Rozpoznawanie obrazów w firmie: zastosowania, potrzebne dane i koszt wdrożenia

Prezentacja u dostawcy trwa dwadzieścia minut. Na ekranie pojawiają się zdjęcia odlewów, a model zaznacza na czerwono pęknięcia i pory z pewnością 97%. Dyrektor operacyjny widzi rozwiązanie problemu, który od lat kosztuje firmę reklamacje i trzech kontrolerów na każdej zmianie. Pilotaż rusza po miesiącu. Po kolejnych sześciu tygodniach raport mówi, że system odrzuca co ósmą dobrą sztukę, a dwie wady, które przeszły do klienta, model uznał za cień.

Model był w porządku. Na pokazie pracował na zdjęciach zrobionych w laboratorium, przy jednolitym świetle, z detalem ułożonym zawsze tak samo. Na linii detal przesuwał się z prędkością przenośnika, świetlik nad stanowiskiem zmieniał oświetlenie między ranną a nocną zmianą, a obudowa kamery pokrywała się pyłem. Nikt nie zapisał wcześniej, od jakiej długości rysa jest wadą, więc dwóch kontrolerów opisywało te same zdjęcia inaczej.

Ten artykuł jest dla dyrektorów operacyjnych i właścicieli produktów, którzy rozważają rozpoznawanie obrazów (computer vision, AI vision) w kontroli jakości, magazynie, obiegu dokumentów albo ochronie obiektu. Teza może wydać się sprzeczna z tym, co mówi rynek: o skuteczności rozpoznawania obrazów w firmie decyduje scena, a nie model. Kamera, oświetlenie, definicja tego, co uznajemy za błąd, i dane z prawdziwej zmienności procesu przesądzają o wyniku bardziej niż wybór algorytmu. Dlatego budżet i pilotaż trzeba układać od stanowiska i danych, a model wybierać na końcu.

Dlaczego pokaz rozpoznawania obrazów działa, a wdrożenie na hali nie?

Bo pokaz i wdrożenie rozwiązują inne zadania. Pokaz odpowiada na pytanie, czy model potrafi rozpoznać wadę na dobrym zdjęciu. Wdrożenie musi odpowiedzieć, czy system zrobi dobre zdjęcie każdej sztuki, w każdych warunkach, przez trzy zmiany, i podejmie decyzję, którą proces potrafi wykorzystać.

Różnica jest znana z badań. W publicznych zbiorach danych, na których porównuje się modele, zdjęcia są wykonane w powtarzalnych warunkach. Zbiór MVTec AD, jeden z najczęściej używanych w badaniach nad wykrywaniem wad przemysłowych, zawiera ponad 5000 zdjęć w wysokiej rozdzielczości z piętnastu kategorii przedmiotów i tekstur, a zbiór treningowy każdej kategorii składa się wyłącznie ze zdjęć sztuk bez wad. Wyniki na takich zbiorach mówią, jak dobry jest algorytm. Nie mówią, jak dobry będzie system przy Twoim przenośniku.

Na hali zmienia się prawie wszystko, co w laboratorium było stałe. Światło dzienne, kurz na obiektywie, drgania konstrukcji, pozycja detalu, nowa partia surowca o innym odcieniu, zmiana dostawcy opakowań. Każda z tych zmian przesuwa rozkład danych, na które patrzy model. Model trenowany na zdjęciach z jednego tygodnia nie widział zimy, nie widział nowego wariantu produktu i nie widział brudnej osłony.

Wniosek dla zamawiającego jest praktyczny. Zanim zapytasz, jakiego modelu użyje dostawca, zapytaj, jak będzie wyglądało stanowisko, skąd przyjdą zdjęcia do treningu i testu, kto opisze, co jest wadą, i jak system zachowa się, gdy warunki się zmienią. Te cztery odpowiedzi mówią o szansach projektu więcej niż nazwa architektury sieci.

Do czego firmy naprawdę używają rozpoznawania obrazów?

Zastosowania, które zarabiają w firmach spoza branży technologicznej, mieszczą się w czterech obszarach. Każdy ma inną ekonomię, inne wymagania wobec danych i inne ryzyko prawne, więc warto je rozdzielić, zanim zacznie się rozmowa o budżecie.

Kontrola jakości. Wykrywanie wad powierzchni, sprawdzanie kompletności montażu, pomiar wymiarów, kontrola etykiet i nadruków, weryfikacja koloru. Zysk to mniej reklamacji, mniej pracy kontrolerów, kontrola 100% sztuk zamiast próbki i zapis zdjęcia każdej sztuki na wypadek sporu z klientem.

Inwentaryzacja i logistyka. Liczenie sztuk na półkach i paletach, wykrywanie braków na regale sklepowym, odczyt etykiet i numerów kontenerów, kontrola uszkodzeń przesyłek przy przyjęciu, weryfikacja kompletacji zamówienia. Zysk to krótszy czas inwentaryzacji, mniej pomyłek w wysyłce i dowód stanu towaru w chwili przyjęcia.

Dokumenty. Rozpoznawanie tekstu (OCR) i inteligentne przetwarzanie dokumentów (IDP): odczyt dowodów dostawy, listów przewozowych, formularzy wypełnianych ręcznie, protokołów, starych archiwów. To obszar, który najbliżej styka się z automatyzacją procesów, i tu najłatwiej przepłacić, o czym niżej.

Bezpieczeństwo i BHP. Wykrywanie wejścia w strefę niebezpieczną przy maszynie, sprawdzanie kasków i kamizelek, wykrywanie dymu i ognia, kontrola dostępu do pomieszczeń, odczyt tablic rejestracyjnych na bramie. To obszar, w którym obraz prawie zawsze zawiera ludzi, więc decyzje techniczne są tu jednocześnie decyzjami prawnymi.

Wspólne dla wszystkich czterech jest to, że rozpoznawanie obrazów zastępuje albo uzupełnia ludzkie oko w czynności powtarzalnej i dającej się opisać. Gdzie czynności nie da się opisać tak, żeby dwie osoby oceniły ten sam obraz tak samo, tam model też nie będzie spójny. Jeśli potrzebujesz krótkiego wprowadzenia do samej dziedziny, zajrzyj do hasła widzenie komputerowe w naszym słowniku.

Kiedy kontrola jakości z kamery ma sens, a kiedy nie?

Ma sens, gdy wada jest widoczna na zdjęciu, da się ją opisać, a koszt jej przepuszczenia albo koszt ręcznej kontroli jest wyraźnie wyższy niż koszt stanowiska. Nie ma sensu, gdy wady nie widać w świetle widzialnym, gdy jej definicja zmienia się zależnie od klienta i nastroju, albo gdy wolumen jest tak mały, że kontroler przy stole kosztuje mniej niż utrzymanie systemu.

Pierwsze pytanie brzmi więc nie „czy AI to wykryje”, tylko „czy człowiek wykryje to na zdjęciu”. Jeśli doświadczony kontroler, patrząc na zdjęcie zamiast na detal w ręku, nie potrafi rozstrzygnąć, czy jest wada, model też nie będzie potrafił. Część wad widać dopiero pod określonym kątem światła, część w podczerwieni, część dopiero po dotknięciu. To ostatnie wyklucza kamerę, a pierwsze dwa zmieniają projekt stanowiska.

Drugie pytanie dotyczy rzadkości wad. W dobrze działającym procesie wadliwe sztuki stanowią ułamek procenta. Zebranie kilkuset zdjęć każdego rodzaju wady może zająć miesiące. Dlatego w kontroli jakości często lepiej sprawdza się podejście wykrywania anomalii: model uczy się, jak wygląda dobra sztuka, i zgłasza wszystko, co od niej odbiega. Właśnie tak zbudowany jest wspomniany zbiór MVTec AD, w którym trening odbywa się na zdjęciach bez wad. Zdjęcia wad są wtedy potrzebne przede wszystkim do testu, a nie do treningu.

Trzecie pytanie dotyczy kosztu dwóch rodzajów błędów. System, który odrzuca dobrą sztukę, generuje stratę materiału albo pracę ponownej kontroli. System, który przepuszcza wadliwą, generuje reklamację, a w niektórych branżach ryzyko bezpieczeństwa. Te koszty są różne, więc próg decyzji modelu trzeba ustawić świadomie, a kryterium sukcesu pilotażu zapisać jako dwie liczby: odsetek wad wykrytych i odsetek dobrych sztuk odrzuconych. Jedna liczba „skuteczności” ukrywa, który błąd system popełnia.

Czwarte pytanie dotyczy tego, co dzieje się z decyzją. Jeśli system tylko wyświetla czerwoną ramkę na monitorze, a sztuka jedzie dalej, wartość jest niewielka. Potrzebny jest wyrzutnik, sygnał do sterownika linii, zapis w systemie jakości z numerem partii albo stanowisko ponownej oceny. To integracja z automatyką i systemami firmy, a nie z modelem, i to ona często decyduje o czasie wdrożenia.

Jak rozpoznawanie obrazów zmienia inwentaryzację i magazyn?

W magazynie i handlu rozpoznawanie obrazów zastępuje liczenie i porównywanie. Kamera na wózku albo dronie liczy palety w lokacjach, kamera nad stołem pakowania sprawdza, czy w kartonie są właściwe produkty, a zdjęcie przy rampie dokumentuje stan przesyłki w chwili przyjęcia. Każdy z tych przypadków ma jednak tańszą alternatywę, z którą trzeba go uczciwie porównać.

Tą alternatywą jest zwykle kod kreskowy, kod 2D albo RFID. Jeśli towar ma etykietę, a proces pozwala ją zeskanować, skaner jest tańszy, szybszy i bardziej przewidywalny niż model, który rozpoznaje produkt po wyglądzie. Rozpoznawanie obrazów wygrywa tam, gdzie etykiety nie ma, jest zasłonięta albo nieczytelna, gdzie trzeba ocenić stan, a nie tożsamość towaru (zgnieciony karton, przekrzywiona paleta, brak folii), albo gdzie skanowanie każdej sztuki zajmuje za dużo czasu.

Najczęstszy błąd w projektach magazynowych to próba rozpoznawania tysięcy podobnych produktów po wyglądzie. Produkty w tej samej serii różnią się czasem tylko pojemnością na etykiecie, a nowe warianty pojawiają się co miesiąc. Każdy nowy produkt oznacza nowe zdjęcia i ponowne trenowanie albo dopisanie do bazy wzorców. Zanim zamówisz taki system, policz, ile nowych pozycji przybywa rocznie i kto będzie odpowiadał za ich dodawanie.

Drugi błąd to oczekiwanie, że system zastąpi inwentaryzację w całości. W praktyce skuteczniejsze jest użycie go do wskazania rozbieżności: system porównuje obraz ze stanem w WMS i kieruje pracownika tylko tam, gdzie liczby się nie zgadzają. Wtedy pomyłka modelu oznacza dodatkowe sprawdzenie jednej lokacji, a nie błędny stan magazynu.

Czy OCR i IDP to wciąż dobry pomysł, skoro faktury są w KSeF?

To pytanie jest dziś w Polsce ważniejsze niż rok temu. Krajowy System e-Faktur jest obowiązkowy od 1 lutego 2026 roku dla firm, które w 2024 roku miały sprzedaż powyżej 200 mln zł z VAT, i od 1 kwietnia 2026 roku dla pozostałych. Faktura ustrukturyzowana przychodzi jako dane, a nie jako obraz. Projekt, który w 2026 roku buduje rozpoznawanie tekstu dla faktur krajowych, rozwiązuje problem, który przestał istnieć. Zamiast OCR potrzebna jest integracja z KSeF.

Nie znaczy to, że rozpoznawanie dokumentów straciło sens. Zostały dokumenty, które nadal krążą jako papier albo skan: dowody dostawy z podpisem kierowcy, listy przewozowe CMR, protokoły odbioru, formularze wypełniane ręcznie, dokumenty od kontrahentów zagranicznych, archiwa sprzed digitalizacji, dokumenty tożsamości w procesach onboardingu. Tu inteligentne przetwarzanie dokumentów, łączące OCR z klasyfikacją i wyciąganiem pól, dalej oszczędza pracę.

Skuteczność rozpoznawania dokumentów zależy od tych samych czynników co w kontroli jakości, tylko inaczej nazwanych. Rozdzielczość i jakość skanu odpowiadają kamerze i oświetleniu. Liczba układów dokumentów odpowiada zmienności produktu. Pismo odręczne i pieczątki na tekście odpowiadają trudnym wadom. Dokument zeskanowany telefonem pod kątem, w żółtym świetle, z cieniem dłoni, będzie odczytany gorzej niż ten sam dokument ze skanera, niezależnie od modelu.

Koszt i sposób liczenia zwrotu z automatyzacji obiegu dokumentów opisaliśmy w artykule o tym, ile kosztuje automatyzacja procesów biznesowych, więc nie będziemy go tu powtarzać. Z perspektywy tego artykułu ważne jest jedno: zanim zamówisz rozpoznawanie dokumentów, sprawdź, czy tych dokumentów nie da się dostać w postaci danych od źródła. Integracja z systemem kontrahenta albo z rejestrem publicznym jest prawie zawsze tańsza i pewniejsza niż odczyt obrazu.

Jakich danych potrzebuje projekt i ile zdjęć to wystarczająco?

Na pytanie „ile zdjęć” nie ma uczciwej jednej odpowiedzi, i dostawca, który ją podaje bez obejrzenia procesu, zgaduje. Liczy się nie liczba zdjęć, tylko to, czy zbiór pokrywa zmienność, z którą system spotka się w pracy. Sto zdjęć z jednej zmiany jest mniej wartych niż sto zdjęć rozłożonych na trzy zmiany, cztery partie surowca i dwa warianty produktu.

Dlatego planowanie danych warto zacząć od listy źródeł zmienności. Dla kontroli jakości są to zwykle: warianty produktu i kolory, partie i dostawcy surowca, zmiany i pora dnia, stan maszyny (po przezbrojeniu, przed konserwacją), pozycja i orientacja detalu, stan osłon i obiektywu. Dla magazynu: typy opakowań, oświetlenie w różnych strefach, stopień zapełnienia regałów, sezonowe zmiany asortymentu. Dla każdego źródła zmienności zbiór powinien zawierać przykłady z obu końców zakresu.

Drugi element to instrukcja opisywania danych. Dwie osoby, które opisują te same zdjęcia, muszą dojść do tego samego wyniku. Jeśli nie dochodzą, model nauczy się ich niezgodności. Prosty test: daj dwóm kontrolerom ten sam zestaw stu zdjęć i policz, w ilu przypadkach się różnią. Jeśli różnią się często, najpierw trzeba doprecyzować definicję wady (wymiary, położenie, widoczność z określonej odległości), a dopiero potem zbierać dane. To praca dla działu jakości, nie dla programistów.

Trzeci element to podział danych. Zbiór testowy powinien pochodzić z innych dni, zmian i partii niż zbiór treningowy. Jeśli zdjęcia z tej samej godziny trafią do obu zbiorów, model zostanie oceniony na danych bardzo podobnych do tych, na których się uczył, i wynik pilotażu będzie zawyżony. To najczęstsza przyczyna rozczarowania po uruchomieniu produkcyjnym.

Czwarty element to dane po wdrożeniu. Proces się zmienia, więc model trzeba co jakiś czas sprawdzać na nowych zdjęciach i douczać. Potrzebny jest mechanizm, który zbiera przypadki wątpliwe, przypadki zakwestionowane przez operatora i losową próbkę, i przekazuje je do opisu. Bez tego jakość modelu spada niezauważenie. Szerzej o tym, dlaczego utrzymanie danych jest największą pozycją w kosztach AI, piszemy w artykule o tym, że prawdziwy koszt AI to utrzymanie jakości danych. Za przepływ danych od kamery do zbioru treningowego odpowiada zwykle inżynieria danych, a nie zespół, który trenuje model.

Ile kosztuje samo opisywanie? To zależy od zadania i trzeba to policzyć, a nie przyjąć. Przykładowy szacunek: jeśli decyzja „dobra czy zła sztuka” zajmuje kontrolerowi średnio 5 sekund, opis 5000 zdjęć to około 7 godzin pracy. Jeśli trzeba zaznaczyć ramką każdą wadę, czas na zdjęcie rośnie kilkukrotnie, a jeśli trzeba obrysować wadę dokładnie co do piksela, jeszcze bardziej. Do tego dochodzi weryfikacja części opisów przez drugą osobę. Te godziny są zwykle po stronie firmy, bo tylko jej ludzie wiedzą, co jest wadą.

Dlaczego kamera i oświetlenie ważą więcej niż wybór modelu?

Bo model nie odzyska informacji, której nie ma na zdjęciu. Jeśli rysa jest węższa niż piksel, jeśli odblask zakrywa nadruk, jeśli ruch rozmywa krawędź, żaden algorytm tego nie naprawi. Natomiast dobre zdjęcie pozwala często osiągnąć cel prostszym, tańszym i szybszym modelem.

Zacznij od rozdzielczości, bo da się ją policzyć przed zakupem. Przykład: pole widzenia ma szerokość 300 mm, a najmniejsza wada, którą trzeba wykryć, ma 0,5 mm. Jeśli przyjmiesz, że wada powinna zajmować co najmniej cztery piksele w poprzek, potrzebujesz 300 / 0,5 × 4 = 2400 pikseli na szerokości obrazu. To od razu mówi, jakiej klasy kamera wchodzi w grę, albo że trzeba zmniejszyć pole widzenia i użyć dwóch kamer. Ten rachunek warto mieć zapisany w specyfikacji, bo pozwala porównać oferty.

Drugi parametr to ruch. Detal na przenośniku przesuwa się w czasie naświetlania. Przy krótkim czasie naświetlania potrzeba więcej światła, przy długim zdjęcie się rozmywa. Rozwiązaniem bywa oświetlenie błyskowe zsynchronizowane z kamerą, czujnik wyzwalający zdjęcie w chwili, gdy detal jest w polu widzenia, albo zatrzymanie detalu na stanowisku. To decyzje dla automatyka, nie dla specjalisty od uczenia maszynowego.

Trzeci parametr to światło. Powierzchnie błyszczące, metaliczne i foliowane odbijają światło w sposób, który na zdjęciu wygląda jak wada albo ją ukrywa. Odpowiednio dobrane oświetlenie (rozproszone, podświetlenie od spodu, światło pod małym kątem, które wydobywa rysy) potrafi zmienić zadanie z trudnego w proste. Do tego dochodzi odcięcie światła zewnętrznego: osłona stanowiska jest tańsza niż model, który musi radzić sobie ze słońcem przez świetlik.

Czwarty parametr to stałość. Kamera przykręcona do konstrukcji, która drga, po miesiącu patrzy w inne miejsce. Obiektyw bez osłony pokrywa się pyłem. Oświetlenie traci jasność z czasem. Projekt stanowiska powinien przewidywać czyszczenie, kontrolę ustawienia (na przykład wzorzec w polu widzenia, który system sprawdza na początku zmiany) i wymianę elementów.

Wszystko to oznacza, że w zespole projektu rozpoznawania obrazów dla przemysłu potrzebny jest ktoś, kto zna systemy wizyjne i automatykę, a nie tylko uczenie maszynowe. Dobrym sprawdzianem dostawcy jest pytanie, kto zaprojektuje stanowisko i kto za nie odpowiada, gdy wynik będzie słaby. Jeśli odpowiedź brzmi „to po stronie klienta”, ryzyko projektu jest po Twojej stronie.

Gotowy model, dostrojony czy trenowany od zera?

Trzy poziomy, trzy różne budżety. Rynek przesuwa się w stronę gotowych i dostrajanych modeli, i dla wielu zastosowań to dobra wiadomość.

Gotowe usługi chmurowe. Rozpoznawanie ogólnych obiektów, tekstu, twarzy, etykiet, treści niedozwolonych. Płacisz za obraz i nie trenujesz niczego. Cennik Google Cloud Vision przewiduje 1000 bezpłatnych jednostek miesięcznie, a potem 1,50 USD za 1000 jednostek dla m.in. wykrywania etykiet i tekstu, do 5 mln jednostek. W Amazon Rekognition analiza obrazu kosztuje 0,001 USD za obraz w pierwszym milionie obrazów miesięcznie, więc milion zdjęć to około 1000 USD. To dobre rozwiązanie, gdy pytanie jest ogólne („czy na zdjęciu jest paleta”, „odczytaj tekst”), a obrazy można wysłać do chmury.

Modele dostrajane na własnych danych. Bierzesz model wstępnie wytrenowany i douczasz go na kilkuset albo kilku tysiącach własnych zdjęć. To typowa ścieżka dla kontroli jakości i rozpoznawania konkretnych produktów. W usłudze Amazon Rekognition Custom Labels trening kosztuje 1 USD za godzinę, a uruchomiony model 4 USD za każdą godzinę działania, niezależnie od tego, ile zdjęć w tym czasie przetwarza. Przykład z cennika AWS: model działający 8 godzin dziennie to 32 USD dziennie. Ten sam model działający przez całą dobę to około 2900 USD miesięcznie, czyli koszt, który przy ciągłej pracy linii warto porównać z urządzeniem brzegowym.

Modele otwarte uruchamiane samodzielnie. Pełna kontrola, brak opłaty za obraz, ale też pełna odpowiedzialność za infrastrukturę i aktualizacje. Tu pojawia się pułapka, którą wiele zespołów odkrywa późno: licencje. Popularne modele z rodziny YOLO firmy Ultralytics są dostępne na licencji AGPL-3.0, która wymaga udostępnienia kodu całego projektu korzystającego z modelu, albo na płatnej licencji Enterprise. Według Ultralytics licencja komercyjna jest potrzebna m.in. dla produktów komercyjnych, usług SaaS i wdrożeń na urządzeniach brzegowych i kamerach. Podobnie z danymi: zbiór MVTec AD jest udostępniony na licencji CC BY-NC-SA 4.0, która nie pozwala na użycie komercyjne. Zapytaj dostawcę wprost, na jakiej licencji są model, wagi i dane użyte do treningu, i wpisz odpowiedź do umowy.

Trenowanie od zera ma dziś sens rzadko: przy nietypowych obrazach (rentgen, termowizja, obrazy hiperspektralne), bardzo dużych wolumenach albo gdy ograniczenia sprzętowe wymagają bardzo małego modelu. Dla większości firm to nie jest punkt wyjścia.

Jak wybrać? Zacznij od najtańszego poziomu, który ma szansę zadziałać, i sprawdź go na prawdziwych zdjęciach z procesu. Gotowa usługa przetestowana na tysiącu zdjęć z Twojej rampy w jeden dzień powie więcej niż miesiąc rozmów o architekturze. Jeśli nie wystarcza, przejdź do dostrajania. Rachunek kosztów każdego z etapów, od pilotażu po produkcję, opisaliśmy w artykule o koszcie wdrożenia AI od PoC do produkcji.

Edge czy chmura: gdzie powinien działać model?

To decyzja, która wpływa na koszt, czas reakcji, bezpieczeństwo i zgodność z prawem jednocześnie, więc warto ją podjąć na początku, a nie po pilotażu.

Chmura wygrywa, gdy wolumen jest niewielki albo nieregularny, gdy decyzja nie musi zapaść w ułamku sekundy, gdy łącze jest dobre i gdy obraz można wysłać poza zakład. Odczyt dokumentów, analiza zdjęć z inspekcji terenowych, okresowa kontrola półek w sklepach to typowe przypadki chmurowe. Płacisz za użycie, nie utrzymujesz sprzętu, a aktualizacje modelu są proste.

Urządzenie brzegowe, czyli komputer przy kamerze albo w szafie obok linii, wygrywa w czterech sytuacjach. Gdy decyzja musi zapaść, zanim detal dojedzie do wyrzutnika. Gdy kamera pracuje ciągle i wysyłanie strumienia obrazu do chmury kosztowałoby za dużo transferu i za dużo godzin pracy modelu. Gdy łącze w zakładzie jest zawodne, a linia nie może stanąć z powodu awarii internetu. I gdy obraz zawiera ludzi albo tajemnice produkcyjne, które nie powinny opuszczać zakładu. Sprzęt do takich zastosowań jest dziś niewielki i energooszczędny: na przykład zestaw NVIDIA Jetson Orin Nano Super osiąga według producenta 67 TOPS w obliczeniach INT8 przy poborze mocy od 7 do 25 W.

Edge ma swoje koszty, o których oferty milczą. Urządzenia trzeba zdalnie aktualizować, monitorować i wymieniać. Model zmieniony w chmurze trzeba bezpiecznie rozesłać na dziesiątki stanowisk i móc go wycofać, jeśli nowa wersja działa gorzej. To zakres MLOps, czyli praktyk utrzymania modeli w produkcji, który przy wielu stanowiskach staje się osobnym zadaniem. Więcej o strategiach wdrażania na urządzeniach brzegowych przeczytasz w artykule o edge AI.

Najczęściej najlepszy jest układ mieszany. Wnioskowanie odbywa się na brzegu, przy kamerze. Do chmury trafiają tylko przypadki wątpliwe, losowa próbka i statystyki, a tam odbywa się opis danych, douczanie i monitoring jakości. Taki układ ogranicza transfer, skraca czas reakcji, zmniejsza ilość danych osobowych wysyłanych poza zakład i zachowuje możliwość ciągłego ulepszania modelu.

Co AI Act zakazuje i co uznaje za wysokie ryzyko przy biometrii?

Większość zastosowań rozpoznawania obrazów w firmie nie podlega szczególnym wymogom AI Act, czyli rozporządzenia (UE) 2024/1689. Model, który wykrywa rysy na odlewie albo liczy palety, nie jest systemem wysokiego ryzyka. Sytuacja zmienia się w chwili, gdy system rozpoznaje albo ocenia ludzi. Stan prawny na 12 listopada 2026 roku wygląda następująco.

Zakazy obowiązują od 2 lutego 2025 roku. Art. 5 ust. 1 zakazuje m.in. tworzenia lub rozbudowy baz danych do rozpoznawania twarzy przez nieukierunkowane pozyskiwanie wizerunków z internetu albo nagrań z monitoringu (lit. e), wykorzystywania systemów AI do wyciągania wniosków o emocjach osób w miejscu pracy i w instytucjach edukacyjnych, z wyjątkiem względów medycznych i bezpieczeństwa (lit. f), kategoryzacji biometrycznej, która przypisuje osobom cechy wrażliwe, takie jak rasa czy poglądy polityczne (lit. g), oraz zdalnej identyfikacji biometrycznej w czasie rzeczywistym w przestrzeni publicznej do celów ścigania przestępstw, poza wąskimi wyjątkami (lit. h). Dla firmy najważniejszy jest zakaz z lit. f: system, który na podstawie obrazu z kamery ocenia zmęczenie, frustrację czy zaangażowanie pracowników, jest zakazany. Kary za naruszenie zakazów z art. 5 sięgają 35 mln euro albo 7% całkowitego rocznego światowego obrotu, w zależności od tego, która kwota jest wyższa.

Digital Omnibus dodał nowy zakaz i przesunął terminy. Pakiet Digital Omnibus dotyczący AI został zaproponowany przez Komisję Europejską 19 listopada 2025 roku, porozumienie polityczne osiągnięto 7 maja 2026 roku, a rozporządzenie (UE) 2026/1744 weszło w życie 27 lipca 2026 roku. Dodało do art. 5 zakaz systemów, które generują lub przerabiają realistyczne intymne wizerunki identyfikowalnych osób bez ich zgody oraz materiały przedstawiające wykorzystywanie seksualne dzieci. Ten zakaz stosuje się od 2 grudnia 2026 roku, czyli za niecałe trzy tygodnie. Dla firm używających rozpoznawania obrazów w kontroli jakości czy logistyce nie ma on praktycznego znaczenia, ale ma dla każdego, kto buduje narzędzia do generowania i edycji wizerunków.

Biometria jako wysokie ryzyko. Załącznik III pkt 1 obejmuje systemy zdalnej identyfikacji biometrycznej, systemy kategoryzacji biometrycznej według cech wrażliwych lub chronionych oraz systemy rozpoznawania emocji, w zakresie, w jakim ich użycie jest dozwolone przez prawo. Kluczowe wyłączenie: do tej kategorii nie należą systemy weryfikacji biometrycznej, których jedynym celem jest potwierdzenie, że dana osoba jest tą, za którą się podaje. Czytnik twarzy przy drzwiach, który porównuje osobę z jej własnym wzorcem, to weryfikacja. Kamera w hali, która rozpoznaje, kto przechodzi, to identyfikacja. Pierwsza nie jest systemem wysokiego ryzyka według AI Act, druga jest.

Kiedy wymogi dla systemów wysokiego ryzyka zaczną obowiązywać. Pierwotnie miało to nastąpić 2 sierpnia 2026 roku. Po zmianie wprowadzonej przez Digital Omnibus wymogi rozdziału III sekcje 1–3 stosuje się do systemów z załącznika III, w tym biometrycznych, od 2 grudnia 2027 roku, a do systemów AI wbudowanych w produkty objęte prawodawstwem harmonizacyjnym z załącznika I (na przykład maszyny) od 2 sierpnia 2028 roku. Ten drugi termin ma znaczenie dla producentów maszyn, którzy wbudowują rozpoznawanie obrazów jako element bezpieczeństwa.

Co z tego wynika dla dyrektora operacyjnego? Że odroczenie terminu nie zmienia projektu. System, który dziś rozpoznaje pracowników po twarzy, w grudniu 2027 roku będzie musiał spełniać wymogi dotyczące m.in. zarządzania ryzykiem, jakości danych, dokumentacji i nadzoru człowieka. Jak zaprojektować nadzór, który nie sprowadza się do klikania „zatwierdź”, opisujemy w artykule o human in the loop. A niezależnie od AI Act takie systemy już dziś ogranicza RODO.

Co RODO i kodeks pracy mówią o kamerach i wizerunku?

RODO jest dla rozpoznawania obrazów w firmie ograniczeniem ważniejszym niż AI Act, bo obowiązuje bez odroczeń i obejmuje każdą kamerę, w której polu widzenia są ludzie.

Zacznijmy od rozróżnienia, które często umyka. Nagranie z kamery, na którym widać osobę, jest daną osobową. Nie jest jednak automatycznie daną biometryczną. Art. 4 pkt 14 RODO definiuje dane biometryczne jako dane wynikające ze specjalnego przetwarzania technicznego, dotyczące cech fizycznych, fizjologicznych lub behawioralnych, które umożliwiają lub potwierdzają jednoznaczną identyfikację osoby, na przykład wizerunek twarzy lub dane daktyloskopijne. Motyw 51 dodaje, że przetwarzania fotografii nie należy systematycznie uznawać za przetwarzanie szczególnych kategorii danych. Fotografia staje się daną biometryczną dopiero wtedy, gdy jest przetwarzana specjalnymi metodami technicznymi pozwalającymi zidentyfikować osobę.

Różnica jest praktyczna. System wykrywający, czy osoba w strefie maszyny ma kask, przetwarza dane osobowe, ale nie musi identyfikować, kim ta osoba jest. System rozpoznający pracowników po twarzy przetwarza dane biometryczne w celu identyfikacji, czyli dane szczególnej kategorii z art. 9 RODO, których przetwarzanie jest co do zasady zakazane, z wąskimi wyjątkami. W relacji pracodawca–pracownik zgoda jest słabą podstawą, bo trudno uznać ją za dobrowolną. Dlatego rozpoznawanie twarzy pracowników do rejestracji czasu pracy czy kontroli dostępu wymaga starannej analizy prawnej i oceny skutków dla ochrony danych, zanim powstanie pierwsza linijka kodu.

W Polsce do RODO dochodzi kodeks pracy. Art. 22² pozwala pracodawcy wprowadzić monitoring wizyjny, jeśli jest to niezbędne do zapewnienia bezpieczeństwa pracowników, ochrony mienia, kontroli produkcji albo zachowania w tajemnicy informacji, których ujawnienie mogłoby narazić pracodawcę na szkodę. Monitoring nie obejmuje pomieszczeń sanitarnych, szatni, stołówek i palarni (z wąskim wyjątkiem, gdy jest niezbędny i nie narusza godności pracowników), ani pomieszczeń udostępnionych zakładowej organizacji związkowej. Nagrania można przetwarzać tylko do celów, dla których je zebrano, i przechowywać nie dłużej niż 3 miesiące od nagrania, chyba że stanowią dowód w postępowaniu. Cele, zakres i sposób monitoringu ustala się w układzie zbiorowym, regulaminie pracy albo obwieszczeniu, pracowników informuje się nie później niż 2 tygodnie przed uruchomieniem, a teren monitorowany oznacza się najpóźniej dzień przed startem.

Dla projektu rozpoznawania obrazów wynika z tego kilka konkretnych decyzji. Kamera do kontroli jakości powinna patrzeć na produkt, a nie na stanowisko pracy: wąskie pole widzenia, kadrowanie do przenośnika, maskowanie obszaru, w którym pojawiają się ludzie. Jeśli „kontrola produkcji” jest celem monitoringu, to nagrania zbierane do trenowania modelu też muszą mieścić się w tym celu i w trzymiesięcznym limicie, albo trzeba je zanonimizować (rozmyć twarze i sylwetki), zanim trafią do zbioru treningowego. Przetwarzanie na urządzeniu brzegowym, które wysyła dalej tylko wynik albo wycięty fragment z produktem, zmniejsza ryzyko z definicji. Ogólne wskazówki dotyczące nagrań zawierają wytyczne Europejskiej Rady Ochrony Danych 3/2019 w sprawie przetwarzania danych osobowych przez urządzenia wideo, przyjęte w wersji ostatecznej 30 stycznia 2020 roku. O zasadzie ograniczania zakresu danych więcej w haśle prywatność danych.

Jak policzyć koszt wdrożenia i ułożyć pilotaż?

W tej części są trzy kroki: wybór pierwszego obszaru, rozpisanie kosztorysu i rozmowa z dostawcą. Kolejność ma znaczenie, bo kosztorys dla źle wybranego pierwszego projektu będzie poprawny i bezużyteczny.

Jak wygląda mapa decyzji dla czterech zastosowań?

Zanim zaczniesz liczyć, ustal, który obszar ma być pierwszy. Poniższa tabela zbiera to, co decyduje o skuteczności i ryzyku w czterech obszarach. Warto ją przejść z działem jakości, logistyki, prawnym i IT, zanim powstanie zapytanie ofertowe.

Obszar	Co decyduje o skuteczności	Typowe dane do startu	Gdzie zwykle działa model	Gotowy model wystarczy?	Ryzyko prawne
Kontrola jakości	Rozdzielczość, oświetlenie, stała pozycja detalu, jednoznaczna definicja wady	Zdjęcia dobrych sztuk z różnych zmian i partii, zestaw wad do testu	Brzeg, przy linii	Rzadko, zwykle dostrajanie albo wykrywanie anomalii	Niskie, jeśli kadr nie obejmuje ludzi
Inwentaryzacja i magazyn	Zmienność opakowań, liczba wariantów produktu, oświetlenie stref	Zdjęcia lokacji i opakowań, katalog produktów	Brzeg albo chmura	Często dla liczenia i stanu, rzadko dla rozpoznania produktu	Niskie do średniego, pracownicy w kadrze
Dokumenty (OCR/IDP)	Jakość skanu, liczba układów, pismo odręczne, pieczątki	Próbka dokumentów każdego typu, lista pól	Zwykle chmura	Często, z dostrajaniem do układów	Średnie, dane osobowe w treści
Bezpieczeństwo i BHP	Kąt i zasięg kamer, oświetlenie nocne, przesłanianie	Nagrania z różnych pór i warunków	Brzeg	Często dla wykrywania osób i środków ochrony	Wysokie przy identyfikacji osób, zakaz przy ocenie emocji pracowników

Z tabeli wynika prosta reguła kolejności. Zastosowania o niskim ryzyku prawnym i wysokiej powtarzalności sceny, czyli kontrola jakości na stałym stanowisku, są najlepszym pierwszym projektem. Zastosowania, które identyfikują ludzi, wymagają analizy prawnej, zanim ktokolwiek zacznie zbierać dane, i nie powinny być pierwszym projektem firmy, która dopiero uczy się rozpoznawania obrazów.

Z czego składa się kosztorys?

Kosztorys projektu rozpoznawania obrazów ma inną strukturę niż kosztorys typowej automatyzacji, bo znaczna część pieniędzy idzie w fizyczne stanowisko i w pracę nad danymi, a nie w oprogramowanie. Warto go rozpisać na sześć pozycji.

Stanowisko. Kamera, obiektyw, oświetlenie, osłona, mocowanie, czujnik wyzwalający, urządzenie brzegowe. Koszt rośnie liniowo z liczbą stanowisk, więc pilotaż na jednym stanowisku i tak trzeba przeliczyć na docelową skalę.

Dane. Zebranie zdjęć ze wszystkich źródeł zmienności, przygotowanie instrukcji opisu, opis, weryfikacja. Część po stronie firmy, bo tylko jej eksperci wiedzą, co jest wadą.

Model. Wybór podejścia, dostrojenie, testy na danych z innych dni, ustawienie progów zgodnie z kosztem obu rodzajów błędów.

Integracja. Sygnał do sterownika linii, wyrzutnik, zapis w systemie jakości, WMS albo ERP, interfejs dla operatora do zgłaszania pomyłek.

Zgodność. Ocena skutków dla ochrony danych, gdy w kadrze są ludzie, aktualizacja regulaminu monitoringu, analiza licencji modeli i danych, a przy identyfikacji osób analiza wymogów AI Act.

Utrzymanie. Monitoring jakości, zbieranie i opis nowych przypadków, douczanie, aktualizacje urządzeń, czyszczenie i kalibracja stanowisk, opłaty za usługi chmurowe.

Jak to przełożyć na liczby? Przykładowy szacunek pracy zespołu dla pilotażu kontroli jakości na jednym stanowisku: dwie osoby (specjalista od uczenia maszynowego i inżynier od integracji i systemów wizyjnych) przez 6–8 tygodni to około 480–640 godzin. Przy stawkach seniorów w przedziale 180–260 zł netto za godzinę daje to w przybliżeniu 86–166 tys. zł za samą pracę zespołu. Do tego dochodzą sprzęt, czas ekspertów firmy na opis danych i ewentualne opłaty za chmurę. To ilustracja metody, nie wycena: rzeczywisty koszt zależy od liczby wariantów produktu, trudności wad, stanu automatyki i tego, ile pracy nad stanowiskiem trzeba wykonać.

Ważniejsze od liczby jest to, jak ułożyć pilotaż, żeby jego wynik był wiarygodny. Po pierwsze, zapisz kryterium sukcesu przed startem jako dwie liczby: minimalny odsetek wykrytych wad i maksymalny odsetek odrzuconych dobrych sztuk. Po drugie, testuj na danych z innych dni, zmian i partii niż trening. Po trzecie, prowadź pilotaż w trybie cienia: system ocenia, ale decyzję nadal podejmuje kontroler, i porównujesz obie oceny przez kilka tygodni. Po czwarte, przed pilotażem przetestuj najtańszy poziom, czyli gotową usługę na prawdziwych zdjęciach, bo może okazać się wystarczający. Po piąte, policz koszt skalowania na wszystkie stanowiska i trzy lata utrzymania, zanim zarząd zatwierdzi kolejny etap. Jeśli potrzebujesz pomocy w przygotowaniu takiego rachunku, ułożyliśmy go krok po kroku w artykule o automatyzacji procesów podlinkowanym wyżej.

Jakie pytania zadać dostawcy przed podpisaniem umowy?

Odpowiedzi na kilka pytań pokazują, czy dostawca rozumie, że problem jest w scenie i danych, a nie tylko w modelu.

Kto zaprojektuje stanowisko kamerowe i oświetlenie, i kto odpowiada za wynik, jeśli zdjęcia okażą się za słabe? Jak zostanie zebrany zbiór danych, jakie źródła zmienności obejmie i jak zostanie podzielony na trening i test? Jak dostawca zmierzy zgodność opisów między osobami i co zrobi, jeśli będzie niska? Jakie dwie liczby będą kryterium sukcesu pilotażu i na jakich danych zostaną zmierzone?

Na jakiej licencji są model, wagi i dane treningowe, i czy pozwala ona na użycie komercyjne w Twoim scenariuszu, w tym na urządzeniach brzegowych? Gdzie będą przetwarzane obrazy, czy opuszczą zakład i czy zawierają ludzi? Kto jest właścicielem zebranych i opisanych danych oraz wytrenowanego modelu po zakończeniu umowy? Jeśli umowa tego nie określa, przy zmianie dostawcy możesz stracić najcenniejszą część projektu, czyli opisany zbiór danych.

Jak system będzie monitorowany po wdrożeniu, jak będą zbierane przypadki wątpliwe i jak często model będzie douczany? Ile kosztuje utrzymanie w skali roku i co dokładnie obejmuje? Jak wygląda wycofanie nowej wersji modelu, jeśli działa gorzej niż poprzednia?

Dostawca, który na te pytania odpowiada konkretnie, rozumie wdrożenia. Dostawca, który wraca do pokazu i procentów pewności modelu, sprzedaje pokaz.

Jakie są kluczowe wnioski przed wdrożeniem rozpoznawania obrazów?

Rozpoznawanie obrazów zarabia w firmach w czterech obszarach: kontroli jakości, inwentaryzacji, dokumentach i bezpieczeństwie. W każdym z nich wynik zależy bardziej od sceny i danych niż od wyboru modelu, a najdroższe błędy popełnia się przed pierwszą linijką kodu.

Zapamiętaj sześć rzeczy. Po pierwsze, zanim zapytasz o model, sprawdź, czy człowiek rozpozna problem na zdjęciu, i zapisz definicję błędu tak, żeby dwie osoby oceniały tak samo. Po drugie, zbieraj dane z całej zmienności procesu i testuj na danych z innych dni niż trening. Po trzecie, policz rozdzielczość i zaprojektuj oświetlenie, zanim kupisz kamerę, bo dobre zdjęcie pozwala użyć prostszego modelu. Po czwarte, zacznij od najtańszego poziomu, czyli gotowej usługi, i sprawdź licencje modeli i danych, zanim zbudujesz na nich produkt. Po piąte, zdecyduj o edge albo chmurze na początku, bo wpływa to na koszt, czas reakcji i RODO. Po szóste, trzymaj kamery z dala od twarzy, jeśli identyfikacja osób nie jest celem: zakaz rozpoznawania emocji pracowników obowiązuje od lutego 2025 roku, wymogi dla biometrii wysokiego ryzyka wrócą w grudniu 2027 roku, a RODO i art. 22² kodeksu pracy obowiązują już dziś.

Jeśli chcesz sprawdzić, czy Twój przypadek nadaje się na pilotaż, i ułożyć go tak, żeby wynik był wiarygodny, zobacz, jak pracujemy przy tworzeniu oprogramowania na zamówienie, albo umów rozmowę. Zaczynamy od fazy discovery, która trwa 1–2 tygodnie i kończy się zdefiniowanym zakresem i architekturą rozwiązania.