/ Case study /

Computer Vision w QA

Od kontroli ręcznych do zautomatyzowanej analityki

100%

Ręcznego przeglądania zdjęć zastąpione przez zautomatyzowaną wizję komputerową
230 GB

Przetworzonych danych inspekcyjnych — zdjęć, plików pomiarowych i protokołów
13+

Niezależnie trenowanych modeli detekcji obiektów w bibliotece

/ 01 / Podsumowanie

Case study w pigułce

Primotly zaprojektowało i stworzyło modułową platformę inspekcyjną opartą na sztucznej inteligencji dla niemieckiej firmy doradztwa strategicznego i technologicznego specjalizującej się w infrastrukturze szerokopasmowej. Platforma zastępuje w pełni manualny proces kontroli jakości instalacji – w którym każde zdjęcie, plik z pomiarami i dokument protokołu były weryfikowane przez ludzkiego analityka – zautomatyzowanym procesem wizji komputerowej (computer vision pipeline), który wykrywa, klasyfikuje i waliduje elementy sieci światłowodowej w kilka minut, w dowolnej skali. U podstaw platformy leży biblioteka ponad 13 niezależnie trenowanych modeli detekcji obiektów, z których każdy odpowiada za jeden typ komponentu – skrzynki rozdzielcze, terminale optyczne, kasety spawów, punkty wejścia kabli i inne. Modele łączą się na żądanie w pipeline’y inspekcyjne dostosowane do konkretnego zadania, z możliwością konfiguracji bez konieczności ponownego trenowania. Inteligentny preklasyfikator kieruje każde zdjęcie tylko do odpowiednich modeli, a wtórne kontrole reguł zgodności weryfikują poprawność instalacji wykraczającą poza samą detekcję. Pojedynczy katalog adresowy, który wcześniej wymagał 2–3 minut ręcznej weryfikacji przez analityka, jest teraz przetwarzany w mniej niż 10 sekund – czyli ponad 12x szybciej. Standardowe zadanie obejmujące ponad 100 katalogów, które dawniej wymagało od 3 do 5 godzin ciągłej pracy człowieka, teraz kończy się w niecałe 20 minut. W jednym z wdrożeń miejskich system ujawnił systemowy brak zgodności – brak etykiet identyfikacyjnych na około 90% skontrolowanych urządzeń – co nie zostało wcześniej wychwycone na dużą skalę podczas ręcznej kontroli.

/ 02 / O kliencie

O kliencie

Klient to niemiecka firma doradztwa strategicznego i technologicznego, specjalizująca się w infrastrukturze szerokopasmowej i budowie sieci światłowodowych. Obsługują regionalnych i lokalnych dostawców telekomunikacyjnych w ramach dwóch głównych pionów: pionu doradczego, obejmującego strategię szerokopasmową, doskonałość operacyjną oraz doradztwo w zakresie fuzji i przejęć (M&A), oraz pionu inżynieryjnego, zajmującego się planowaniem sieci, nadzorem budowlanym i kompleksowym zarządzaniem projektami. Oprócz usług doradczych i inżynieryjnych klient rozwija własne produkty cyfrowe – w tym narzędzia do weryfikacji dokumentów zasilane przez AI oraz platformy do zarządzania przepływem pracy w infrastrukturze światłowodowej – pozycjonując się na styku wiedzy eksperckiej i nowoczesnych usług napędzanych technologią. W momencie rozpoczęcia współpracy ich proces kontroli jakości instalacji był w całości oparty na pracy ludzkiej, a biznes rósł szybciej niż możliwości skalowania tego procesu.

Usługi

AI/ML Development
Dedykowane oprogramowanie (Custom Software Development)

Branża

Telekomunikacja / Infrastruktura szerokopasmowa

Model współpracy

Fixed Price – Długofalowa współpraca

Wielkość zespołu

7 osób w szczytowym momencie

/ 03 / Wyzwanie

Wyzwanie: Przepływ pracy, którego nie dało się wyskalować

Każde zadanie instalacyjne generowało setki zdjęć, plików pomiarowych i protokołów – a wszystko to było sprawdzane ręcznie. W miarę rozwoju firmy manualny proces kontroli jakości natrafił na sztywny sufit na trzech frontach:

01/

Rozwój ograniczony liczbą etatów

Analitycy musieli wizualnie skontrolować każde zdjęcie, aby potwierdzić, czy zainstalowano właściwy sprzęt, czy jest on prawidłowo podłączony i zgodny ze specyfikacją. Proces był powolny, kosztowny i niemożliwy do wyskalowania: podwojenie liczby zadań inspekcyjnych oznaczało konieczność podwojenia liczby analityków. Bez automatyzacji rozwój firmy był bezpośrednio ograniczony liczbą dostępnych osób do weryfikacji.
02/

Niespójność i ryzyko braku zgodności

Zmęczenie ludzi wprowadzało niespójność i brakowało systemowego sposobu na niezawodne wyłapywanie wszystkich typów defektów w dużych zbiorach danych. Przeoczone defekty wynikające ze zmęczenia kontrolera lub niespójnej interpretacji mogły skutkować negatywnymi wynikami audytów i nadszarpnięciem relacji z klientami – to bezpośrednie ryzyko braku zgodności nałożone na cały proces.
03/

Sekwencyjny przepływ ograniczony przez zasoby ludzkie

Przepływ pracy inspekcyjnej był całkowicie sekwencyjny: zdjęcia zbierane w terenie były przesyłane, pobierane przez analityków, recenzowane indywidualnie, a wyniki wprowadzane ręcznie. Czas realizacji od momentu zebrania danych do wygenerowania raportu zgodności liczono w dniach. Klient dostrzegał te ograniczenia, ale nie posiadał wewnętrznych kompetencji, by samodzielnie zbudować rozwiązanie oparte na wizji komputerowej.

/ 04 / Rozwiązanie Primotly

Rozwiązanie Primotly: Modułowa inspekcja AI

Primotly zaprojektowało i zbudowało modułową platformę AI, w której każdy typ zasobu fizycznego jest wykrywany przez dedykowany, niezależnie trenowany model wizji komputerowej. Modele te łączą się na żądanie w pipeline’y inspekcyjne dostosowane do konkretnego zadania – konfigurowalne bez ponownego trenowania, bez zmian architektonicznych i bez konieczności dedykowanego programowania dla każdego zadania z osobna.

Główna zasada: zautomatyzować każdy krok, który analityk wykonywał wcześniej ręcznie, zapewniając wyniki z określoną oceną pewności (confidence score) oraz zdefiniowaną ścieżkę eskalacji dla przypadków granicznych.

Współpraca rozpoczęła się od ustrukturyzowanej fazy discovery: warsztatów z interesariuszami klienta, analizy danych terenowych, ocen wykonalności dla scenariuszy detekcji o wysokim ryzyku oraz sesji projektowania architektury modułowej. Stworzono pełną mapę możliwości – każdy typ obiektu, który wcześniej wymagał ręcznej identyfikacji, został skatalogowany, oceniony pod kątem ryzyka technicznego oraz dostępności danych i spriorytetyzowany przed rozpoczęciem jakichkolwiek prac wdrożeniowych.

Znaczący wysiłek badawczo-rozwojowy (R&D) został wzięty na siebie przez Primotly i nie został zafakturowany klientowi, co stanowi dowód prawdziwego partnerstwa technicznego. Wszystkie scenariusze detekcji o wysokim ryzyku przeszły formalną ocenę wykonalności przed zatwierdzeniem zakresu prac, co zapobiegło składaniu obietnic bez pokrycia i chroniło wiarygodność dostarczenia projektu na każdym etapie.

Kluczowe funkcjonalności

Modułowy konfigurator pipeline’ów AI

Wymagane funkcje detekcji są wybierane z biblioteki modeli, a gotowy do uruchomienia automatyczny proces inspekcji jest konfigurowany i wdrażany, zastępując dotychczasową ręczną pracę analityka. Nowe konfiguracje inspekcji mogą być wdrażane w kilka dni, zamiast wymagać tygodni przygotowań, dzięki czemu firma może przyjmować więcej zleceń i obsługiwać więcej klientów bez proporcjonalnego zwiększania zespołu analityków.
Wielokomponentowy silnik detekcji obiektów

Biblioteka ponad 13 wyspecjalizowanych modeli wizji komputerowej, z których każdy został przeszkolony do wykrywania konkretnego zasobu fizycznego: skrzynek rozdzielczych (otwartych, zamkniętych, zakrytych), terminali optycznych, abonenckich skrzynek przyłączeniowych, kaset spawów, punktów wejścia kabli, mikrorur, rur ochronnych kabli i innych. Każdy model działa niezależnie, posiada osobną wersję i łączy się w pipeline’y inspekcyjne w zależności od potrzeb – przetwarzając setki zdjęć w czasie, w którym analityk przejrzałby zaledwie kilka sztuk.
Zautomatyzowana analiza zgodności dokumentów i OTDR

Automatycznie klasyfikuje protokoły w formacie PDF, wyodrębnia ustrukturyzowane pola danych i przetwarza pliki pomiarowe OTDR (binarny format SOR) w celu weryfikacji poziomów sygnału optycznego pod kątem progów zgodności. Wyniki są agregowane w ujednolicony, gotowy do audytu raport zgodności dostarczany wraz z wynikami analizy obrazu – co zastępuje godziny ręcznego przeglądania dokumentów dla każdego zadania inspekcyjnego.
Inteligentny preklasyfikator i routing obrazów

Lekki klasyfikator AI, który analizuje każde przesłane zdjęcie i kieruje je wyłącznie do odpowiednich modeli detekcji – zamiast uruchamiać pełną bibliotekę modeli dla każdego obrazu. Działając przy progu pewności wynoszącym 85%+ przed ewentualnym przejściem na pełne wykonanie pipeline’u, znacząco skraca czas przetwarzania i obniża koszty infrastruktury chmurowej przy masowych, wysokowolumenowych operacjach inspekcyjnych.
Zautomatyzowana weryfikacja reguł zgodności

Wykracza poza samą detekcję, sprawdzając, czy wykryte obiekty spełniają zasady instalacji. Po zidentyfikowaniu zasobów platforma stosuje konfigurowalny zestaw kontroli zgodności: czy konkretny kabel jest fizycznie podłączony do właściwego urządzenia? Czy pigtaile są zainstalowane we właściwych pozycjach? Czy wymagany komponent znajduje się w oczekiwanym miejscu? Reguły są oceniane automatycznie na każdym przetworzonym obrazie, a naruszenia flagowane w raporcie końcowym – to różnica między wiedzą o tym, co znajduje się na zdjęciu, a wiedzą o tym, czy instalacja jest poprawna.

/ 05 / Szczegóły techniczne

Szczegóły techniczne

01/
Rozróżnianie urządzeń wizualnie nie do odróżnienia
- Problem: Dwa różne komponenty instalacji światłowodowej – skrzynka przyłączeniowa abonenta Gf-TA oraz terminal optyczny ONT – są wizualnie nie do odróżnienia dla standardowych klasyfikatorów wizji komputerowej. Oba urządzenia mogą pojawić się na tym samym zdjęciu instalacji i wymagają osobnej, poprawnej identyfikacji na potrzeby raportowania zgodności. Błędna klasyfikacja ma bezpośrednie konsekwencje regulacyjne.
- Rozwiązanie: Oba modele zostały przeszkolone przy użyciu wyraźnych przykładów klas negatywnych (pokazujących drugie, podobne urządzenie), a dane treningowe połączono z wielu projektów klienckich, aby maksymalnie zwiększyć pokrycie wariantów. Progi pewności kierują detekcje o niskiej pewności do kolejki ręcznej weryfikacji przez człowieka, zamiast generować ukryty, błędny wynik, a przed włączeniem tego zadania detekcji do zakresu prac przeprowadzono formalną ocenę wykonalności.
- Efekt: niezawodne rozróżnianie urządzeń w warunkach produkcyjnych, ze zdefiniowaną ścieżką eskalacji do człowieka w przypadkach granicznych i w pełni transparentną pewnością detekcji w każdym zapisie wyjściowym.
02/
Trenowanie niezawodnych modeli na skrajnie ograniczonych danych
- Problem: Kilka typów urządzeń posiadało skrajnie ograniczoną liczbę rzeczywistych zdjęć treningowych – w niektórych przypadkach zaledwie 30 przykładów na dany typ, przy minimalnym wymaganiu wynoszącym 200–1000 etykietowanych obrazów do niezawodnego przeszkolenia modelu. Standardowe podejścia dałyby niewiarygodne modele i wprowadziły klienta w błąd co do poziomu pewności systemu.
- Rozwiązanie: Zbudowano wewnętrzne pipeline’y augmentacji danych w celu rozszerzenia ograniczonych zbiorów, a także opracowano narzędzie do automatycznego etykietowania (auto-labelling tool), aby przyspieszyć tworzenie zbiorów danych na podstawie surowych zdjęć z terenu. Wykorzystano generowanie danych syntetycznych dla typów urządzeń, dla których rzeczywiste przykłady były niedostępne, a przed akceptacją zadań detekcji do zakresu prac przeprowadzono rzetelne studia wykonalności – opierając wszystkie szacunki na jasnych warunkach zależności od danych.
- Efekt: modele wdrożone z jasno określonymi celami dokładności i wymaganiami wstępnymi dotyczącymi danych oraz model cenowy uzależniony od danych, który pozwala klientowi zrozumieć czynniki generujące koszty i proaktywnie dostarczać potrzebne materiały.
03/
Architektura skalowalnej platformy z 13+ modelami
- Problem: Budowa systemu wizji komputerowej mającego zastąpić ręczną inspekcję to nie tylko kwestia wytrenowania modeli – to wyzwanie architektoniczne. Rozwiązanie musiało obsługiwać ponad 13 niezależnych modeli detekcji, umożliwiać konfigurację dla każdego zadania bez ponownego trenowania i pozostać łatwe w utrzymaniu w miarę dodawania nowych typów obiektów i wariantów urządzeń. W tej dziedzinie nie istniał żaden gotowy, ustalony szablon.
- Rozwiązanie: Zastosowano zasadę pojedynczej odpowiedzialności (single-responsibility principle) dla wszystkich modeli: jeden model na jeden koncept obiektu, trenowany na połączonych danych terenowych, ze standaryzowanymi kontraktami wejścia/wyjścia. Warstwa kompozycji pipeline’ów traktuje modele jako wymienne komponenty, a warstwa routingu oparta na preklasyfikatorze efektywnie zarządza uruchamianiem modeli – podejście zweryfikowane przez ponad 40 godzin wewnętrznych prac R&D przed właściwą implementacją.
- Efekt: w pełni modułowa platforma, na której nowe konfiguracje inspekcji są wdrażane w kilka dni, aktualizacje modeli odbywają się bez konieczności przebudowy pipeline’ów, a biblioteka detekcji rośnie przyrostowo. Architektura jest niezależna od domeny i można ją bezpośrednio przenieść do dowolnego innego zastosowania związanego z inspekcją terenową.

/ 06 / Wpływ biznesowy i rezultaty

Wpływ biznesowy i wyniki

Modułowa platforma inspekcyjna przyniosła wymierne korzyści w zakresie szybkości przetwarzania, detekcji defektów, skali oraz ekonomiki jednostkowej kontroli jakości.

12x szybsze przetwarzanie katalogów

Pojedynczy katalog adresowy, który wymagał 2–3 minut ręcznej weryfikacji przez analityka, jest teraz przetwarzany w mniej niż 10 sekund – ponad 12x szybciej. Standardowe zadanie inspekcyjne obejmujące ponad 100 katalogów, wcześniej 3–5 godzin pracy analityka, kończy się teraz w niecałe 20 minut: to ponad 90% redukcji czasu.
Zero ręcznego wprowadzania danych

Nie jest wymagane żadne ręczne wprowadzanie danych przy identyfikacji zasobów, odczytywaniu etykiet, śledzeniu GPS czy walidacji pomiarów – wszystkie te dane są ekstrahowane automatycznie. Pełnej automatyzacji podlega też przetwarzanie binarnych plików pomiarowych: format SOR jest parsowany, wartości walidowane, a niezgodności flagowane bez jakiegokolwiek udziału analityka.
Systemowe defekty ujawnione na dużą skalę

W jednym z miast system zidentyfikował brak etykiety identyfikacyjnej na około 90% skontrolowanych urządzeń – to systemowa luka w zgodności, która nie ujawniła się na dużą skalę podczas ręcznych kontroli. Oflagował również nietypową konfigurację połączenia kablowego w wielu zadaniach, potwierdzając nieudokumentowany wcześniej wariant instalacji, zanim rozprzestrzenił się dalej.
100% ręcznego przeglądania zastąpione

100% ręcznego przeglądania zdjęć zostało zastąpione przez zautomatyzowaną wizję komputerową we wszystkich aktywnych zadaniach inspekcyjnych, przy ponad 13 dostarczonych możliwościach detekcji obiektów pokrywających pełen zakres wcześniej ręcznych zadań i ponad 230 GB przetworzonych do tej pory danych inspekcyjnych.
Zmieniona ekonomika jednostkowa QA

Architektura platformy skaluje się do 10-krotności obecnego wolumenu zadań bez konieczności przebudowy strukturalnej, a wzrost wydajności inspekcji nie wymaga już proporcjonalnego zwiększania liczby analityków – co fundamentalnie zmienia ekonomikę jednostkową (unit economics) kontroli jakości. Biblioteka komponentów wielokrotnego użytku może zostać przeniesiona do kontroli jakości w produkcji, wykrywania defektów w produkcji żywności, zgodności budowlanej oraz zarządzania zasobami infrastruktury.

Stack technologiczny

Frontend: React (aplikacja internetowa)
Backend / ML: Python (ML inference, orkiestracja pipeline’ów)
Infrastruktura: AWS
Kluczowe biblioteki: Frameworki do wizji komputerowej / detekcji obiektów, OCR, parsowanie binarnego formatu SOR dla OTDR, ekstrakcja PDF, API do odwrotnego geokodowania
Proces i PM: Scrum, ClickUp, Slack, Microsoft Teams