Prawie każda rozmowa o skuteczności inspekcji AI zaczyna się od pytania „jaka jest dokładność modelu?”. To pytanie zakłada, że istnieje jedna liczba, którą można porównać między dostawcami. W praktyce system inspekcji myli się na dwa zupełnie różne sposoby, a koszt każdego z nich bywa inny o rząd wielkości — więc odpowiedź zaczyna się nie od liczby, tylko od pytania, który błąd boli bardziej.
Dwa rodzaje błędu, dwa różne koszty
Błędna akceptacja to sytuacja, w której system przepuszcza wadliwy produkt jako OK. Błędne odrzucenie to odwrotność — system odrzuca dobry produkt jako NOK. Oba obniżają „dokładność” w ten sam sposób, ale ich konsekwencje biznesowe zwykle wcale nie są symetryczne. Błędna akceptacja wady krytycznej może oznaczać reklamację, zwrot całej partii albo problem bezpieczeństwa u klienta. Błędne odrzucenie dobrej sztuki to zwykle koszt powtórnej kontroli albo utraconej przepustowości — dotkliwy, ale rzadko katastrofalny.
Dlatego dwa systemy o identycznej „ogólnej dokładności” mogą być dla Twojego procesu zupełnie różnej wartości, jeśli jeden popełnia głównie błędy tańsze, a drugi głównie te droższe.
Dlaczego nie ma jednego uniwersalnego progu
Nie stosujemy jednego progu decyzyjnego dla wszystkich projektów. Kryteria akceptacji ustalamy przed pilotem, na podstawie ryzyka i ekonomiki konkretnego procesu — nie istnieje jedna wartość skuteczności, która byłaby właściwa wszędzie. Inaczej waży się błędną akceptację wady krytycznej, a inaczej kosmetyczne odchylenie bez wpływu na funkcję produktu.
To bezpośrednio wpływa na to, jak trenujemy model w AIVQC Trainerze: kryteria akceptacji — czyli docelowy balans między błędną akceptacją a błędnym odrzuceniem — ustalamy przed treningiem, a nie dopasowujemy do wyniku po fakcie. Zmiana progu po treningu nie jest oszukiwaniem systemu — to świadoma decyzja o tym, w którą stronę ma się mylić model, jeśli już musi się mylić.
Ten sam mechanizm, inna waga w zależności od defektu
Przy pęknięciach i uszkodzeniach najbardziej boli błędne odrzucenie — model, który myli naturalną fakturę materiału z rysą, odrzuca dobre produkty i generuje niepotrzebny koszt sortowania. Przy nadlewkach i deformacjach, gdzie wada jest z natury nieregularna, kluczowy jest raczej poziom błędnych akceptacji — czy model nie przepuszcza przypadków granicznych, blisko ustalonego progu tolerancji. To nie jest reguła uniwersalna, tylko konsekwencja tego, jak wygląda konkretny defekt i jaki koszt niesie każdy typ pomyłki w danym procesie.
Dlatego przed pilotem pytamy nie tylko „czy wykryjecie ten defekt”, ale też: co kosztuje więcej — reklamacja przepuszczonej wady, czy koszt odrzucenia i ponownej kontroli dobrej sztuki? Odpowiedź na to pytanie decyduje, w którą stronę przesunąć próg.
Co pokazuje raport kwalifikacyjny
Dlatego raport z pilota nigdy nie ogranicza się do jednej liczby „dokładność”. Sekcja jakości pokazuje czułość, precyzję oraz — osobno — poziom błędnych akceptacji i błędnych odrzuceń, mierzone na niezależnym zbiorze testowym, którego model nie widział podczas treningu. Wynik walidacji referencyjnej nie jest przy tym gwarancją dla innych produktów ani warunków procesu — każdy przypadek kontroli dostaje własny pomiar, bo różni się i defektem, i kosztem pomyłki.
Pytania, które warto sobie zadać przed ustaleniem progu
- Co kosztuje więcej w Twoim procesie: przepuszczenie wady, czy odrzucenie dobrej sztuki?
- Czy defekt, który chcesz wykrywać, ma wpływ na bezpieczeństwo lub funkcję produktu, czy jest kosmetyczny?
- Czy dalej w procesie istnieje jeszcze jakaś kontrola, która złapie błędną akceptację — czy inspekcja AI jest ostatnią linią obrony?
- Ile kosztuje ponowna kontrola i sortowanie, jeśli próg zostanie ustawiony bardziej restrykcyjnie?
- Czy różne warianty tej samej wady (graniczne i oczywiste) mają być traktowane tak samo, czy różnie?
Jeśli nie wiesz, w którą stronę powinien być przesunięty próg dla Twojego przypadku, to dokładnie to rozstrzyga konsultacja wstępna przed pilotem — na podstawie realnego kosztu obu rodzajów błędu w Twoim procesie, a nie jednej uniwersalnej liczby dokładności.