Analiza y diagnostica automáticamente los datos de exploración ultrasónica de inspección no destructiva (NDT) en pocos minutos, ayudando a identificar los problemas potenciales en los procesos de fabricación de una manera más rápida. Utiliza un nuevo marco de Inteligencia Artificial (IA) que combina técnicas de procesamiento de imágenes y señales con la tecnología de aprendizaje profundo, para resolver complejos problemas de calidad en el mundo industrial.

El componente de aprendizaje profundo que utiliza dentro del entorno de  IA aprovecha la capacidad humana de las redes neuronales profundas para procesar datos de imágenes y así detectar patrones relevantes. Todo ello, basándose en un conjunto único de tecnologías desarrolladas por los Laboratorios de Fujitsu en Europa. Esto implica convertir los desafíos de análisis de datos del mundo real en un formato de análisis de imágenes,  automatizando y acelerando la detección de patrones relevantes en el NDT ultrasound scan data, que puede ser indicativo de defectos de fabricación. Por lo tanto, la inspección manual especializada puede orientarse a los posibles defectos, lo que se traduce en una reducción del 80 por ciento de la atención que se requiere de un técnico experto. Como resultado, el control de calidad se mejora considerablemente y se eliminan cuellos de botella en el proceso de producción. Potencialmente se incrementa la producción y se consiguen mejoras significativas en la eficiencia. Además, la solución de Fujitsu tiene la capacidad de seguir aprendiendo después del despliegue, lo que permite una mejora continua del rendimiento y un mayor retorno de la inversión.

Esta tecnología ha sido ya implementada con éxito en una variedad de aplicaciones, incluyendo datos de sensores, consumo de energía, análisis de precios de acciones y fabricación inteligente, entre otros.  Como ejemplo, señalar que se usó para mejorar la recuperación de modelos 3 D CAD de bases de datos masivas, ayudando a acelerar el diseño del producto y mejorar el control de calidad. En otro ejemplo, la tecnología se incorporó a una aplicación  de innovación social, detectando el comportamiento de un conductor a través de un sensor de aceleración discreto situado en la muñeca.  Detectando errores potencialmente peligrosos como comer, beber, o programar un GPS durante la conducción. Todos ellos se clasificaron con precisión, utilizando un método novedoso que convertía los datos cronológicos del acelerador en representaciones de imágenes que luego alimentaron una red neuronal profunda.