Az AI-alapú minőségellenőrzés azt jelenti, hogy a hibák felismerését, a minőségi adatok elemzését és a minőségügyi dokumentáció egy részét gépi tanuló modellek végzik vagy készítik elő, az utolsó szót pedig ember mondja ki. Két területen hoz a leggyorsabban mérhető eredményt: a gyártósori vizuális ellenőrzésben, ahol kamerák és modellek ismerik fel a hibás darabot, és a minőségügyi papírmunkában, ahol az AI előkészíti a 8D-riportot, összeveti a dokumentumokat a szabvánnyal, és segít megtalálni a gyökérokot. A siker ritkán a modellen múlik. Azon múlik, hogy jó adatból dolgozik-e, egy pontosan meghatározott problémára van-e szabva, és ellenőrzött pilotban bizonyít-e, mielőtt felskálázzák.

Stratify
Indítsa az AI-bevezetést valós problémából
A Stratify üzleti célokból és működési kihívásokból indul ki, hogy az AI-megoldás illeszkedjen a vállalat igényeihez.

Ismerje meg a Stratifyt

Röviden

  • Az AI a szubjektív szemrevételezést mérhető, reprodukálható döntési kritériumokkal válthatja fel, és olyan összetett hibamintákat is felismer, amelyekkel a szabályalapú képfeldolgozás nehezen boldogul.
  • A munka nagy része adatmunka: a sikeres bevezetés idejének akár 80 százalékát is az adatelőkészítés viheti el.
  • A döntés ember kezében marad: az AI jelez, rangsorol és előkészít, a selejtezés, a reklamáció és a folyamatmódosítás jóváhagyása a minőségügyi szakemberé.
  • Egy hibatípussal, egy gyártósorral, előre rögzített mutatókkal induló pilot a legkisebb kockázatú út.
  • Az EU AI Act és a hazai végrehajtási törvény miatt már a tervezésnél érdemes rögzíteni a kockázati besorolást, a naplózást és az emberi felügyeletet.

Tartalomjegyzék

Mit jelent az AI-alapú minőségellenőrzés

A hagyományos minőségellenőrzés két pilléren áll: az ember szemén és a szabályalapú gépi látáson. Az ember fárad, és két ellenőr ugyanarról a karcról nem mindig mond ugyanazt. A szabályalapú rendszer pontos, de csak azt találja meg, amit előre leprogramoztak neki: ha a megvilágítás, a felület vagy a termékváltozat megváltozik, újra kell paraméterezni.

A gépi tanuló modell példákból tanul. Megmutatják neki a jó és a hibás darabokat, és megtanulja, milyen eltérés számít hibának. A Fraunhofer IPA leírása szerint a 2D és 3D kamerás, gyártósorba épített vizsgálat AI-jal és analitikus képfeldolgozással kombinálva összetett hibamintákat is felismerhet, a szubjektív vizuális ellenőrzést pedig mérhető, reprodukálható döntési kritériumokkal váltja fel.

Szempont Emberi szemrevételezés Szabályalapú gépi látás AI-alapú ellenőrzés
Következetesség Ellenőrönként és műszakonként eltér Magas, rögzített szabályokkal Magas, tanult kritériumokkal
Összetett, változó hibák Jól kezeli, de lassan Nehezen, sok kézi szabállyal Jól kezeli, ha van elég példa
Új termékváltozat Betanítás kell Újraparaméterezés kell Új példákkal tovább tanítható
Dokumentálhatóság Korlátozott Jó Jó, ha a döntéseket naplózzák
Fő kockázat Fáradás, szubjektivitás Merevség Rossz adat, nem magyarázható döntés

Az AI tehát nem a minőségügyi szakembert váltja ki. Az ismétlődő, nagy mennyiségű felismerési és előkészítési munkát veszi át, így a szakember arra jut ideje, amihez valóban szakértelem kell.

Hol használható a gyakorlatban

Gyártósori vizuális ellenőrzés

A legismertebb terület a felületi hibák, hiányzó alkatrészek, rossz címkék, deformációk és szennyeződések felismerése kamerával, a sor sebességével. A nagy gyártók már globálisan skálázzák az ilyen rendszereket: a Siemens és a Procter & Gamble közösen fejlesztett, AI-alapú minőségellenőrző rendszerét a P&G gyáraira terjesztik ki. A gazdaságosság a kisebb cégek felé is mozdul: debreceni kutatók arra jutottak, hogy az AI terjedése megváltoztathatja a gépi látás gazdaságosságát, vagyis egyszerűbb hardverrel is elérhetővé válhat a megbízható gyártósori ellenőrzés.

Autóipari beszállítóknál a vevői PPM-elvárások miatt ez különösen gyorsan számszerűsíthető. Erről bővebben az autóipari beszállítóknak szóló AI-megoldásainknál írunk, az elektronikai gyártás sajátosságairól pedig a villamos és elektronikai iparnak szóló oldalunkon.

Folyamat- és gépadatok elemzése

A minőség gyakran már a hiba megjelenése előtt eldől: egy kopó szerszám, egy elcsúszó hőmérséklet vagy egy gyengülő hegesztési paraméter előre jelzi a selejtet. A GyártásTrend beszámolója szerint az AI használható hegesztési varratok valós idejű elemzésére, prediktív karbantartásra és szenzorpótlásra, amikor neurális hálózaton alapuló modell becsül meg egy olyan értéket, amelyet korábban drága szenzorral mértek. A Continental veszprémi üzemében ugyanígy prediktív karbantartásra, szenzorpótlásra és többnyelvű tréningek automatizálására is alkalmazzák.

A következő lépcső az, amikor a rendszer nemcsak jelez, hanem be is avatkozik. A Műszaki Magazin 2026-os cikke szerint az agentikus MI képes önállóan módosítani a gyártási paramétereket a minőségi elvárások teljesítése és a selejt csökkentése érdekében. Ehhez viszont szigorú keretek kellenek, amelyekről lejjebb írunk.

Minőségügyi dokumentáció és gyökérok-elemzés

A minőségügyi mérnök idejének jelentős része dokumentumokra megy el: reklamációk, 8D-riportok, FMEA-táblák, auditjegyzőkönyvek, vevői előírások. Itt a nyelvi modellekre és a tudásmenedzsment-rendszerekre épülő megoldások segítenek. Az AI összefoglalja a reklamációt, megkeresi a hasonló korábbi eseteket, összeveti a dokumentációt a szabvány vagy a vevői előírás követelményeivel, és javaslatot tesz a lehetséges gyökérokokra. A döntést és az aláírást a szakember adja, de nem üres lappal indul.

Ugyanez a logika működik a szolgáltató cégeknél is, ahol a minőségellenőrzés szerződések, ajánlatok vagy ügyfélanyagok szabálynak való megfelelését jelenti. Ilyen példákat az üzleti és szakértői szolgáltatóknak szóló oldalunkon mutatunk.

Minőségügyi dokumentáció és gyökérok-elemzés

Mire van szükség a működéshez

Adatok

A szakma régi szabálya itt is igaz: rossz adatból rossz modell lesz. A GyártásTrend által megszólaltatott szakemberek szerint a sikeres bevezetés munkaidejének akár 80 százalékát is az adatelőkészítés teheti ki. Vizuális ellenőrzésnél ez a gyakorlatban a következőket jelenti:

  • elég kép a ritka hibatípusokról is, nem csak a gyakoriakról;
  • következetes címkézés, amelyben a minőségügy és a termelés ugyanazt nevezi hibának;
  • stabil képalkotás: rögzített megvilágítás, kameraállás és háttér;
  • a modell számára is értelmezhető határesetek, például a „még elfogadható” karc pontos definíciója.

Folyamatadatoknál a gépi, MES- és ERP-adatok összekapcsolása, az időbélyegek egyeztetése és a hiányzó értékek kezelése adja a munka zömét.

Technológia

A technológiai kérdések három szinten dőlnek el. Az első a képalkotás vagy adatgyűjtés: kamera, optika, megvilágítás, szenzorok. A második a modell és a futtatási környezet: a gyártósor mellett, helyben fut-e (edge), a saját szerveren vagy felhőben. A harmadik az integráció: hogyan jut el a döntés a PLC-hez, a kidobó egységhez, a MES-hez vagy a minőségügyi rendszerhez. Gyakran ez a legalulbecsültebb rész, pedig enélkül a modell csak egy szép demó marad.

Az AI-ellenőrzés adatgyűjtési, modellalkotási és integrációs szintjei

Emberi felügyelet

Az AI javasol, az ember dönt. A GyártásTrend szerint az AI nem minden problémára ideális, és a döntéshozatal emberi kontrollt igényel. Hogy ez mennyire nem elméleti kérdés, azt az Integrator FM egyik esete mutatja: az AI-jal optimalizált CNC-programok akár 37 százalékkal javíthatják a ciklusidőt, ellenőrzés nélkül azonban kritikus biztonsági elemeket is kivehetnek a programból. A gyakorlatban ezért meg kell határozni, mely döntéseket hozhat meg a rendszer önállóan (például egy darab kiválogatását ellenőrzésre), és melyekhez kell emberi jóváhagyás (selejtezés, paraméterváltoztatás, vevői kommunikáció).

Bevezetés lépésről lépésre

Egy középvállalatnál az AI-alapú minőségellenőrzés ugyanazt a fegyelmet kívánja, mint bármely más minőségügyi fejlesztés: mérhető célt, kontrollált kísérletet és dokumentált döntést. Mi így építjük fel:

  1. Üzleti probléma rögzítése. Nem az a kérdés, hol lehet AI-t használni, hanem az, melyik minőségi probléma kerül a legtöbbe. Selejtköltség, vevői reklamáció, utómunka, kézi ellenőrzésre fordított órák: ezekből rangsoroljuk a lehetőségeket.
  2. Kiinduló állapot mérése. A pilot előtt rögzítjük a mai hibaarányt, a kicsúszó hibák számát, az ellenőrzési időt és a téves selejtezés arányát. E nélkül később semmit nem lehet bizonyítani.
  3. Adatfelmérés. Megnézzük, van-e elég és elég jó adat, kell-e új képalkotás, és mennyi címkézési munka vár a csapatra.
  4. Szűk pilot. Egy sor, egy termékcsalád, egy vagy két hibatípus. A rendszer először árnyékmódban fut: döntéseket hoz, de nem avatkozik be, mi pedig összevetjük őket az emberi ellenőrzéssel.
  5. Értékelés előre rögzített kritériumok alapján. A pilot elején kimondjuk, milyen pontosság és milyen üzleti eredmény mellett lépünk tovább, és mikor állunk meg.
  6. Integráció és governance. Ha a pilot megfelelt, a rendszer bekötése a gyártási és minőségügyi rendszerekbe, a felelősségi körök, a naplózás és a beavatkozási jogok rögzítése következik.
  7. Folyamatos felügyelet. A modell teljesítménye romolhat új alapanyag, beszállító vagy termékváltozat miatt. Rendszeres ellenőrzés, újratanítás és incidenskezelési rend kell hozzá. Erről az AI-rendszerek incidenskezeléséről szóló cikkünkben írtunk részletesen.

Mutatók: pontosság és megtérülés

A cégek elvárásai világosak. Az ICT Global által ismertetett World Quality Report szerint a vállalatok 77 százaléka fektet be MI-megoldásokba a minőségbiztosítás támogatására. A vezetők 54 százaléka kockázatcsökkentést, 52 százaléka a tesztelés hatékonyságának javulását, 51 százaléka pedig az éles működésben jelentkező hibák számának csökkenését várja tőle. Hogy ez teljesül-e, azt két mutatócsoport mutatja meg.

Mutató Mit mér Miért fontos
Felismerési arány (recall) A valódi hibák hány százalékát találja meg a rendszer A vevőhöz kicsúszó hibák ezen múlnak
Precizitás (precision) A hibásnak jelölt darabok hány százaléka valóban hibás A téves selejtezés költsége ezen múlik
Téves riasztási arány Jó darabok aránya a kiválogatottak között Ha magas, a kezelők nem bíznak a rendszerben
Kicsúszó hibák (PPM) Vevőnél jelentkező hibák milliónyi darabonként A vevői elégedettség és a kötbér közvetlen mérője
Ellenőrzési idő és létszámigény Darabonkénti vagy műszakonkénti ellenőrzési ráfordítás A munkaerő-megtakarítás alapja
Selejt- és utómunkaköltség A hibás darabok teljes költsége A megtérülés fő tétele

A két csoport összefügg. Egy modell, amely minden hibát megtalál, de a jó darabok tizedét is kidobja, drágább lehet a mai kézi ellenőrzésnél. Ezért nem egyetlen pontossági számot keresünk, hanem azt a beállítást, amely mellett a kicsúszó hiba és a téves selejtezés együttes költsége a legalacsonyabb. A megtérülés számításában a megtakarítás mellé oda kell tenni a teljes költséget: a hardvert, a fejlesztést, az integrációt, a címkézési munkát és az üzemeltetést. Az AI-megoldások üzemeltetéséről szóló oldalunk azt mutatja be, hogyan tartjuk kontroll alatt a minőséget és a költséget az éles működés idején.

Kockázatok és megfelelés Magyarországon és az EU-ban

A kockázatok egy része technikai. A Hadmérnök 2024-es tanulmánya a bemeneti adatok manipulálását, például az adatmérgezést, az algoritmusokban rejlő hibákat és a feketedoboz-jelenséget, vagyis a döntések magyarázhatatlanságát emeli ki. Minőségügyben a magyarázhatóság kulcskérdés: egy vevői auditon meg kell tudni mondani, miért ment át vagy miért akadt fenn egy darab. Ezért naplózzuk a döntéseket, és vizuális ellenőrzésnél megmutatjuk, a kép melyik része alapján jelzett a modell.

A másik csoport szervezeti. Az ICT Global által idézett felmérésben a cégek 35 százaléka az adatvédelem, 34 százaléka a fenntarthatóság, 33 százaléka a rugalmasság hiánya, 30 százaléka az integrációs nehézségek miatt aggódik. A Kopint-Tárki 2025-ös kutatása szerint a hazai közép- és nagyvállalatok egy része az adatvédelmi kockázatok miatt zárt rendszerű MI-megoldásokat részesít előnyben. Ez minőségügyben gyakran indokolt is: a gyártási képek, receptúrák és vevői rajzok üzleti titkok. Az adatvédelem és az algoritmusok viszonyát a mesterséges intelligencia és adatvédelem témájú elemzés jól összefoglalja, ha a kamerás rendszer munkavállalókat is rögzíthet.

A jogi keretet az EU 2024/1689-es rendelete, az AI Act adja, amelynek hazai végrehajtásáról a 2025. évi LXXV. törvény rendelkezik, többek között a bejelentő és a piacfelügyeleti hatóságok kijelöléséről. A magas kockázatú rendszerekre vonatkozó kötelezettségek alkalmazását az uniós Digital Omnibus-csomag későbbre halasztotta, de a felkészülést nem érdemes erre várva elhalasztani. Egy gyártósori hibafelismerő rendszer sok esetben nem magas kockázatú, a besorolás azonban a konkrét felhasználáson múlik: ha a rendszer egy termék biztonsági funkciójához kapcsolódik, vagy munkavállalókat értékel, az más kategória lehet. A besorolást ezért a tervezés elején, jogász bevonásával érdemes rögzíteni. Ebben segít az AI governance és felkészültségi felmérésünk.

A mi nézőpontunk

A minőségellenőrzés az egyik leghálásabb terület az AI számára, mert itt minden mérhető: a selejt, a reklamáció, az ellenőrzési idő. Pont ezért itt látszik a legélesebben az is, ha egy projekt technológiával indul, és nem üzleti problémával.

Mi mindig a kérdéssel kezdünk: melyik minőségi hiba kerül ma a legtöbbe, és mennyit érne, ha felére csökkenne? Csak ezután nézzük meg, kamera, folyamatadat-elemzés vagy dokumentumfeldolgozás adja-e a választ. Mivel nem egy adott eszközt vagy gyártót képviselünk, azt a megoldást javasoljuk, amelyik az adott problémára a legjobb, és illeszkedik a meglévő rendszerekhez.

A governance nálunk nem utólagos kiegészítés. A naplózás, a beavatkozási jogok, az emberi jóváhagyás és az adatbiztonság a pilot első napjától a megoldás része. Ezért tud egy jól lefuttatott pilot után a rendszer gyorsan és nyugodt szívvel élesbe állni, és ezért áll meg egy vevői vagy hatósági auditon is.

Zsolt

Így segítünk az első lépésben

Ha szeretné tudni, hol térülne meg leggyorsabban az AI az Ön minőségellenőrzésében, az AI Discovery Workshop a legrövidebb út. Egy strukturált alkalom alatt a vezetőkkel, a minőségügyi és az IT-csapattal együtt feltérképezzük a lehetőségeket, rangsoroljuk őket megtérülés és megvalósíthatóság szerint, és kijelöljük az első pilotot. A workshop ára 390 000 Ft, egyszeri díj.

Stratify

Ha már megvan a kiválasztott probléma, a kontrollált AI-bevezetés keretében lehetőségfelméréssel és pilottal bizonyítjuk az értéket, majd az egyedi AI-megoldásfejlesztés során integráljuk a rendszert a gyártási és minőségügyi folyamatokba.

Gyakori kérdések

Mennyi adat kell egy vizuális AI-ellenőrzéshez?

Ez a hibatípusok számától és változatosságától függ. A ritka hibákról is kell elég példa, ezért gyakran a pilot első szakasza éppen az adatgyűjtés és a címkézés. A felmérés során megmondjuk, a meglévő képanyag elég-e, vagy új képalkotás kell.

Kiváltja az AI a minőségügyi ellenőröket?

Nem, átalakítja a munkájukat. Az AI átveszi az ismétlődő felismerési és dokumentációs feladatokat, a határesetek megítélése, a selejtezés jóváhagyása és a gyökérok-elemzés lezárása a szakember feladata marad. Sok helyen az ellenőrök lesznek a modell legfontosabb tanítói.

Mennyi idő alatt látszik az eredmény?

Egy jól lehatárolt pilot eredményei általában néhány hónapon belül értékelhetők, ha az adatok rendelkezésre állnak. A pontos ütemezés az adatfelmérés után adható meg. A döntéshez a pilot elején rögzített mutatókat használjuk, így nem kell hosszú vitákra számítani.

Felhőben vagy helyben fusson a rendszer?

Gyártósori ellenőrzésnél gyakran a helyi futtatás az indokolt a sebesség és az üzleti titkok védelme miatt. Dokumentumfeldolgozásnál a zárt, vállalati környezet a jellemző választás. A döntés az adatok érzékenységén, a késleltetési igényen és a meglévő IT-környezeten múlik.

Vonatkozik az AI Act egy gyártósori hibafelismerőre?

Az AI Act minden AI-rendszerre kiterjed, de a kötelezettségek a kockázati besorolástól függenek. Egy egyszerű hibafelismerő sokszor alacsonyabb kategóriába esik, a termékbiztonsághoz vagy munkavállalók értékeléséhez kapcsolódó felhasználás azonban magasabb követelményeket vonhat maga után. A besorolást érdemes jogásszal együtt, a tervezés elején rögzíteni.

Források

Ajánlott

Tags: