Aprendizaje semisupervisado para datos sin anotar en grúas
📋 Resumen clave
El aprendizaje semisupervisado aborda el obstáculo más costoso en la implantación de la IA en grúas: la anotación. Los modelos de detección de defectos requieren miles de muestras anotadas, pero etiquetar manualmente cada rotura de alambre en cables o porosidad en cordones de soldadura resulta extremadamente caro. El aprendizaje semisupervisado utiliza solo una pequeña fracción de datos anotados, complementada con una gran cantidad de datos no anotados, permitiendo que el modelo extraiga patrones estructurales de las muestras sin etiquetar y reduzca así la dependencia de la anotación manual. Este artículo revisa tres enfoques principales —autoentrenamiento, regularización por consistencia y FixMatch—, analiza los requisitos prácticos como el ruido en las pseudoetiquetas y los supuestos de distribución, y señala que esta línea de trabajo se encuentra aún en fase de validación temprana en el sector de grúas, con límites de precisión sujetos a las condiciones reales de operación.
Un fabricante de grúas puso en marcha un proyecto de detección de defectos. El equipo de anotación pasó semanas dibujando recuadros en pantalla, logrando etiquetar solo unos miles de imágenes. Sin embargo, un modelo de detección fiable en campo suele requerir decenas o cientos de miles de muestras anotadas. El conjunto de datos de anotación de defectos publicado anteriormente en este portal alcanza ya las 500.000 imágenes, una cifra que refleja meses de trabajo repetitivo por parte de los anotadores.
La situación real es aún más compleja: las imágenes, vibraciones y datos de corriente que genera una grúa cada día son un flujo continuo, y la gran mayoría son «datos crudos», sin ninguna etiqueta. Si solo se utilizan esos miles de imágenes anotadas para entrenar, el modelo no capta la diversidad de condiciones de operación. Si se espera a que el equipo humano anote las 500.000 imágenes, el proyecto habrá superado con creces su ventana de entrega. El aprendizaje semisupervisado sirve precisamente para aprovechar ese volumen de datos que resulta inviable etiquetar.
Por qué la anotación es el cuello de botella más caro de la IA en grúas
En tareas de visión por computadora, el rendimiento máximo de un modelo viene determinado por dos variables: la cantidad de datos y la calidad de las etiquetas. El aprendizaje supervisado es directo: cuantas más muestras anotadas, más señales de supervisión recibe el modelo. Cuando la anotación se detiene, el modelo deja de mejorar. Esto supone un reto práctico para la detección de defectos en grúas.
Tomemos como ejemplo la detección de rotura de alambres en cables. El modelo presentado anteriormente en este portal alcanzó una precisión de reconocimiento del 97,3% en un conjunto de datos específico, gracias a que detrás había miles de muestras de entrenamiento anotadas alambre por alambre y rotura por rotura. El hecho de que el conjunto de datos de anotación de defectos alcance las 500.000 imágenes implica que el esfuerzo humano invertido en la anotación supera con creces el propio entrenamiento del modelo.
El aprendizaje semisupervisado cambia esta premisa. Su entrada se compone de dos partes: un pequeño lote de muestras etiquetadas y un gran lote de muestras sin etiquetar. El modelo desarrolla primero una capacidad de juicio básica con el lote etiquetado y luego transfiere esa capacidad a los datos no etiquetados, extrayendo señales de supervisión adicionales de la estructura de distribución de estos últimos. En rigor, no se trata de «no anotar», sino de diluir el coste marginal de la anotación.
Aquí hay un límite técnico que conviene aclarar: los datos no etiquetados solo aportan valor si cumplen ciertos supuestos de distribución; de lo contrario, no aportan señal, sino ruido. La norma GB/T 28264 — Sistema de Monitoreo y Gestión de Seguridad para Aparatos de Elevación establece requisitos normativos para la captura, transmisión y almacenamiento de datos de monitoreo, que constituyen precisamente la base sobre la que se asienta el aprendizaje semisupervisado. La experiencia de Kelude Industrias Pesadas en gobernanza de datos es clara: primero hay que garantizar la coherencia en los criterios de captura; solo entonces tiene sentido plantearse si el modelo puede beneficiarse de los datos no anotados.
Autoentrenamiento, regularización por consistencia y FixMatch: diferencias clave
La familia de métodos de aprendizaje semisupervisado es amplia, pero en la práctica de ingeniería se discuten sobre todo tres enfoques: autoentrenamiento, regularización por consistencia y los métodos híbridos de aumento que combinan ambos.
El autoentrenamiento es el más sencillo. Primero se entrena un modelo inicial con las muestras etiquetadas; después, ese modelo predice sobre las muestras no etiquetadas, y las predicciones con suficiente confianza se adoptan como «pseudoetiquetas»; finalmente, se reentrena el modelo con esas pseudoetiquetas junto con las etiquetas originales, y se repite el ciclo. Su ventaja es la simplicidad de implementación: apenas impone restricciones sobre la arquitectura del modelo. Su inconveniente es que los errores iniciales del modelo pueden amplificarse a través de las pseudoetiquetas, generando una acumulación de errores.
La regularización por consistencia tiene como representante a Mean Teacher. El sistema mantiene dos modelos con la misma estructura: uno llamado estudiante y otro profesor. Los pesos del modelo profesor se obtienen mediante un promedio móvil exponencial de los pesos históricos del modelo estudiante. Durante el entrenamiento, se aplican dos perturbaciones distintas a la misma muestra no etiquetada y se exige que ambos modelos produzcan salidas similares. Esta restricción de invariancia ante perturbaciones permite que el modelo aprenda límites de decisión suaves incluso en regiones sin etiquetas.
FixMatch, por su parte, combina pseudoetiquetas con aumentos fuerte y débil: primero se aplica un aumento débil a la muestra no etiquetada, se obtiene una pseudoetiqueta mediante la predicción del modelo, y luego se aplica un aumento fuerte a la misma muestra, exigiendo que la versión aumentada coincida con esa pseudoetiqueta. La pseudoetiqueta solo se adopta si la confianza supera un umbral. Esta combinación funciona muy bien en benchmarks de clasificación de imágenes, pero en tareas de detección de defectos, donde los objetos son mucho más pequeños, la elección de la intensidad del aumento debe hacerse con cautela.
El diagnóstico de fallos por IA en el sector de grúas es un campo emergente. La aparición de normas como ISO 24621:2022 — Diagnóstico de Fallas por IA en Grúas indica que el sector está intentando integrar las capacidades de IA en un marco normativo. Cómo combinar los métodos semisupervisados con los requisitos de trazabilidad de datos y revisión de conclusiones que exigen estas normas es una cuestión que debe resolverse en la práctica.
Matriz comparativa de parámetros de los tres métodos
| Método | mecanismo central | Ningunodatos anotadosUso | PseudoetiquetaruidoSensibilidad | Entrenamientoestabilidad | condiciones de trabajo aplicables |
|---|---|---|---|---|---|
| Autoentrenamiento Self-training | Retroalimentación iterativa de pseudoetiquetas | Predicción del modelo como pseudoetiqueta | Alto（Los errores se acumulan） | Medio（RequiereumbralControl） | anotaciónMuy pocas y con clases claras |
| Regularización por consistencia Mean Teacher | Profesor-alumnoEMA | Las salidas perturbadas deben ser consistentes | Bajo（Perturbación suave） | Relativamente alto（EMAEstable） | Secuencia de imágenes en sitioruidoGrande |
| Aumento mixto FixMatch | Aumento débil fija etiquetas, aumento fuerte aprende características | Doble rama de aumento débil y fuerte | Bajo（Umbral de confianza） | Relativamente alto | Tareas de imagen con técnicas de aumento maduras |
| Semi-supervisión por grafos Graph-based | Propagación por grafo de similitud de muestras | Difusión de etiquetas por relaciones de similitud | Medio（Depende de la calidad del grafo） | Medio | estructuraciónDatos con relaciones claras |
| Semi-supervisión generativa | Modelo generativo para complementar muestras | Expansión con pseudo-muestras generadas | Medio | Medio | Muestras extremadamente escasascondición de operación |
Ruido en las etiquetas, supuestos de distribución y condiciones de trabajo aplicables a cada método
Ninguno de los tres métodos es intrínsecamente superior; las dos variables clave para la selección son: si la distribución de los datos no anotados coincide con la de los datos anotados, y el grado de tolerancia de la tarea a los errores de las pseudoetiquetas.
Si los datos no anotados provienen del mismo lote de equipos y del mismo tipo de condición de operación, la deriva de distribución es pequeña y el autoentrenamiento con un umbral de confianza estricto puede ofrecer buenos resultados. Si los datos de campo presentan alto ruido y condiciones variadas, la robustez al ruido de la regularización por consistencia resulta más valiosa. En tareas de imagen con técnicas de aumento de datos maduras, los métodos híbridos como FixMatch suelen ofrecer mejoras más evidentes.
Por el contrario, si se rompe el supuesto de distribución, el aprendizaje semisupervisado puede ser peor que no usarlo. Un escenario típico: los datos no anotados incluyen condiciones de operación de equipos de diferente capacidad de carga, mecanismos e incluso de distintos fabricantes, mientras que los datos anotados solo cubren una pequeña parte de ellos. En ese caso, las regularidades estructurales que el modelo "aprende" de los datos no anotados son, en realidad, interferencias entre equipos.
La recomendación de Kelude Industrias Pesadas en múltiples proyectos es consistente: primero verificar la consistencia de la distribución y, después, abordar la selección del método. La siguiente lista resume ocho puntos que recomendamos revisar antes de implementar el aprendizaje semisupervisado.
📋
Línea base de anotación
Ejecutar primero la línea base supervisada para confirmar el estándar mínimo de calidad de la anotación
🔍
Supuesto de distribución
Verificar que los datos no anotados y los anotados comparten la misma distribución
📊
Umbral de pseudoetiquetas
Definir un umbral de confianza para evitar la acumulación de errores
🧪
Aumento de datos
Estrategias de aumento fuerte y débil alineadas con las características de los defectos
🛡
Monitoreo de ruido
Monitoreo continuo de la tasa de contaminación de las pseudoetiquetas
🔄
Retroalimentación incremental
Reentrenamiento periódico con muestras de nuevas condiciones de operación
📏
Ciclo de evaluación
Comparar con el aprendizaje supervisado mediante un conjunto de prueba anotado de forma independiente
👥
Respaldo humano
Las muestras de baja confianza se someten a revisión manual
¿Merece la pena el ahorro en costo de anotación con el aprendizaje semisupervisado? Un cálculo real
Para determinar si el aprendizaje semisupervisado merece la pena, el método más directo es poner tres factores en la misma tabla: volumen de datos anotados, costo de anotación y techo de precisión. El aprendizaje totalmente supervisado ofrece el límite superior de precisión más alto, pero exige completar toda la anotación. El semisupervisado intercambia parte de la anotación por una precisión cercana, a costa de introducir dos riesgos adicionales: el supuesto de distribución y el ruido en las pseudoetiquetas.
Cabe destacar: el aprendizaje semisupervisado ahorra principalmente el costo de la "anotación repetitiva", no el de la "anotación completa". La anotación inicial de alta calidad sigue siendo la base, ya que determina el límite superior de la calidad de las pseudoetiquetas. Esto también explica por qué el aprendizaje semisupervisado se encuentra todavía en una fase temprana de validación en el sector de las grúas: donde la base de datos aún no está consolidada, ningún método avanzado puede aplicarse. En la planificación de la hoja de ruta de IA para sus clientes, Kelude Industrias Pesadas sitúa siempre la gobernanza de datos por delante de la selección del método semisupervisado.
Los datos de servicio posventa de Kelude Industrias Pesadas muestran que lo que realmente frena el avance de un proyecto no suele ser una diferencia de unos pocos puntos en la precisión del modelo, sino la falta de un ciclo de trabajo completo de anotación, limpieza y retroalimentación. Calcular bien esta cuenta es más importante que debatir qué marco semisupervisado elegir.
Comparación del costo de anotación entre distintos esquemas de entrenamiento
| Esquema de entrenamiento | datos anotadosDepende de la calidad del grafo | Relativocosto de anotación | PrecisiónReferencia de techo |
|---|---|---|---|
| Supervisión completa（Cantidad totalanotación） | Decenas a cientos de miles de imágenes | 100%（Referencia） | Máximo techo，Sujeto aanotaciónLimitado por la calidad |
| Semi-supervisión por grafos（Aproximadamente 30%anotación） | Poca cantidadanotaciónMás gran cantidad sin etiquetaranotación | SignificativamenteDescenso | Cercano a supervisión completa，Concondición de operaciónComo referencia |
| Autosupervisión（Ceroanotación） | Solo sin etiquetardatos anotados | Mínimo | Efectivo en la etapa de representación，La etapa posterior aún requiere pocasanotación |
| aprendizaje activoMás semi-supervisión | Incremental bajo demandaanotación | Moderado | Más estable con el mismo presupuesto，Requiere humano en el circuito |
📖 Lecturas relacionadas: Anotación de datos de defectos en grúas: cómo se etiquetaron 500 000 muestras | Panorama de la inspección visual por IA en grúas
Preguntas frecuentes
P: ¿Cuánta precisión se pierde realmente con el aprendizaje semisupervisado frente al supervisado?
R: No hay un valor fijo: depende del volumen de datos anotados, de la calidad de los datos no etiquetados y de la consistencia entre sus distribuciones. Con anotaciones abundantes y de alta calidad, el aprendizaje supervisado sigue siendo la línea base más fiable. Cuando la anotación es escasa, el enfoque semisupervisado suele superar claramente al supervisado con pocas muestras etiquetadas, para un mismo presupuesto de anotación. En tareas como la detección de defectos en grúas, el aprendizaje supervisado sigue siendo el estándar en entornos industriales; el semisupervisado se encuentra mayoritariamente en fase de validación, y su límite superior de precisión depende de la condición de operación real. En Kelude, las evaluaciones se realizan con un conjunto de prueba independiente y una comparación en condiciones equivalentes, sin adoptar directamente cifras publicadas en artículos académicos.
P: ¿Cómo decidir si conviene implantar el aprendizaje semisupervisado en un proyecto de detección de defectos en grúas?
R: Hay que valorar dos condiciones: que los datos no etiquetados procedan de la misma distribución que los anotados, y que el costo de anotación represente una parte importante del proyecto. Si se dispone de una gran cantidad de imágenes originales, datos de vibración o de corriente recopilados en la misma condición de operación, y el equipo de anotación solo puede cubrir una pequeña parte, el enfoque semisupervisado merece la pena. Por el contrario, si el volumen de datos es limitado o la deriva de distribución es evidente, resulta más rentable consolidar primero la adquisición de datos y su limpieza que forzar la implantación del semisupervisado.
P: ¿Cómo detectar y gestionar la acumulación de errores en las pseudoetiquetas de un modelo semisupervisado?
R: El síntoma típico es que la precisión sobre el conjunto de validación primero sube y luego baja, o que el modelo falla de forma sistemática en ciertas clases de muestras. Para corregirlo, primero se eleva el umbral de confianza de las pseudoetiquetas y solo se reintroducen las muestras de alta confianza; después se comprueba si el aumento de datos fuerte o débil está alterando las características clave del defecto. Si es necesario, las muestras mal clasificadas se extraen, se someten a revisión manual y se reincorporan al conjunto de anotación. La tasa de contaminación de las pseudoetiquetas debe monitorizarse de forma continua, no abandonarse tras el entrenamiento.
