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 nell'aprile 2017 per lavorare su temi di machine learning applicati all'immagine, in particolare la segmentazione semantica di pezzi industriali.

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

2. Com'è una giornata tipo per lei e quali sono le sue missioni chiave?

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

Le mie missioni consistono principalmente nel portare avanti la visione di prodotto e tecnica, e nell'assicurarne l'attuazione con i team. Ciò comporta l'allineamento delle priorità e il rimanere in 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 elementi hanno giocato un ruolo importante.

In primo luogo, 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 pezzi, 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 pensata come un sistema completo, che include IA, visione industriale, software, analisi dei dati, il tutto al servizio del controllo qualità.

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

Questi tre elementi combinati hanno strutturato un approccio coerente di Spark, la nostra soluzione di controllo qualità con IA, allineata alle realtà del campo.

4. Un evento significativo, un'esperienza unica da condividere?

In 2021, abbiamo automatizzato il rilevamento di rotture su pezzi stampati in movimento, per un importante costruttore automobilistico francese.

Il contesto era esigente, con cadenze elevate e importanti vincoli di affidabilità. Questo tipo di progetto ha segnato una tappa importante nella nostra capacità di distribuire soluzioni in 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.

Concretamente, 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 (repeatability and reproducibility). Questo ha permesso ai responsabili della 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 va più fiero tra ciò che avete costruito collettivamente?

Di vedere Spark utilizzato quotidianamente dai nostri clienti e di installare sempre più 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 l'evoluzione dell'IA applicata al controllo qualità?

La visione si articola in tre fasi.

• La prima è lo smistamento 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 gli strumenti recenti permettono di compiere progressi sul secondo.

Una delle sfide rimane l'accesso alle informazioni. I sistemi si basano ancora principalmente sull'immagine, ma in futuro potranno integrare altre fonti, come i feedback dei clienti o i dati dei team di 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 sul campo per accelerare il miglioramento continuo. È in questa convergenza tra ispezione, analisi e gestione che vedo il futuro del controllo qualità.