Automotivo · Alemanha / Global · 2019–2024
800 mil imagens sintéticas para industrializar visão computacional no controle de qualidade
Em vez de tratar dados gerados artificialmente (em inglês, dados sintéticos) como gambiarra, a BMW os transformou em infraestrutura estratégica de treinamento — com IA sem programação (em inglês, no-code) nas mãos do engenheiro de processo.
Empresa: BMW Group
Desafio: Qualidade
Estágio: Plataforma
Contexto
A BMW integra IA à manufatura desde 2019. O gargalo identificado não era falta de modelos melhores, mas industrializar a produção de dados e a implantação das aplicações.
O problema prioritário
Para escalar visão computacional, milhares de fotos precisavam ser categorizadas manualmente para cobrir combinações praticamente infinitas de cenário industrial.
Objetivo do projeto
Tirar a IA do time central de data science e colocar nas mãos de engenheiros de processo e especialistas em qualidade.
Passo a passo da jornada
- Reconhecer o gargalo real — O problema central era dados, não algoritmo.
- Construir infraestrutura de dados sintéticos — Criação da SORDI: 800 mil+ imagens fotorrealistas em 80 categorias industriais.
- Conectar a fábricas virtuais — Uso de Omniverse para simular cenas e gerar dados de forma sistemática.
- Pipeline de treino completo — NVIDIA DGX, Base Command e AI Enterprise para treinar geradores e modelos finais.
- Democratizar com no-code — LabelTool Lite: engenheiro com 5 imagens treina um modelo em <1h.
- Multiplicar casos pequenos — Detecção de soleiras, costuras, montagem — pequenos casos somam grande impacto.
Dados necessários
- SORDI: 800.000+ imagens sintéticas em 80 categorias
- Imagens reais locais (5 por tarefa, no LabelTool Lite)
- Dados de gêmeos digitais e simulações
Ferramentas e arquitetura
NVIDIA DGX
NVIDIA Omniverse
Base Command + AI Enterprise
LabelTool Lite (proprietário)
Barreiras enfrentadas
- Dependência de cientistas de dados para cada problema local
- Cobrir variabilidade infinita de cenários reais
- Risco de tratar IA como projeto artesanal
Aprendizados-chave
- Dados sintéticos são infraestrutura estratégica, não gambiarra.
- A escala vem quando o engenheiro de processo opera a IA — não quando ela fica no time central.
- No-code AI multiplica o número de casos viáveis com baixo esforço marginal.
Resultados
−2/3
no esforço de funcionários para implantar automação de QA
8×
produtividade dos cientistas de dados
<1h
para treinar uma nova tarefa de QA