99% de acerto e o defeito passou batido: o número que engana quem confia em IA
Um sistema que aprova tudo pode ter nota brilhante e ainda assim perder cada peça ruim da linha.
Rajesh Iyengar, fundador e CEO da Lincode Labs e autor do livro Teach the Factory to See, escreve que a precisão de IA na inspeção visual de fábricas é a primeira pergunta errada. Ele propõe trocar “quantas porcentagens de acerto tem o modelo” por “o que acontece quando a inspeção erra” e argumenta que o custo de um defeito aprovado por engano é bem diferente do de uma peça boa rejeitada sem motivo.
O exemplo que estoura o balão: numa avaliação com 990 peças aceitáveis e 10 defeituosas, um sistema que aprova tudo bate 99% de acerto geral e perde todos os defeitos. Iyengar defende que fábricas exijam evidências em condições reais de produção, com aferição separada de defeitos perdidos e falsas rejeições, antes de aceitar qualquer piloto de IA.
Ele também alerta que algoritmo nenhum resolve briga entre engenharia, qualidade e produção sobre o que é peça aceitável, nem compensa medição que o equipamento nem consegue fazer: se o critério é profundidade de risco, foto 2D não prova nada.