In Scortex dal 2019, Yann Chéné è un ricercatore impegnato a risolvere problematiche sul campo. Dottore in elaborazione delle immagini, diventato ingegnere di machine learning, esplora ogni giorno quel punto di equilibrio esigente tra progresso scientifico e realtà industriale.

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

Sono dottore in elaborazione delle immagini. Sono entrato in Scortex nel 2019 come ingegnere di visione ed elaborazione delle immagini.

Oggi occupo una posizione di ingegnere di machine learning. Il mio ruolo si è evoluto insieme alla tecnologia stessa: ora lavoro principalmente sui modelli di apprendimento e sul loro miglioramento continuo.

2. Come si svolge una sua giornata tipo e quali sono le sue attività chiave?

Il mio lavoro si articola intorno a quattro assi principali.

Primo, la costruzione di dataset a partire da casi reali dei clienti. Si tratta di dati molto più complessi di quelli disponibili nella ricerca accademica, perché riflettono situazioni industriali concrete.

In secondo luogo, una costante ricerca scientifica: analizzare le pubblicazioni, identificare percorsi pertinenti, valutare cosa può essere applicato al nostro contesto.

Poi viene la fase di sperimentazione. Implemento questi approcci, avvio campagne di test e analizzo i risultati.

Infine, c'è l'integrazione: trasformare questi progressi in funzionalità concrete in Spark, in stretta collaborazione con i team software.

La sfida è duplice: rimanere all'avanguardia dell'innovazione e, al tempo stesso, garantire che ogni progresso risponda a un'esigenza reale del cliente.

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

Fin dall'inizio, i fondatori hanno fatto una scelta strutturante: integrare il deep learning nel controllo qualità visivo.

In precedenza, i sistemi si basavano su catene di algoritmi successivi. Ogni caso d'uso richiedeva una combinazione specifica di elaborazioni: segmentazione, rilevamento, classificazione... un approccio frammentato, difficile da generalizzare.

In Scortex abbiamo adottato un approccio diverso: modelli in grado di integrare tutte queste fasi e produrre direttamente una probabilità di difetto.

Abbiamo poi proseguito su questa strada integrando il rilevamento delle anomalie a partire dal 2021. 

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

La transizione della mia professione.

All'inizio progettavo sistemi di visione completi, a volte molto complessi, che integravano fino a quindici telecamere, con problematiche legate all'illuminazione, alla pre-elaborazione e alla post-elaborazione.

Dal 2021 mi dedico interamente al machine learning. È un passaggio verso una maggiore ricerca e sperimentazione. Un altro modo di affrontare i problemi, più astratto, ma sempre ancorato alla realtà.

5. In che modo la sua competenza ha fatto la differenza nel corso degli anni?

L'industria pone problemi concreti, ma richiede soluzioni robuste, utilizzabili e manutenibili.

È in questa interfaccia che si esprime la mia competenza: trasformare i progressi teorici in soluzioni operative.

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

Di questa profonda comprensione dei vincoli industriali.

Questa vicinanza tra i nostri team, le industrie e la ricerca ci permette di sviluppare soluzioni in linea con le reali sfide della produzione: requisiti di qualità, variabilità dei prodotti, cadenza e vincoli operativi. 

In Scortex abbiamo imparato a integrare questa complessità. Far evolvere Spark, la nostra soluzione di controllo qualità automatizzata con IA, in questa direzione, per rispondere a problematiche industriali concrete, è particolarmente gratificante.

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

Il futuro risiede nell'integrazione della conoscenza del settore.

I reparti qualità dispongono di una ricchezza considerevole: storici dei difetti, criteri di accettazione, feedback sulle esperienze. Questa conoscenza è ancora poco sfruttata dai sistemi.

Domani, la sfida sarà consentire alle macchine di integrare queste informazioni, strutturarle e utilizzarle per migliorare la pertinenza delle decisioni.

Ciò comporterà anche dare maggiore controllo agli utenti: consentire loro di regolare, arricchire ed evolvere queste conoscenze nel tempo.

È in questa interazione continua tra l'uomo e la macchina che si giocherà la prossima fase del controllo qualità automatizzato.