In Scortex dal 2017, Hugues Poiget ne è oggi il direttore generale. Il suo percorso si inserisce nella continuità dello sviluppo dell'azienda, con un filo conduttore costante: costruire un'IA direttamente connessa alle realtà industriali.

1. Quando è entrato a far parte di Scortex e qual è il suo ruolo oggi?

Sono entrato in Scortex ad aprile 2017 per lavorare su temi di machine learning applicati all'immagine, in particolare sulla segmentazione semantica di componenti industriali.

In seguito sono passato alla messa in produzione dei modelli di machine learning, per poi assumere ruoli di direzione tecnica. Dal 2024 ricopro la carica di direttore generale.

2. Come si presenta una sua giornata tipo e quali sono le sue missioni principali?

Una giornata di successo è una giornata in cui ho potuto confrontarmi sia con i clienti sia con i team di Scortex.

Le mie mansioni consistono principalmente nel portare avanti la visione di prodotto e tecnica, e nell'assicurarne l'implementazione insieme ai team. Ciò implica l'allineamento delle priorità e il rimanere in costante contatto con le sfide sul campo.

3. Dopo questi nove anni in Scortex, cosa ha permesso all’azienda di diventare un pioniere dell’IA applicata al controllo qualità?

Diversi fattori hanno giocato un ruolo importante.

Innanzitutto, il fatto di affrontare il tema partendo dalla qualità e non solo dalla tecnologia. Questo ha orientato gli sviluppi verso problematiche concrete: criteri di accettazione dei difetti, variabilità dei componenti, vincoli di produzione.

In secondo luogo, l'integrazione fin dall'inizio di una dimensione hardware e non solo software. La nostra soluzione, Spark, è stata concepita come un sistema completo, che include IA, visione industriale, software, analisi dati, il tutto al servizio del controllo qualità.

Infine, la scelta di raccogliere i dati direttamente sulle linee di produzione, il più vicino possibile alle reali condizioni di utilizzo. Ciò ha permesso di progettare modelli adatti a situazioni industriali concrete, con i relativi limiti di cadenza, di variabilità e di robustezza.

La combinazione di questi tre elementi ha strutturato un approccio coerente di Spark, la nostra soluzione di controllo qualità con IA, allineata alle realtà del campo.

4. Un fatto saliente, un'esperienza unica da condividere?

Nel 2021 abbiamo automatizzato la rilevazione delle rotture su pezzi stampati in movimento per un importante costruttore automobilistico francese.

Il contesto era esigente, con ritmi di produzione elevati e importanti vincoli di affidabilità. Questo tipo di progetto ha segnato una tappa fondamentale nella nostra capacità di distribuire soluzioni in reali condizioni industriali.

5. Su cosa la sua esperienza ha fatto la differenza nel corso degli anni?

Rendere il machine learning comprensibile in un contesto di qualità industriale è stato un punto chiave.

In concreto, abbiamo avvicinato i nostri indicatori di performance del machine learning, come l'area under the curve, agli strumenti utilizzati in fabbrica, in particolare il Gage R&R (ripetibilità e riproducibilità). Questo ha permesso ai responsabili qualità, utilizzatori di Spark, di valutare il sistema con i propri standard di riferimento e di integrarlo più facilmente nei loro processi. 

6. Di cosa è più orgoglioso tra le cose che avete costruito collettivamente?

Vedere Spark utilizzato quotidianamente dai nostri clienti e implementare sempre più i nostri sistemi di controllo qualità in fabbriche di piccole e grandi dimensioni. 

Ciò significa che la soluzione si integra nei processi industriali esistenti e contribuisce al loro funzionamento.

7. Guardando al futuro, come vede evolversi l'IA applicata al controllo qualità?

La visione si articola in tre fasi.

• La prima è la selezione dei pezzi sulla linea.

• La seconda consiste nel generare informazioni per migliorare la produzione.

• La terza mira a interconnettere i sistemi per creare un ciclo completo.

Oggi l'IA viene utilizzata sul primo punto e i recenti strumenti consentono di fare progressi sul secondo.

Una delle sfide rimane l'accesso alle informazioni. I sistemi si basano ancora principalmente sulle immagini, ma in futuro potranno integrare altre fonti, come i feedback dei clienti o i dati dei team di controllo qualità.

Sono convinto che in futuro l'IA non si limiterà a rilevare i difetti. Diventerà uno strumento di supporto decisionale in grado di collegare i dati di qualità, produzione e campo per accelerare il miglioramento continuo. È in questa convergenza tra ispezione, analisi e gestione che vedo il futuro del controllo qualità.