Amazon Lookout for Vision
[Finalizado el 31-10-2025] Servicio de inspección visual que detectaba defectos en imágenes de fabricación. AWS indicó SageMaker (JumpStart), Bedrock o soluciones de socios como reemplazo
Descripción general
[Servicio finalizado] Amazon Lookout for Vision se descontinuó el 31 de octubre de 2025. Lo siguiente describe el servicio tal como funcionaba en su momento. Amazon Lookout for Vision es un servicio de inspección visual basado en machine learning que detecta automáticamente defectos en productos a partir de imágenes capturadas en líneas de fabricación. Construye modelos de detección de anomalías de alta precisión con tan solo 30 imágenes normales y unas pocas imágenes con defectos, sin requerir experiencia en ML. El servicio identifica arañazos, grietas, decoloraciones, componentes faltantes y otros defectos visuales que serían difíciles de detectar consistentemente mediante inspección humana.
Fin del soporte y rutas de migración
Amazon Lookout for Vision se descontinuó el 31 de octubre de 2025, y el acceso para nuevos clientes se cerró el 10 de octubre de 2024. La guía oficial de migración de AWS ofrecía tres rutas: (1) adoptar una solución de inspección visual de un socio de AWS, (2) construir un modelo propio con Amazon SageMaker (SageMaker JumpStart incluye modelos preentrenados de detección de defectos), o (3) construir la detección de defectos con modelos de IA generativa en Amazon Bedrock cuando no se requiera baja latencia. Los datasets (manifiestos e imágenes) podían exportarse a Amazon S3 mediante el SDK para reutilizarlos al reentrenar en la nueva plataforma. Esta página se conserva como referencia histórica y guía de migración.
Entrenamiento de modelos y diseño de datasets
El entrenamiento de un modelo Lookout for Vision comienza con la preparación de un dataset de imágenes etiquetadas como normales o anómalas. El requisito mínimo es de 20 imágenes normales y 10 anómalas para el entrenamiento, aunque más imágenes mejoran la precisión. Las imágenes pueden subirse directamente a la consola o referenciarse desde un bucket S3. El servicio soporta tanto clasificación a nivel de imagen (normal/anómalo) como segmentación que localiza la región exacta del defecto dentro de la imagen. Para segmentación, se requiere etiquetar las regiones de defecto mediante máscaras en las imágenes de entrenamiento. El proceso de entrenamiento es completamente automatizado: el servicio selecciona la arquitectura de modelo óptima, ajusta hiperparámetros y evalúa el rendimiento, reportando métricas de precisión y recall al finalizar.
Endpoints de inferencia y despliegue en el edge
Los modelos entrenados pueden desplegarse como endpoints de inferencia en la nube o en dispositivos edge mediante AWS IoT Greengrass. El endpoint en la nube procesa imágenes enviadas vía API, retornando la clasificación (normal/anómalo) con un score de confianza y, para modelos de segmentación, una máscara indicando las regiones defectuosas. Para inspección en tiempo real en líneas de producción de alta velocidad, el despliegue edge elimina la latencia de red, procesando imágenes localmente en milisegundos. El componente Greengrass de Lookout for Vision se ejecuta en hardware con GPU (como NVIDIA Jetson) para inferencia acelerada. La función de detección de anomalías por lotes permite procesar grandes volúmenes de imágenes históricas para análisis retrospectivo de calidad.
Patrones de implementación en manufactura y diseño de ROI
La implementación típica en manufactura integra cámaras industriales en puntos de inspección de la línea de producción, capturando imágenes que se envían al modelo para clasificación en tiempo real. Los productos detectados como anómalos se desvían automáticamente para inspección manual o rechazo. El ROI se calcula comparando el costo de defectos no detectados (devoluciones, garantías, daño reputacional) contra el costo del servicio y hardware. En industrias como electrónica, automotriz y farmacéutica, la detección temprana de defectos puede ahorrar millones al prevenir que productos defectuosos lleguen al cliente. La integración con sistemas MES (Manufacturing Execution System) permite correlacionar defectos detectados con parámetros de proceso, identificando causas raíz de problemas de calidad. Las métricas de calidad se publican en CloudWatch para dashboards de monitorización de producción en tiempo real.