Estimación histórica de inclusiones y auditoría de evidencias
This content is not available in your language yet.
Zap tiene dos pantallas para las fotos K-mold que ya existen en SharePoint:
- Inclusiones históricas (estimadas): una IA local estima las inclusiones de cada foto.
- Auditoría de evidencias: Calidad revisa, foto por foto, las sugerencias de una auditoría y las aprueba o las descarta.
Las dos están en el menú Calidad → Calidad metalúrgica. Ninguna de las dos da un resultado K-mold VW.
La estimación histórica
Sección titulada «La estimación histórica»Qué hace
Sección titulada «Qué hace»Zap trae solo las fotos de la carpeta de SharePoint «Análisis físicos/Evaluación de inclusiones». Con el
Cálculo automático activo, revisa la carpeta cada 2 minutos: una foto nueva o cambiada llega y se
estima en minutos, sin que nadie pulse nada. El botón Sincronizar fotos solo sirve para no esperar esa
revisión. Los archivos pueden estar en la raíz (<colada>.png o <colada>.JPG) o en subcarpetas por
colada (<colada>/M1.JPG). Sincronizar dos veces no duplica nada: hay una fila por archivo, y si un
archivo cambia, su fila vuelve a Pendiente.
Después, un modelo de visión local cuenta en cada foto las inclusiones (S) que ve en las n caras de fractura y calcula K = S/n. Esa estimación, la que ves en Zap, corre en las GPU locales.
Aparte, para comparar modelos, Zap manda cada cara de fractura a un modelo de visión en la nube (Gemma 4 26B en Cloudflare, a través del Hub de IA), según la decisión del 15 de octubre de 2026. Esa corrida «en sombra» solo se compara contra la auditoría: nunca reemplaza la estimación local.
- Cada foto se estima varias veces (3 corridas) y Zap guarda la mediana. La primera corrida da un resultado pronto; después la foto se refina sola hasta completar las 3.
- Antes de estimar, Zap reduce la foto para que su lado largo mida 1600 px.
- Solo cuentan en S las inclusiones de confianza alta o media. Las dudosas se muestran aparte («+ N de baja confianza») y no cuentan.
- Si las GPU locales no responden (o SharePoint no contesta), la foto queda en Reintento automático. No es un problema de la foto. Con el Cálculo automático activo, la fila dice «Intento X de 5 · próximo dd/MM HH:mm» y Zap la vuelve a intentar sola, con esperas cada vez más largas (de 30 minutos hasta 4 horas), hasta 5 intentos. Con el cálculo apagado no hay reintento automático: la fila dice «El procesamiento automático está apagado: presiona «Reintentar» para volver a intentarla.»
- Cada reintento usa semillas nuevas, así que no repite una respuesta que ya falló. Lo mismo vale para las corridas de refinamiento.
- La estimación viene apagada hasta que se habilita. Encendida, la pantalla lo dice así: «Cálculo automático: revisa SharePoint cada 2 min, trae solas las fotos nuevas y las estima; además, una corrida completa cada 60 min, hasta 100 fotos por corrida.» Debajo, «Última revisión: dd/MM HH:mm.» dice cuándo miró Zap la carpeta por última vez. La corrida completa de cada 60 minutos recoge lo que la revisión no haya visto, por ejemplo justo después de reiniciar Zap, y es la que vuelve a intentar las fotos con falla.
- Si la revisión de cada 2 minutos está apagada, la pantalla dice «Cálculo automático: cada 60 min, hasta 100 fotos por corrida (las fotos nuevas esperan esa corrida o «Sincronizar fotos»).». Con todo apagado dice «Cálculo automático apagado (…): las fotos se traen y estiman solo con «Sincronizar fotos» y «Estimar pendientes».»
Por qué es «estimada»
Sección titulada «Por qué es «estimada»»La pantalla lo dice: «Es una estimación, no una medición.» La foto no tiene escala y puede ocultar inclusiones pequeñas. Con la foto reducida a 1600 px, el modelo ve unos 11 px por milímetro: una inclusión de 0.3 mm ocupa unos 3 px. Por eso un K = 0 estimado quiere decir «no vi nada», no «limpio».
Estados de una foto
Sección titulada «Estados de una foto»| Estado | Qué significa |
|---|---|
| Pendiente | Aún no tiene estimación. |
| Estimada | Tiene estimación. Puede ser Indeterminado: la mayoría de las corridas no pudo juzgar las caras, así que no hay K. |
| Reintento automático | La estimación falló por una causa ajena a la foto (IA local o SharePoint sin responder). No se guardó ningún número; la fila muestra el motivo, el intento y cuándo es el próximo. Nada que hacer: Zap la vuelve a intentar sola. |
| Requiere revisión | Falló 5 veces y Zap ya no la reintenta sola. La fila muestra el último motivo: alguien debe revisarla y pulsar Reintentar. |
| Requiere acción | La foto misma tiene un problema (borrada, vacía o demasiado pesada). Revisa la foto en SharePoint y, cuando esté bien, pulsa Reintentar en la fila. |
El botón Reintentar N con fallas (o Reintentar 1 con falla) vuelve a intentar todas las que fallaron, sea cual sea su estado. | Revisada por Calidad | Calidad la revisó y dejó una nota escrita. |
Dos marcas más:
- Estimación inestable: las corridas no coinciden. Pasa cuando el K varía más de 0.1 entre corridas, cuando las corridas vieron un número distinto de caras, o cuando unas corridas juzgaron la foto y otras no.
- Colada aún no registrada en Zap: la foto se estima igual y se enlaza sola con la colada cuando esta se registra.
La clasificación orientativa no es la clase K real
Sección titulada «La clasificación orientativa no es la clase K real»Cada foto lleva una Clasificación orientativa del K estimado. Usa sus propios cortes, distintos de los de la clase K real. Son dos escalas separadas: una fila de una tabla no equivale a la misma fila de la otra.
Clasificación orientativa (estimación), sobre el K estimado de la foto:
| Clase | K estimado |
|---|---|
| Sin inclusiones | K = 0 |
| Baja | K mayor que 0 y hasta 0.2 |
| Moderada | K mayor que 0.2 y hasta 1 |
| Alta | K mayor que 1 |
| Indeterminado | Sin K |
Clase K real (prueba K-mold), JIS H 0523 / PGPR-14, sobre el K que mide el laboratorio:
| Clase | K medido |
|---|---|
| Muy limpio | K menor que 0.05 |
| Aceptable | K de 0.05 a 0.5 |
| Contaminado | K mayor que 0.5 |
Por colada, Zap suma todas las fotos estimadas (S = suma de S, n = suma de n) y muestra K de la colada (S/n) con su Clase PGPR-14 (orientativa). Sigue siendo una estimación: si dos fotos muestran la misma muestra, se cuenta dos veces. La clase K real sale solo de la prueba K-mold (Hacer la prueba K-mold); los cortes están en la clasificación de inclusiones.
Usar la pantalla
Sección titulada «Usar la pantalla»-
Menú Calidad → Calidad metalúrgica → Inclusiones históricas (estimadas).
-
Filtra por estado (Todas, Pendientes, Estimadas, Con error, Revisadas por Calidad, Sin colada en Zap) o escribe el Número de colada y pulsa Buscar.
-
Las fotos nuevas llegan y se estiman solas. Para no esperar la revisión automática, pulsa Sincronizar fotos. Para estimar ya las pendientes, escribe Fotos por lote y pulsa Estimar pendientes.
-
En cada fila, Ver foto abre la foto y Abrir en SharePoint abre el archivo original. La columna Calidad de foto dice qué tan legible es y, si el modelo lo calculó, el tamaño mínimo que la foto permite ver («Detecta ≥ … mm»).
-
Para cerrar una foto estimada, abre Marcar revisada, escribe qué revisaste (mínimo 10 caracteres) y confirma. La foto pasa a Revisada por Calidad.
Exactitud contra la auditoría
Sección titulada «Exactitud contra la auditoría»Más abajo, la sección Exactitud contra la auditoría compara cada estimación con el conteo de la auditoría de evidencias de la misma foto (K = S/n y su clase). Responde una pregunta: ¿la estimación es lo bastante buena para mostrarse como ayuda de lectura? Nunca alimenta un resultado K-mold, un certificado ni una alerta.
La línea Referencias de la auditoría cuenta cuántas fotos de la auditoría están aprobadas, sugeridas, descartadas (excluidas) y sin conteo legible.
Mientras falten fotos aprobadas, debajo aparece la tarjeta Qué falta para un veredicto:
- Cuántas fotos aprobó Calidad, cuántas de ellas con inclusiones, y cuántas faltan para los mínimos (hoy 30 fotos aprobadas, 5 de ellas con inclusiones). Además, cada modelo debe haber estimado esas fotos con un valor, no «indeterminado».
- La lista de fotos sugeridas con inclusiones según la auditoría de Claude, agrupadas por colada (hasta 30). Son las que conviene revisar primero: una foto aprobada sin inclusiones no acerca el mínimo de 5. Cada enlace, por ejemplo «2 inclusiones en 5 caras», abre esa foto en su colada de Auditoría de evidencias, donde se aprueba, se aprueba con conteo corregido o se descarta.
- Cuando Calidad corrigió conteos, la tarjeta dice cuántas aprobadas llevan conteo corregido por Calidad: ese conteo cuenta en lugar del de la auditoría.
- Si ni aprobándolas todas se llega al mínimo, la tarjeta lo dice: hace falta auditar más fotos con inclusiones.
Cada modelo se mide en dos niveles:
| Nivel | Qué usa | Para qué sirve |
|---|---|---|
| Aprobada por Calidad | Solo las fotos cuya auditoría aprobó Calidad. | Es el único que da el veredicto: Pasa, No pasa o Insuficiente. Con pocas fotos aprobadas dice «Insuficiente», nunca «Pasa». |
| Provisional (aprobada + sugerida) | También la auditoría hecha por Claude que Calidad aún no revisa. | Es un indicio y no habilita nada. Su resultado aparece como «Provisional: …». |
Cada fila de métricas dice: los pares (fotos con estimación y referencia) y la cobertura, el error medio de K y su sesgo, el acuerdo en el número de caras n, la detección por foto (precisión y sensibilidad), el acuerdo de clase frente a la línea base «siempre la clase más común» y cuántas son indeterminadas o inestables entre corridas. Debajo, la Matriz de clases y mayores desacuerdos enlaza a la auditoría y a la estimación de cada colada con más diferencia de K.
Los umbrales del veredicto son provisionales: la pantalla aclara «por confirmar con Calidad; no son límites JIS ni VW». La etiqueta Vigente marca el modelo que se muestra como estimación; Sombra marca uno que solo se compara y nunca se muestra ni alimenta nada.
Desde el 15 de octubre de 2026 la sombra corre en Gemma 4 26B de Cloudflare (el grupo
@cf/google/gemma-4-26b-a4b-it), con el prompt v2. Al 29 de octubre ya estimó 136 de las 148 fotos y sale
«Provisional: No pasa»: cuenta de más (error medio de K 0.33, casi todo hacia arriba), acierta la clase en
62 % de las fotos (decir siempre «muy limpio» acierta 86 %) y deja indeterminada la mitad. Encuentra 8 de 10
fotos con inclusiones, pero de las que marca solo 3 de cada 10 las tienen.
Los grupos anteriores siguen en la tabla con lo que midieron y ya no crecen: gemma4:26b local con el prompt v2 (48 fotos, 75 % indeterminadas) y gemma4:12b, que se retiró el 14 de octubre porque contaba de más en casi todas las fotos (error medio de K 2.2 y 10 % de acuerdo de clase).
Detector entrenado con la auditoría (experimental)
Sección titulada «Detector entrenado con la auditoría (experimental)»Es un segundo estimador, aparte del modelo de visión. El analizador de caras marca en cada cara de fractura las manchas oscuras y mide sus rasgos: tamaño relativo a la cara, oscuridad, elongación, color, si toca el contorno y, con las fotos que ya trae la versión 1.2 del analizador, textura y color del entorno. Las cajas de la auditoría dicen cuáles manchas son inclusiones, cuáles artefactos (plumón, sombra, poro) y cuáles dudosas. Con eso se entrena:
- árboles de gradiente (GBM) cuando más de la mitad de las fotos con caras traen los rasgos de la versión 1.2;
- una regresión logística mientras no.
La estimación en sombra completa esos rasgos sola, unas pocas fotos en cada lote. Con los árboles, las fotos que aún no los traen quedan sin predicción (la línea de datos dice cuántas, «de ellas N sin los rasgos de kmold-faces 1.2») y no cuentan en su exactitud hasta que se completan: al principio el detector se mide sobre menos fotos.
Cada colada se predice con un modelo que no vio esa colada, así que las cifras son de fotos nuevas, no memorizadas. Sus estimaciones aparecen como un grupo más en Exactitud contra la auditoría y pasan el mismo veredicto. Es una estimación de apoyo: nunca es un resultado K-mold, un certificado ni una alerta.
Qué muestra la sección:
- Con los rasgos de kmold-faces 1.2: X de Y fotos con caras: cuánto falta para que el detector pase a los árboles; la línea dice el número que hay que alcanzar.
- Inclusiones de la auditoría encontradas: qué parte de las cajas de inclusión encontró.
- Detecciones fuera de toda caja de inclusión o dudosa: falsas detecciones por cara.
- Artefactos confundidos con inclusión: por tipo (por ejemplo plumón o sombra).
- Cajas de inclusión que alcanza algún candidato del analizador: cuántas cajas de inclusión tienen al menos una mancha marcada por el analizador encima y, de las que no se encuentran, dónde se quedan (ver abajo).
- Modelo con todas las fotos: el tipo de modelo, sus umbrales (umbral p ≥ … por caja y, junto a él, p ≥ … por foto) y los rasgos en los que más se apoya (importancia en los árboles, peso en la regresión).
El grupo con umbral por foto da, por ahora, las mismas cifras
Sección titulada «El grupo con umbral por foto da, por ahora, las mismas cifras»Desde el 29 de octubre de 2026 hay un segundo grupo del detector, también en sombra:
detector-kmold/2 + umbral por foto (LOO por colada). Es la misma predicción con una regla más: el
entrenamiento elige también un umbral por foto. Una foto sin ninguna detección (ninguna mancha por encima
del umbral por caja) cuenta de todos modos 1 inclusión si su mancha más probable alcanza ese umbral por foto.
El 29 de octubre, con la referencia provisional (148 fotos, 0 aprobadas), sus cifras son idénticas a las del grupo actual: el umbral por foto elegido no cambia ninguna foto.
- Error medio de K: 0.104.
- Acuerdo de clase: 71 %, contra 86 % de decir siempre «muy limpio».
- Encuentra 7 de las 20 fotos con inclusiones.
- Precisión: 22 % de las fotos que marca tienen inclusiones.
La razón es de construcción: el entrenamiento eligió 0.98 como umbral por foto, más alto que el umbral por caja de 0.95. Una foto cuya mancha más probable pasa 0.98 ya tiene una detección por encima de 0.95, así que ya contaba como sucia. Un umbral por foto más bajo marcaba más fotos limpias que las sucias que ganaba, y por eso el entrenamiento no lo eligió. Los dos grupos solo darán cifras distintas cuando el umbral por foto quede por debajo del umbral por caja. El grupo sigue en sombra y no gasta CPU de más.
Dónde se pierden las inclusiones: la cobertura de candidatos
Sección titulada «Dónde se pierden las inclusiones: la cobertura de candidatos»Desde el 30 de octubre de 2026 la sección dice, para cada caja de inclusión de la auditoría en una cara que el modelo juzga, si alguna mancha marcada por el analizador (un candidato) cae dentro. Usa la misma regla que cuenta una caja como encontrada y el puntaje del modelo que no vio esa colada. Así se separan dos fallas distintas:
- el analizador no marca la inclusión (sin candidato): hay que mejorar cómo se buscan las manchas;
- la marca, pero el modelo le da poco puntaje: hay que mejorar los rasgos con que el modelo decide.
El 30 de octubre, con la referencia provisional (148 fotos, 0 aprobadas):
| Dónde terminan las 30 cajas de inclusión | Cajas |
|---|---|
| Encontradas (p ≥ 0.95) | 9 |
| Con candidato, p entre 0.50 y el umbral | 15 |
| Con candidato, p entre 0.10 y 0.50 | 2 |
| Con candidato, p menor que 0.10 | 3 |
| Fusionadas con una detección vecina | 0 |
| Sin ningún candidato | 1 |
- El analizador cumple: 29 de las 30 cajas tienen un candidato encima, y las 17 fotos con cajas de inclusión en caras juzgadas también. Ninguna cara llegó al tope de 300 candidatos.
- Lo que falla es el puntaje: 15 de las 21 cajas no encontradas quedan entre 0.50 y 0.95. El modelo las pone por encima de casi todos los candidatos, pero no por encima de los falsos con puntaje alto.
- Bajar el umbral no basta: con umbral 0.90 encuentra 18 cajas en vez de 9, pero hace 104 falsas detecciones en vez de 30. El problema es cómo separa el puntaje, no dónde se corta.
Si la línea dice que hay cajas «en caras con la lista recortada», esas caras tenían más de 300 candidatos y el analizador guardó solo los primeros: la inclusión pudo quedar fuera de la lista.
El grupo con contexto de cara se retiró
Sección titulada «El grupo con contexto de cara se retiró»Del 30 de octubre al 1 de noviembre de 2026 hubo otro grupo en sombra: detector-kmold/2 + contexto de cara (LOO por colada). Eran los mismos árboles con 10 rasgos más, que comparaban cada mancha con las demás de su cara. Se
retiró porque era más prudente, no mejor. Ya no aparece en la sección ni en Exactitud contra la auditoría.
- Hacía más falsas para las mismas cajas: para encontrar 18 cajas hacía 296 falsas detecciones, y el grupo actual 104.
- La K mejoraba solo porque detectaba menos: a umbral 0.95, error medio de K de 0.068 contra 0.104, pero 4 cajas encontradas contra 9.
- Tampoco pasaba: acertaba la clase 80 % de las veces, y decir siempre «muy limpio» acierta 86 %.
La curva por umbral: el umbral no es lo que falla
Sección titulada «La curva por umbral: el umbral no es lo que falla»El 31 de octubre de 2026 se midió el grupo actual a varios umbrales, con el mismo umbral en todas las coladas y la referencia provisional:
| Umbral | Encontradas | Falsas |
|---|---|---|
| 0.50 | 24 | 1083 |
| 0.70 | 22 | 543 |
| 0.90 | 18 | 104 |
| 0.95 | 9 | 30 |
| 0.97 | 5 | 7 |
- 0.95 sigue siendo el mejor punto cuando se pesan juntas las encontradas y las falsas (medida F1). Bajar el umbral gana cajas, pero pierde más en falsas.
- Encontrar la mitad de las cajas obliga a bajar a 0.90 o menos. Ahí solo unas 15 de cada 100 detecciones son inclusiones de la auditoría.
Qué son las 30 falsas detecciones del grupo actual
Sección titulada «Qué son las 30 falsas detecciones del grupo actual»El 31 de octubre de 2026 se revisó el recorte de cada una, a umbral 0.95. La revisión la hizo Claude, no el laboratorio: es un indicio, no un dictamen.
| Qué se ve en el recorte | Falsas |
|---|---|
| Borde o hueco del fragmento | 11 |
| Grieta, cavidad o textura | 9 |
| Marca oscura compacta, parecida a las inclusiones de la auditoría | 8 |
| Marca verde | 2 |
De las 8 marcas oscuras, la auditoría ya tenía 5 como plumón. Las otras 3 no tienen etiqueta y podrían ser inclusiones que la auditoría no marcó. Aun si las 3 lo fueran, el detector encontraría 12 de 33 cajas y solo subiría de 23 % a 31 % de detecciones correctas. Los huecos de la auditoría no explican el problema.
Las fotos: las PNG estorban al modelo de visión, y en el detector aún no se sabe
Sección titulada «Las fotos: las PNG estorban al modelo de visión, y en el detector aún no se sabe»Los 148 archivos de «Análisis físicos/Evaluación de inclusiones» son:
| Tipo | Archivos | Tamaño del archivo |
|---|---|---|
| PNG | 114 | 307 a 978 KB |
| JPG de cámara | 34 | 2 a 3.4 MB |
Zap avisa «Resolución baja» bajo 1,000 px en el lado corto, y pide «Sube la foto original de la cámara.» Las PNG revisadas miden menos de eso y se ven borrosas.
En el modelo de visión, la PNG casi nunca se puede leer. Son las 15 coladas que tienen las dos fotos, con las lecturas de gemma4:26b del 12 de octubre de 2026:
| JPG de cámara | PNG | |
|---|---|---|
| Coladas con K calculada | 11 | 1 |
| Coladas sin lectura (indeterminado) | 4 | 14 |
| Calidad de foto mala | 0 | 14 |
Leer no es acertar: 10 de esas 11 lecturas en JPG salen inestables entre corridas.
En el detector, la prueba por tamaño no alcanza para concluir. Lectura del 1 de noviembre de 2026, con la referencia provisional y el umbral de 0.95:
| Lado corto de 1,000 px o más | Lado corto menor | |
|---|---|---|
| Fotos | 35 | 110 |
| Fotos con cajas de inclusión | 1 | 16 |
| Cajas de inclusión | 2 | 28 |
| Cajas encontradas | 0 | 9 |
| Falsas detecciones | 0 | 30 |
- Dos cajas en una foto no miden nada: son de la colada 31436, justo donde la fractura se une al costado del lingote.
- En fotos grandes casi no dispara: a umbral 0.50 hace 0.23 falsas detecciones por cara, contra 2.17 en las pequeñas. Puede ser que lo engañen menos o que no reconozca nada a esa escala: aprendió con 28 de 30 cajas en fotos pequeñas.
- Subir originales no basta para el detector: hasta auditarlos y entrenar con ellos, puede no marcar nada en esas fotos.
Lo que le toca a Calidad desde ahora:
- Sube siempre el original de la cámara, como dice Fotos de K-mold para la IA.
- Si tienes el original de una PNG, súbelo junto a ella como
<colada>.JPG. Empieza por las coladas en las que la auditoría marcó inclusiones. - No borres ni reemplaces ninguna PNG: la auditoría y las aprobaciones de Calidad están ligadas a ese archivo.
El JPG entra como una foto más. Mientras la PNG siga ahí, la K orientativa de esa colada cuenta dos veces la misma muestra.
El último resultado se conserva entre despliegues
Sección titulada «El último resultado se conserva entre despliegues»Un entrenamiento tarda menos de 25 minutos (medido el 1 y el 4 de noviembre de 2026). Zap guarda el último resultado hasta 7 días después de calcularlo, así que lo conserva entre despliegues y reinicios. Hasta el 4 de noviembre de 2026 se perdía si nadie consultaba el detector en 24 horas. Lo que muestran la página Inclusiones históricas (estimadas) y la herramienta MCP de Zap depende de qué cambió:
- Mismos datos y misma versión de cálculo (por ejemplo, Zap se reinició sin un despliegue): el resultado se muestra como vigente al momento, sin volver a calcular.
- Después de un despliegue (la versión de cálculo incluye la compilación) o si los datos cambiaron: se ve el último resultado, marcado como no vigente, mientras el detector recalcula en segundo plano. Hasta el 29 de octubre de 2026, después de un despliegue no se veía nada en esos minutos.
- El aviso dice por qué no es el vigente (desde el 30 de octubre de 2026): calculado «con otra versión del
cálculo» tras un despliegue, «con datos anteriores» si cambiaron los datos, o las dos cosas. La herramienta
MCP de Zap da lo mismo en
motivoDesactualizada(version,datosoversion-y-datos) y marcadesactualizada: true. - Sin resultado guardado, o ilegible: se ve el aviso «Hay un entrenamiento del detector en curso…» sin ningún resultado. Pasa si nadie lo recalculó en 7 días: el primero que abre la página espera el entrenamiento completo.
Avisos que puedes ver
Sección titulada «Avisos que puedes ver»| Aviso | Qué hacer |
|---|---|
| «Hay un entrenamiento del detector en curso (tarda unos minutos)…» | Recarga la página en un momento; tras un despliegue tarda menos de 25 minutos. Si se ve el último resultado, el aviso dice con qué se calculó («con otra versión del cálculo», «con datos anteriores» o ambas): no es el vigente y no entra en la exactitud mientras tanto. |
| «Los datos cambiaron después de este resultado…» | El resultado está desactualizado. El detector se vuelve a entrenar como mucho cada pocos minutos: recarga más tarde. Mientras, su grupo no entra en «Exactitud contra la auditoría». |
| «Este resultado se calculó con otra versión del cálculo: no es el vigente…» | Hubo un despliegue y el detector aún no recalcula. Recarga más tarde; mientras, su grupo no entra en «Exactitud contra la auditoría». |
| «… todavía no se puede entrenar.» | Hay muy pocas manchas dentro de cajas de inclusión. Hacen falta más fotos auditadas. |
| «No se pudo entrenar el detector esta vez; el error quedó en el registro.» | Avisa a sistemas si se repite. |
| «Sin datos del detector.» | Aún no hay resultado. |
La auditoría de evidencias
Sección titulada «La auditoría de evidencias»Auditoría de evidencias: porosidad e inclusiones K-mold presenta una auditoría hecha fuera de Zap sobre las fotos de SharePoint. Cada valor es una sugerencia («Sugerido por Claude») que Calidad aprueba o descarta.
La auditoría cargada (fuente «auditoria-claude-2026-10-12») trae:
- Inclusiones K-mold: 148 fotos de 120 coladas. Clases sugeridas: 100 muy limpio, 18 aceptable y 2 contaminado. Se descartaron 93 marcas de plumón como no inclusiones.
- Porosidad: 299 fotos de 88 coladas.
Arriba, el Resumen cuenta Sugeridas (fotos por revisar), Aprobadas (por Calidad), Descartadas (por Calidad, con nota) y Coladas aún no registradas en Zap (se ligan solas cuando se registran). Los enlaces Informe de porosidad e Informe de inclusiones abren los informes completos. Cargar auditoría vuelve a cargar el paquete; la carga no duplica fotos, y una foto ya revisada no se toca.
Revisar una colada
Sección titulada «Revisar una colada»-
Menú Calidad → Calidad metalúrgica → Auditoría de evidencias.
-
Filtra por Colada, por veredicto de Porosidad, por clase de Inclusiones (Muy limpio, Aceptable, Contaminado) o por Revisión (Sugerida, Aprobada, Descartada) y pulsa Filtrar. La casilla Solo coladas aún no registradas en Zap deja solo esas.
-
En la fila de la colada, pulsa Ver fotos. Se abre el detalle de la colada. También llegas desde Inclusiones históricas (estimadas) con el enlace Evidencia en la auditoría.
-
Lee la sugerencia de cada foto:
- Veredicto o clase sugerida y su confianza.
- Esta foto: n, S (y cuántas de baja confianza), K y el porcentaje de caras con inclusión.
- El dibujo sobre la foto y su Leyenda: círculo rojo, «inclusión contada (alta/media), con tamaño»; naranja punteado, «candidato de baja confianza (no cuenta)»; gris punteado, «marca de plumón (descartada)».
- La tabla Hallazgos: tipo (por ejemplo película de óxido, partícula, bifilm, artefacto), detalle, confianza, tamaño, cómo aparece en el dibujo y nota. Las marcas de plumón aparecen como artefacto: no cuentan como inclusión.
- Foto sin dibujo abre la foto limpia para compararla.
-
Decide cada foto con los pasos de la sección siguiente.
Aprobar una foto paso a paso
Sección titulada «Aprobar una foto paso a paso»¿Eres del Laboratorio y solo necesitas los pasos? Usa el procedimiento corto, con capturas: Aprobar las fotos de inclusiones K-mold (Laboratorio).
Hace falta permiso de escritura en Calidad: sin él, la foto solo dice «Pendiente de revisión por Calidad.» y no aparecen los botones. Para avanzar rápido, filtra Revisión = Sugerida: quedan solo las fotos por revisar.
-
En la colada, baja a la foto: su título es «Inclusiones K-mold · «archivo»». Lee la clase sugerida y su confianza.
-
Mira el dibujo contra la Leyenda:
- «I» en círculo rojo: inclusión contada (alta/media), con tamaño.
- «?» naranja punteado: candidato de baja confianza (no cuenta).
- «×» gris punteado: marca de plumón (descartada).
- La barra de escala; si dice «sin escala: sin mm ni %», los tamaños no están en mm.
-
Abre Foto sin dibujo y compara. Revisa cada círculo rojo: ¿interrumpe la textura granulada de la cara? Busca también inclusiones que el dibujo no marcó.
-
Revisa la tabla Hallazgos: el Tipo de cada marca (Inclusión de óxido, Película de óxido, Partícula, Bifilm, Artefacto, Indicación dudosa, Poro de gas…). Un poro de gas o un artefacto no son inclusiones.
-
Comprueba la línea Esta foto: el número de caras n, el total S y la K. Si el número de caras no coincide con las caras que ves en la foto, la K está mal.
-
Si todo es correcto, pulsa Aprobar. La Nota (opcional) puede quedar vacía; úsala para algo que valga la pena saber («una inclusión dudosa en F3, la dejé»).
-
Si solo está mal el conteo, usa Aprobar con conteo corregido (solo en fotos de inclusiones): Caras (n) e Inclusiones (S) ya traen el conteo de la auditoría; cambia el que está mal por el que ves y, en Por qué se corrige (mínimo 10 caracteres), escribe qué cambiaste. Desde entonces el conteo de Calidad cuenta en lugar del de la auditoría en la exactitud de los modelos y en el detector, y el de la auditoría queda guardado. Una foto corregida no tiene cajas: el detector la evalúa por foto, pero no la usa para entrenar ni en sus métricas por caja.
-
Si la foto no sirve (borrosa, con brillo, sin caras claras), escribe en Motivo para descartar qué estaba mal (mínimo 10 caracteres) y pulsa Descartar. Una foto descartada no cuenta como referencia.
-
La foto queda, por ejemplo, como «Aprobada por Calidad el 14/10/2026 09:30.», «Aprobada por Calidad el … con conteo corregido: n 5 · S 2 (la auditoría decía n 5 · S 1).» o «Descartada por Calidad el …», con la nota debajo. Una foto revisada ya no se puede volver a decidir desde aquí, y Cargar auditoría no la toca.
Si al decidir aparece «Otra persona revisó esta sugerencia; recarga la página.», alguien ya la decidió: recarga y revisa lo que quedó.
Consejos para revisar
Sección titulada «Consejos para revisar»- Descarta si se contó como inclusión una marca de plumón, una sombra entre piezas, un reflejo o algo en la piel de fundición.
- Aprueba solo lo que firmarías. Si dudas, compara con Foto sin dibujo y con el original en SharePoint antes de decidir.
- En el motivo de descarte, di qué estaba mal («contó el plumón del centro como inclusión»). Esa nota explica dónde falla la sugerencia.
- Una sugerencia con un error pequeño se descarta, no se aprueba: aprobada pasa a ser la referencia contra la que se mide todo modelo.
Para qué sirve tu revisión: el conjunto de referencia
Sección titulada «Para qué sirve tu revisión: el conjunto de referencia»Lo que Calidad aprueba o descarta forma el conjunto de referencia (golden set, decisiones P28 y P29). Sirve para evaluar los modelos:
- mide el error de K, la coincidencia de clase, la latencia y los tiempos de espera;
- bloquea un cambio de instrucciones o de modelo que empeore los resultados;
- decide cuándo se activan las sugerencias por cara en el panel de la prueba K-mold: solo cuando el modelo pase el conjunto de referencia.
El detector experimental ya se entrena con las cajas de la auditoría, pero su veredicto, como el de cualquier modelo, cuenta solo las fotos aprobadas. Por eso una revisión cuidadosa vale más que una rápida: de ella depende que las sugerencias en vivo lleguen y sean confiables.
Siguiente paso
Sección titulada «Siguiente paso»- Fotos de K-mold para la IA: cómo tomar fotos que la IA pueda leer.
- Revisar las lecturas IA de las fotos: confirmar o corregir la lectura IA que Zap hace de cada foto, incluidas las de SharePoint.
- Microscopía: el análisis de limpieza al microscopio.