Además, el análisis de una inspección por parte de más de un analista de datos podría dar lugar a una evaluación incoherente. Estos riesgos son bien conocidos y suelen abordarse mediante controles de calidad (QA/QC). Sin embargo, a menudo no es fácil definir de forma transparente cuáles y cuántas anomalías deben volver a comprobarse.
Para hacer frente a este reto, ROSEN ha desarrollado una herramienta única de comprobación de la coherencia. Se trata de un proceso basado en el aprendizaje profundo, entrenado con datos etiquetados de alta calidad. Es capaz de identificar anomalías, que están cerca de un límite de decisión, por ejemplo, entre grieta o no grieta. Una vez finalizado el proceso, cada característica tiene una puntuación de grieta, es decir, una puntuación de lo parecida a una grieta que el modelo de aprendizaje profundo predice que es una característica, basándose en las otras características que ha visto durante el entrenamiento. A continuación, para minimizar el riesgo de falsos positivos, se revisan todas las características etiquetadas como grietas pero que recibieron una puntuación baja. Del mismo modo, todas las características que recibieron puntuaciones altas de grietas, pero no fueron etiquetadas como grietas, se vuelven a evaluar para evitar el riesgo de falsas llamadas negativas.