El reconocimiento de acciones utiliza modelos de vídeo para identificar lo que hace una persona, como alcanzar, coger, colocar o presionar, fotograma a fotograma. En el montaje, convierte un flujo de acciones del operario en una línea de tiempo que puede compararse con el método aprobado. La investigación sobre el trabajo manual ha utilizado cámaras de profundidad y seguimiento de esqueletos para ello, aunque los sistemas actuales también funcionan bien con vídeo estándar. El modelo se entrena con ciclos de su propio puesto de trabajo, por lo que aprende a reconocer sus piezas, herramientas y la forma en que sus operarios las manejan.