A detecção de anomalias é uma funcionalidade requerida em diversos setores e etapas da cadeia de produção. No varejo por exemplo, saber sobre a má condição de uma embalagem ou produto evita prejuízos com mercadorias defeituosas que não podem ser comercializadas. Em setores como logística que a manutenção é um item crucial para o escoamento da carga, saber sobre a boa condição das peças que compõe locomotivas e caminhões é decisivo para evitar acidentes e otimizar os lucros. Na indústria como a automobilística, os benefícios se tornam ainda mais evidentes, garantindo qualidade na linha de produção.
Apesar de abrangente, criar um modelo machine learning que detecte anomalias é tarefa custosa que requer um profundo conhecimento. Visando resolver esse problema a AWS lançou a família Amazon Lookout, uma série de serviços que detectam anomalias em sensores, como o Amazon Lookout for Equipment, em métricas de negócios e operações com o Amazon Lookout for Metrics e em imagens, com o Amazon Lookout for Vision.
Nessa série de blogposts, vamos explorar as funcionalidades de cada um desses serviços, começando pelo Amazon Lookout for vision. A detecção de anomalias de fotos de peças por exemplo, é tarefa particularmente difícil, dado a complexidade necessária para um modelo eficaz. Nesse blogpost vamos utilizar um dataset público do Kaggle que pode ser encontrado no link https://www.kaggle.com/ravirajsinh45/real-life-industrial-dataset-of-casting-product?select=casting_datapara detectar anomalias em imagens de um impulsor. Nesse experimento vamos utilizar uma subset dos itens da pasta “casting_data”, já categorizados entre normal(ok_front) e anormal(def_front) e teremos duas versões, uma para efeito demonstrativo via console que veremos no blogpost(## TODO ##) e outra via código com jupyter notebook, que se encontra nesse git.