie danych, montaż punktu kontrolnego, trening lub konfigurację modelu, walidację na linii i przegląd wyników z zespołem jakości. Czas zależy od danych i dostępności linii; ważniejsze od kalendarza jest to, czy pilot obejmuje realne warianty, zmiany i przypadki graniczne.

Czy RAG ma sens w kontroli jakości?

Tak, ale nie do oceny obrazu. RAG może pomóc agentowi znaleźć aktualną specyfikację, SOP, wymaganie klienta albo historię reklamacji. Musi jednak korzystać z wersjonowanych dokumentów, inaczej będzie mieszał stare i nowe tolerancje.

Czy model może działać lokalnie, bez wysyłania obrazów do chmury?

Często tak, zwłaszcza gdy decyzja musi być szybka albo dane są wrażliwe. Architektura zależy od przepustowości, sprzętu, polityki bezpieczeństwa i tego, czy obrazy zawierają dane osobowe lub tajemnicę produkcyjną.

Co dalej?

Jeśli rozważasz agenta AI do kontroli jakości, zacznij od jednego punktu:

1. Wybierz 2-4 klasy defektów, które naprawdę kosztują.
2. Spisz definicję OK, NOK i REVIEW z zespołem jakości.
3. Zbierz zdjęcia z realnej linii, nie tylko z biurka.
4. Ustal, które akcje są automatyczne, a które wymagają człowieka.
5. Zaplanuj logi, retencję, sampling kontrolny i przegląd po wdrożeniu.

W Syntalith w Warszawie projektujemy kontrolowane systemy AI dla procesów produkcyjnych: od punktu kamerowego i modelu po workflow wyjątków, traceability i przegląd wyników z zespołem jakości.

Umów bezpłatny skan procesów: 30 minut z inżynierem i pisemne podsumowanie w 2 dni robocze. Przejdziemy przez defekty, dane, ryzyka i zakres pilota bez obietnic, których nie da się później obronić na linii.

Sprawdź też: Agent AI do predictive maintenance w produkcji | Agenci AI - rynek 28 miliardów | Syntalith

Źródła i dalsza lektura

• AI Act Service Desk: harmonogram stosowania AI Act
• AI Act Service Desk: Article 12, record-keeping
• AI Act Service Desk: Article 14, human oversight
• AI Act Service Desk: Article 72, post-market monitoring
• European Commission: zasady RODO, w tym minimalizacja i ograniczenie przechowywania
• LangGraph docs: interrupts i human-in-the-loop
• n8n docs: human-in-the-loop for AI tool calls
• n8n docs: execution data redaction
• OpenClaw docs: Gateway
• Hermes Agent docs: Nous Research