Julien Florkin

IA y automatización

Azure AI Vision: Cómo evaluar un flujo de trabajo de imágenes antes de automatizarlo.

Una imagen llega a un proceso empresarial que ya conlleva una pequeña exigencia. Una foto de una entrega, un recibo escaneado, un estante, un aviso de seguridad o una pieza dañada debe convertirse en algo…

Horizonte urbano futurista con la marca Azure AI Vision.

Una imagen llega a un proceso empresarial con una demanda inicial. Una foto de una entrega, un recibo escaneado, un estante, un aviso de seguridad o una pieza dañada debe transformarse en algo más: un registro consultable, una decisión de enrutamiento, una advertencia, un recuento o una indicación para que alguien examine con más detalle. La tentación es comenzar con el modelo: ¿puede leer texto, detectar objetos, generar un pie de foto o marcar contenido?

Esa suele ser la segunda pregunta. La primera es qué hará una persona o un sistema de forma diferente al interpretar la imagen. Si no hay cambios en la acción, una demostración convincente puede seguir siendo un adorno costoso. Si sí hay cambios en la acción, lo importante es definir con suficiente precisión el proceso desde la imagen hasta la decisión, de modo que un equipo pueda probarlo con honestidad.

Azure Vision, ahora integrado en Microsoft Foundry Tools, ofrece funciones de análisis de imágenes y OCR que se pueden invocar mediante API. Microsoft documenta tanto las funciones disponibles como las limitaciones de la versión del servicio; si bien estos datos son importantes, no determinan si una colección de imágenes en particular es adecuada para una decisión específica. Este artículo ofrece una manera de establecer esa distinción antes de que la lista de funciones acapare la conversación.

Comienza con la decisión que debe respaldar una imagen.

La unidad de evaluación útil no es el «análisis de imágenes». Se trata de una imagen específica que entra en un momento específico del trabajo y que modifica un paso siguiente específico. Esto puede parecer obvio, pero los equipos suelen empezar con un catálogo de capacidades porque está fácilmente disponible. Un modelo devuelve etiquetas, texto, un pie de foto, recuadros alrededor de los objetos o una clasificación de contenido. Los resultados parecen concretos. La decisión posterior sigue siendo vaga.

Consideremos una situación operativa común, descrita deliberadamente como una síntesis editorial en lugar de un caso real de un cliente. Un equipo de almacén recibe fotografías junto con los albaranes de entrega. Alguien solicita las fotografías para facilitar la detección de incidencias. En esa solicitud se esconden al menos cuatro tareas diferentes:

  • extraer un número de referencia impreso en una etiqueta;
  • Marcar una imagen para que la revise un humano cuando un paquete parezca visiblemente dañado;
  • ayudar a un colega a recuperar fotografías anteriores mediante una descripción útil; o
  • crear un registro que respalde una disputa posterior.

Cada tarea presenta un error diferente. Un número de referencia omitido puede ralentizar una búsqueda. Una alerta de daño errónea puede hacer perder el tiempo al revisor. Una alerta de daño omitida puede afectar la decisión del cliente. Un registro utilizado en una disputa puede requerir criterios de procedencia y retención más importantes que la elegancia del modelo. Denominar a los cuatro casos como “visión artificial” oculta el aspecto que determina si la automatización es apropiada.

Comience con una frase que defina la decisión en lenguaje sencillo: «Cuando llegue este tipo de imagen, utilizaremos el resultado para decidir si ___». A continuación, añada la alternativa existente. ¿Ya hay alguien leyendo la etiqueta? ¿Se ignora la imagen hasta que aparece una queja? ¿Hay alguien buscando en una carpeta por fecha? La comparación debe hacerse con el trabajo real, incluyendo sus retrasos y errores, en lugar de con la fantasía de una revisión manual perfecta.

Esto también evita un error común: tratar un resultado descriptivo como un hecho irrefutable. Un pie de foto puede ser útil para recuperar una imagen, pero no constituye automáticamente una prueba de que la entrega se haya completado. El OCR puede recuperar texto impreso, pero no implica automáticamente autorización para modificar un registro contable. Un resultado de detección de objetos puede ayudar al revisor a centrarse en el tema, pero no es automáticamente un veredicto de seguridad. Cuanto más se acerque un resultado a una decisión trascendental, mayor será la necesidad del flujo de trabajo de contar con una ruta de recuperación explícita.

La descripción general actual de Análisis de imágenes de Microsoft describe capacidades como OCR, subtítulos, etiquetas, detección de objetos, detección de personas y recorte inteligente en todas las versiones de la API. Este inventario solo resulta útil una vez que se ha definido la decisión. Indica al equipo qué opciones se pueden probar, pero no les explica el significado de las imágenes, qué margen de error es tolerable ni quién debe actuar cuando el resultado es incierto.

Anota cuatro campos antes de hablar sobre un servicio:

  1. La imagen entrante. ¿De dónde procede, qué grado de variabilidad presenta y contiene información personal, información comercialmente sensible o información regulada?
  2. El resultado propuesto. ¿El resultado útil es un texto, una categoría, una ubicación, una señal de confianza o un motivo para remitir el elemento a revisión?
  3. La acción. ¿Quién o qué cambia su comportamiento como consecuencia de ese resultado?
  4. La consecuencia de estar equivocado. ¿Qué ocurre tras un falso positivo, un falso negativo, una imagen ilegible, una respuesta tardía o un fallo del servicio?

Estos campos son lo suficientemente compactos para una sesión de trabajo inicial, pero requieren un análisis intelectual profundo. Obligan al equipo a priorizar las mejoras antes de elegir el mecanismo. Además, facilitan el rechazo de un caso de uso deficiente sin descartar la tecnología. «Aún no podemos definir la acción» es un hallazgo más valioso que «la demostración no fue concluyente».

La imagen entrante constituye el hilo conductor del resto de la evaluación. Debe pasar por una interfaz, una llamada a la API, un resultado, una persona o sistema, y ​​a veces un registro. Una función solo se justifica si mejora ese proceso.

Mapea el recorrido de la imagen antes de comparar las características de Azure Vision.

Una vez tomada la decisión, siga el proceso a través del sistema real. Aquí es donde una elección técnica aparentemente sencilla se convierte en una cuestión de diseño operativo.

Comencemos con la captura. ¿La imagen fue tomada con una cámara fija, subida desde un teléfono, escaneada de un documento o recibida de un tercero? Un modelo evaluado con imágenes de muestra nítidas puede comportarse de manera muy diferente cuando las fotografías están rotadas, mal iluminadas, comprimidas, obstruidas, en varios idiomas o tomadas a distancias inconsistentes. Ninguna de estas condiciones constituye un defecto del modelo en sí mismo. Son condiciones del trabajo en el que se le pide que participe.

Luego, pregúntese qué pasos deben seguirse antes de una llamada a la API. Es posible que las imágenes deban redimensionarse, verificarse que estén completas, vincularse a un identificador interno o conservarse hasta obtener el consentimiento y decidir sobre su retención. Si un trabajador debe renombrar y cargar manualmente cada imagen, la supuesta automatización podría simplemente trasladar el trabajo. Si un sistema ya cuenta con un identificador de documento confiable, preservar esa asociación puede ser más importante que extraer el texto por segunda vez.

La elección de capacidades debe ser tan específica como la tarea. La documentación de OCR de Microsoft describe la extracción de texto impreso y manuscrito mediante Image Analysis 4.0. Este puede ser un buen punto de partida cuando se trata de proponer una clave de búsqueda o rellenar previamente un campo para su verificación. Es muy diferente a pedirle a un modelo de imagen que interprete un documento legal, médico, financiero o relacionado con la seguridad. En esos casos, la imagen no es solo una fotografía; es un registro con contexto que la salida podría no conservar.

Los nombres de las funciones también pueden ocultar una decisión de diseño. «Detección de objetos» puede sonar como una instrucción para contar cosas. Sin embargo, un equipo podría necesitar simplemente saber si un objeto está presente. «Subtitulado» puede sonar como recuperación. Sin embargo, quien lee un subtítulo podría ser un empleado que atiende al cliente, un índice de búsqueda o un flujo de trabajo de accesibilidad, cada uno con diferentes requisitos de idioma, calidad y revisión. Una categoría creada para una clasificación inicial no debería convertirse silenciosamente en un registro utilizado para el cumplimiento o el pago.

Ayuda a trazar el recorrido en una sola línea:

Imagen recibida → Imagen validada → Característica llamada → Salida adjunta al elemento → Confianza/Excepción evaluada → Persona o regla actúa → Resultado registrado para su revisión

Las flechas son tan importantes como los recuadros. En cada flecha, indique qué se puede perder o distorsionar. La imagen original puede separarse de su contenedor. Un usuario puede enviar un recorte incorrecto. La respuesta de una API puede retrasarse o no estar disponible. Un resultado puede asociarse al registro equivocado. Un revisor puede ver una etiqueta, pero no la imagen original. Una regla posterior puede no poder explicar por qué actuó. Esto no exige un extenso documento de arquitectura. Es una forma de comprobar si el uso propuesto sigue siendo coherente una vez que abandona la pantalla de demostración.

Microsoft documenta que Análisis de imágenes 4.0 y 3.2 tienen características diferentes, y que la versión 4.0 tiene un aviso de descontinuación con fecha del 25 de septiembre de 2028 en la descripción general actual. La comparación de versiones y el aviso sobre el ciclo de vida sirven como recordatorios prácticos para vincular un proyecto piloto a la funcionalidad y versión exactas que utiliza. Una descripción de la solución que simplemente diga "Azure AI Vision" es demasiado general para mantenerla, probarla o migrarla de forma responsable.

El proceso también aclara si una herramienta de visión predefinida es suficiente. Si la tarea consiste en un paso de OCR o análisis descriptivo limitado, una capacidad gestionada podría ser apropiada. Si el trabajo real depende de una definición específica del dominio sobre daños, calidad o cumplimiento, el equipo podría necesitar una estrategia de datos diferente, un modelo especializado o la decisión de mantener la evaluación humana. Esta conclusión no implica ningún error. El objetivo del proceso es revelarla antes de que una integración genere presión para automatizar de todos modos.

Trata un resultado como evidencia, no como respuesta.

Un modelo de imagen produce un resultado bajo ciertas condiciones. No descubre una decisión que exista independientemente de la tarea, las imágenes y las reglas de interpretación que la rodean. Esta distinción es donde un piloto útil se diferencia de una demostración persuasiva.

Supongamos que la fotografía de la entrega sirve para respaldar una cola de revisión de daños. ¿Qué evidencia justificaría el uso de una bandera? Es improbable que la respuesta sea un número genérico de precisión publicado. El equipo necesita imágenes representativas: entregas normales, entregas claramente dañadas, entregas ambiguas, iluminación inusual, etiquetas faltantes, vistas parciales y los casos difíciles que generan trabajo actualmente. La muestra necesita un juicio de referencia consensuado por personas que comprendan la tarea. Si los revisores no se ponen de acuerdo sobre si una imagen muestra daños, ese desacuerdo forma parte de la realidad operativa. Un modelo no puede hacer que desaparezca devolviendo un decimal.

Mida el resultado en el lenguaje de la decisión. Un flujo de trabajo de triaje puede considerar la proporción de elementos realmente importantes encontrados tempranamente, el volumen de revisiones innecesarias generadas y el tiempo que un revisor necesita para resolver una excepción. Un flujo de trabajo de búsqueda puede considerar si las personas pueden recuperar el elemento correcto sin generar muchos resultados falsos. Un flujo de trabajo de transcripción puede considerar los errores a nivel de campo y si una persona puede corregirlos de manera eficiente. Una cifra global puede ocultar la disyuntiva con la que el equipo realmente tiene que lidiar.

El término «confianza» requiere atención. El valor de confianza que emite un servicio es un resultado del modelo, no una medida universal de veracidad o idoneidad. Puede ayudar a crear una regla de revisión, pero esta debe probarse con las imágenes y la acción en cuestión. Un umbral que funciona en una muestra interna limpia puede generar una avalancha de revisiones o un silencio peligroso tras cambios en el entorno de captura. Considerarlo como una hipótesis inicial es más honesto y útil que tratarlo como una política.

La documentación de Microsoft deja claro que los servicios tienen condiciones específicas según la región y las características. Por ejemplo, la descripción general del análisis de imágenes indica que la disponibilidad de subtítulos depende de la región y la versión. Este tipo de limitación debe especificarse junto al caso de uso, no en un apéndice. Un flujo de trabajo que depende de una funcionalidad no disponible en la región requerida no está "casi listo". Necesita un diseño diferente o una promesa más precisa.

El Instituto Nacional de Estándares y Tecnología (NIST) define la gestión de riesgos de la IA como una forma de incorporar consideraciones de confiabilidad en el diseño, desarrollo, uso y evaluación de sistemas de IA. El Marco de Gestión de Riesgos de la IA del NIST es una guía voluntaria, no una certificación de producto. Su valor reside en su sencillez: centra la atención en el sistema sociotécnico que rodea a un modelo. En un flujo de trabajo de imágenes, esto implica preguntarse cómo se capturó la imagen, quién modifica su trabajo, quién puede verse afectado por un error y cómo la organización detectará cuando las suposiciones dejen de ser válidas.

La evidencia no se limita a una tabla de medición. Incluye la procedencia. ¿Puede un revisor ver la imagen original, la hora de su procesamiento, la configuración exacta del servicio/versión y el resultado que condujo al siguiente paso? Para una herramienta de búsqueda de bajo riesgo, un registro sencillo puede ser suficiente. Para una decisión con consecuencias para el cliente, financieras, de seguridad o legales, el rastro de la evidencia puede formar parte de los requisitos del producto. Si no se puede conservar de forma segura, es posible que sea necesario delimitar el caso de uso.

Por eso, la frase «lo probamos y funcionó» resulta demasiado vaga. ¿Funcionó para qué condiciones de imagen, qué definición de tarea, qué error y qué acción humana? Una buena evaluación deja claros esos límites. Permite un resultado positivo, pero evita que un resultado local se presente como universal.

Diseñar una revisión humana donde el costo del error cambia

En ocasiones, la revisión humana se interpreta como prueba de que la automatización falló. En un flujo de trabajo de imágenes bien diseñado, suele ser el mecanismo que permite que la automatización siga siendo útil sin exigirle que tome una decisión inapropiada.

La cuestión no es si una persona aparece en algún punto del proceso, sino si recibe el contexto, la autoridad y el tiempo suficientes para corregir un resultado antes de que cause daño. Enviar cada resultado de baja confianza a una cola genérica es un patrón técnico, no un diseño funcional. El revisor necesita saber a qué está adjunta la imagen, qué infirió el sistema, qué acción estaba a punto de ocurrir y qué opciones tiene. También necesita una vía de escape para las imágenes que no son claras, están incompletas o se salen del ámbito previsto.

Volvamos a la foto de la entrega entrante. Una pantalla de revisión práctica podría mostrar la imagen original, el registro de entrega vinculado, la categoría propuesta y una breve explicación del motivo de la alerta. El revisor podría aceptar la alerta, rechazarla, solicitar otra imagen o escalar el caso. Estas opciones no son meramente decorativas; determinan qué significa "correcto" en la versión piloto. Si la única acción disponible es aceptar o rechazar, se impone una ambigüedad que podría derivar en una decisión binaria que no se ajuste a las necesidades reales del usuario.

La revisión humana debe aplicarse cuando su criterio modifica el resultado. En el caso de una transcripción simple, puede ser una excepción que se activa por una discrepancia en los campos. Para un indicador de contenido o seguridad, puede ser necesaria antes de una consecuencia externa. En una herramienta de búsqueda, puede ser implícita: el usuario ve el resultado y decide si abre o no la imagen. Cuanto mayor sea la consecuencia, menos razonable resulta sustituir la decisión humana por la salida de un modelo genérico sin una justificación específica para la tarea.

La revisión también genera aprendizaje, pero solo si el flujo de trabajo la registra de forma responsable. Las correcciones repetidas pueden revelar un problema de captura, una política poco clara, una definición de categoría deficiente o una discrepancia entre la herramienta y la tarea. No deben considerarse automáticamente como datos de entrenamiento ni como prueba de que un modelo mejorará. El objetivo de la retroalimentación temprana es, en primer lugar, comprender las fallas del sistema, no prometer un resultado futuro para el modelo.

La descripción general de Foundry Tools de Microsoft sitúa a Vision dentro de un grupo más amplio de servicios predefinidos. Este enfoque más amplio resulta útil porque muchas decisiones de producción abarcan más que la simple llamada al modelo: control de identidad y acceso, registro de eventos, almacenamiento de datos, diseño de interfaz, monitorización y autorización de intervención. Elegir una funcionalidad de visión es solo una parte de la elección de un sistema.

El diseño de la revisión debe incluir una regla de parada explícita. Por ejemplo: si una imagen no tiene un registro asociado, si el modelo no puede devolver el campo necesario para la tarea, si un revisor no puede ver el original o si aparece un error de alto impacto, el elemento sale del proceso automatizado y sigue la ruta manual existente. Una regla de parada no es pesimismo. Es la forma en que un equipo evita que un proyecto piloto modifique su alcance discretamente ante la aparición de casos inconvenientes.

Aquí es donde las cuestiones de equidad y accesibilidad se vuelven concretas. Si la calidad de la imagen varía debido a que diferentes trabajadores, dispositivos, ubicaciones o usuarios tienen condiciones desiguales, una regla de automatización puede distribuir la fricción adicional de manera desigual. Si aparecen subtítulos o descripciones en una experiencia de usuario, el lenguaje debe evaluarse para las personas que lo utilizarán. Estas preguntas no implican afirmar categóricamente que todo proyecto de visión artificial sea de alto riesgo. Requieren que el equipo identifique a quién afecta la decisión específica que pretende automatizar.

Analicemos juntos los datos, la privacidad, el costo y el ciclo de vida del servicio.

La prueba del modelo más limpio puede resultar un error si el equipo no puede enviar, conservar, recuperar o pagar por las imágenes de forma responsable. Estas consideraciones suelen dividirse en flujos de trabajo independientes; en una evaluación inicial, deben converger en torno al mismo proceso de gestión de imágenes.

Comience con los datos. ¿Qué contienen realmente las imágenes? Rostros, matrículas de vehículos, pantallas, etiquetas, notas manuscritas, direcciones, información de inventario o el contexto de la ubicación pueden alterar la sensibilidad de un flujo de trabajo. Una etiqueta que parece inofensiva en una demostración puede identificar a un cliente o empleado en producción. Una foto útil para una inspección también puede mostrar a personas que nunca fueron fundamentales para la tarea. Las preguntas clave son objetivas y específicas del contexto: qué ingresa al servicio, dónde se procesa, qué se almacena, quién puede recuperarlo y cuánto tiempo se conserva.

La documentación del servicio puede informar sobre la configuración técnica, pero no resuelve las obligaciones legales o contractuales de una organización. Microsoft describe la seguridad, el cumplimiento, la disponibilidad regional y las opciones de desarrollo de sus herramientas en la documentación de Foundry Tools . El comprador aún debe evaluar sus propias categorías de datos, contratos, jurisdicción, reglas de retención y modelo de acceso con el apoyo interno y profesional adecuado. Decir que «el proveedor tiene información sobre el cumplimiento» no es lo mismo que afirmar que «este uso cumple con la normativa».

El costo tiene el mismo carácter contextual. La pregunta relevante no es solo el precio unitario de la API, sino el costo por decisión útil después de reintentos, imágenes defectuosas, revisión humana, almacenamiento, integración, monitoreo y soporte. Un flujo de trabajo que ahorra treinta segundos por imagen puede ser valioso. Un flujo de trabajo que crea una nueva cola que requiere un revisor experto también puede ser valioso, pero debe describirse con honestidad. El equipo necesita un volumen esperado, un rango de tasa de excepciones y una visión de lo que sucede cuando aumenta el uso o la complejidad de las imágenes.

Es fácil pasar por alto el ciclo de vida cuando una funcionalidad está disponible hoy. La documentación actual de Análisis de imágenes de Microsoft incluye un aviso claro de descontinuación para Análisis de imágenes 4.0 y establece una fecha de retiro del 25 de septiembre de 2028. Esto no significa que el servicio sea inutilizable. Significa que el servicio/versión forma parte del registro de diseño. Un piloto debe anotar el punto final o la versión de la API exactos, la función de la que depende, la región probada y el responsable de supervisar la guía de migración. La etiqueta "Visión" no es suficiente para el mantenimiento.

La fiabilidad merece el mismo trato. ¿Qué ocurre cuando el servicio es lento, no está disponible, tiene limitaciones de velocidad o no devuelve ningún resultado útil? Si la respuesta es «el proceso se detiene», la empresa ha tomado una decisión en materia de fiabilidad, lo reconozca o no. Un mejor diseño inicial permite decidir si reintentar, derivar a un proceso manual, poner en cola para su posterior procesamiento o presentar una excepción clara. El proceso existente puede ser imperfecto, pero a menudo proporciona la alternativa que hace que una primera implementación sea más segura.

Por lo tanto, la seguridad, la privacidad, el costo y el ciclo de vida deben aparecer en la misma descripción del caso de uso (de una sola página) que la imagen, el resultado y la acción. Separarlos puede resultar conveniente desde el punto de vista administrativo, pero facilita que un equipo valide el comportamiento del modelo, a la vez que pospone las condiciones que determinan si el flujo de trabajo puede existir.

Aquí hay una regla de secuenciación útil: primero, asegúrese de que el flujo de trabajo sea lo suficientemente seguro para observarlo antes de intentar que sea lo suficientemente rápido para escalarlo. En la práctica, esto puede significar comenzar con una cola de revisión privada, conservar la imagen original y su asociación con el caso, e impedir que una salida modifique un registro automáticamente. Estas decisiones generan un poco más de trabajo al principio. También permiten que un equipo descubra si el valor aparente provino del modelo, de una captura más precisa, de una regla de enrutamiento más clara o de que un revisor viera la información correcta antes. Sin esa distinción, un proyecto piloto puede producir un resultado operativo satisfactorio y aun así dejar a la organización sin poder explicar qué se debe repetir.

La misma regla protege el mantenimiento. Un flujo de trabajo es más fácil de adaptar cuando su regla de negocio se expresa por separado de la llamada al servicio. «Marcar las imágenes que requieren una revisión humana de daños» es una regla de negocio. «Usar esta versión de este punto final con este umbral» es una decisión de implementación. Ambas deben constar en el registro, pero no deben confundirse. Cuando un proveedor modifica un servicio, el equipo sabe qué debe mantenerse, en lugar de tratar la migración como un misterio de parámetros.

Finalmente, es importante distinguir entre un riesgo operativo manejable y la afirmación de riesgo cero. Un proceso de imagen puede diseñarse para limitar la exposición, preservar la revisión y monitorear fallas. No se puede lograr que sea universalmente correcto simplemente agregando un modelo o un control. Ese límite razonable es lo que permite que un equipo utilice una capacidad útil sin otorgarle más autoridad de la que justifican las evidencias.

Esta es también una razón para que la documentación sea legible para quienes heredarán el trabajo. Una descripción concisa de las imágenes, la regla de decisión, la ruta de excepción, el servicio/versión, el límite de acceso y el responsable puede ser más valiosa que un extenso inventario técnico que ningún compañero de operaciones pueda utilizar. Cuando un resultado se cuestiona meses después, la pregunta útil rara vez es "¿qué característica parecía más avanzada?", sino "¿qué pretendíamos que hiciera esta salida de imagen y cómo podría corregirse?".

Esa pregunta obliga al sistema a rendir cuentas sobre el trabajo que se suponía que debía mejorar.

Ejecuta el programa piloto más pequeño que pueda cambiar una decisión real.

Un proyecto piloto responsable no es un lanzamiento de producción en miniatura. Es una forma limitada de saber si la propuesta de desarrollo de la imagen mejora lo suficiente una decisión real como para justificar un trabajo adicional.

Seleccione un tipo de imagen específico, una tarea, un grupo de usuarios y un proceso existente para la comparación. Mantenga disponible la ruta original. Esto no significa no construir nada; significa construir solo lo necesario para observar la realidad del flujo de trabajo. En el ejemplo de la fotografía de entrega, un programa piloto podría tomar un conjunto limitado de imágenes entrantes, adjuntar el resultado al registro correcto, dirigir los casos seleccionados a un revisor identificado y registrar con qué frecuencia la ruta facilita o dificulta la decisión. No pretendería automatizar toda la evaluación de daños, demostrar ahorros de costos ni establecer una tasa de precisión universal.

Los criterios de éxito del programa piloto deben incluir tanto beneficios como limitaciones. Los beneficios podrían ser una recuperación más rápida, una clasificación más eficaz, menos pasos de transcripción manual o un registro más claro. Las limitaciones podrían incluir una carga máxima tolerable de falsos positivos, un conjunto de condiciones de imagen que requieran revisión manual, la necesidad de que los revisores puedan inspeccionar el original o la norma de que ninguna decisión externa se automatice durante el programa piloto. Los criterios adecuados dependen del caso de uso; lo importante es que se definan antes de celebrar el resultado.

Decida qué se comparará. Si el proceso actual no registra errores ni retrasos, comience con un breve período de observación en lugar de establecer una línea de base. Si los revisores humanos no están de acuerdo, registre esa discrepancia en lugar de imponer una etiqueta que, por definición, haga que el modelo parezca correcto o incorrecto. Si la política subyacente no está clara, resuelva dicha política antes de considerar el modelo como la fuente de certeza. Un proyecto piloto suele revelar ambigüedades en el proceso. Este es un resultado útil incluso cuando no se selecciona ningún servicio.

La prueba también debe designar a un responsable. Alguien debe ser responsable de la muestra, la definición de evaluación, el proceso de revisión humana, el acceso a las imágenes, la decisión operativa posterior a la prueba y el registro del ciclo de vida si el trabajo continúa. La expresión «el departamento de TI es responsable del modelo» es demasiado general; un responsable técnico no puede decidir por sí solo si una imagen de entrega marcada debe modificar un proceso del cliente. Del mismo modo, no se debe esperar que un responsable operativo deduzca por sí solo las implicaciones de seguridad o de la versión del servicio.

Al final, tome una de estas tres decisiones: Continuar porque el flujo de trabajo específico demostró un valor suficiente con límites conocidos. Rediseñar porque el caso de uso es sólido, pero los datos, la interfaz o la revisión humana fallaron. Detener porque la acción no se puede definir, el costo del error es demasiado alto, la evidencia es demasiado débil o el proceso actual es mejor por ahora. Detenerse no es un esfuerzo desperdiciado. Es un resultado que protege al equipo de convertir el entusiasmo en un sistema frágil.

La imagen con la que comenzó el artículo sigue siendo la prueba práctica. ¿Puede el equipo explicar qué sucede cuando la información es clara, poco clara, errónea, sensible, se retrasa o no está disponible? ¿Puede una persona recuperarse cuando el resultado no es el adecuado? ¿Puede el equipo explicar lo aprendido sin inventar una historia de éxito? Si la respuesta es afirmativa, Azure Vision se ha convertido en una opción adecuada dentro de un flujo de trabajo real. Si la respuesta es negativa, el siguiente paso más responsable no es añadir más funcionalidades, sino visibilizar primero la decisión y sus consecuencias.

Fuentes

Los nombres, las características, la disponibilidad, los precios y los términos del ciclo de vida de los servicios de Microsoft pueden cambiar; verifique la documentación actual y los requisitos legales, de privacidad, de seguridad y operativos de su organización antes de la implementación.

Lectura relacionada