Del sensor a la decisión: por qué la velocidad es clave en la IA industrial

Suscríbete a Plataforma Tecnología Minera, haz clic aquí

En el sector manufacturero, el margen entre una pequeña desviación y un incidente costoso puede medirse en segundos. Un patrón de vibración cambia, un parámetro de lote se desvía, una temperatura se sale de su rango normal. Los datos existen, pero para cuando llegan a la persona que puede actuar, el margen ya se ha cerrado. La velocidad de respuesta de la IA en la fabricación es un reto tanto técnico como de gestión: quién detecta la señal, quién confía en ella y con qué rapidez responde la organización.

¿Qué provoca la brecha entre el sensor y la toma de decisiones?

El cuello de botella rara vez es un único punto de fallo. Los historiales de datos a nivel de planta, los sistemas de control y las herramientas de cumplimiento normativo son eficaces en lo que se les ha diseñado para hacer. Cuando se pide a esos mismos sistemas que proporcionen datos de alta frecuencia a aplicaciones de análisis e inteligencia artificial, surge la brecha, y la pregunta que plantea el primer reto es: ¿qué tan fácil es extraer datos de un historial y ponerlos en manos de las personas que necesitan analizarlos y actuar en consecuencia?

El segundo cuello de botella es la escala. Entender lo que ocurre en una línea de producción es factible. Consolidar, alinear y contextualizar esos datos en múltiples plantas o flotas requiere una arquitectura fundamentalmente diferente. El tercer cuello de botella es de carácter no técnico: la propiedad y la gobernanza. Los equipos de planta centrados en la gestión de la producción rara vez son el grupo adecuado para mantener también la plataforma de datos interna que proporciona información al resto de la organización.

Un modelo operativo federado ofrece una estructura práctica. El departamento de Operaciones (OT) es responsable de los historiales de datos y los sistemas operativos. El departamento de Tecnologías de la Información (IT) se encarga de la plataforma de distribución de datos. Un equipo de transformación digital impulsa el análisis de datos para casos de uso como el OEE, el mantenimiento predictivo y la reducción de paradas no planificadas.

Por qué la base de datos semántica determina el éxito de la IA

Los sistemas de IA necesitan algo más que telemetría en bruto. Necesitan comprender lo que están analizando. Una lectura de temperatura no significa nada si no se sabe si está en grados Celsius o Fahrenheit, cuál es la resolución de muestreo del sensor o cómo se relaciona con el activo y el proceso que supervisa. Sin datos enriquecidos semánticamente que expliquen el significado de cada valor de forma coherente, los resultados de la IA se vuelven poco fiables y aumenta el riesgo de cometer errores costosos.

Albemarle dedicó entre tres y seis meses en cada planta a crear una capa semántica utilizando tecnología de marcos de activos, estableciendo jerarquías que definían cómo encajaban los equipos en las líneas de producción y las distintas áreas. Una vez establecida esa estructura, el equipo pudo desarrollar e implementar un modelo de aprendizaje automático que abarcaba cientos de variables y entre 20 y 30 equipos en menos de 60 minutos. Sin esa base semántica, la misma implementación llevaba entre tres y cuatro semanas. Esa diferencia en la velocidad de implementación es lo que hace posible la escala global.

Bosch abordó el mismo problema a través de lo que denomina Bosch Semantic Stack, creando gemelos digitales de productos reutilizables en lugar de otro lago de datos. El contexto semántico que proporcionan estos gemelos permite que la IA funcione con una calidad de nivel industrial, donde incluso un 1 % de error es inaceptable en entornos en los que la calidad se mide en partes por millón. Bosch cuenta ahora con aproximadamente 7 millones de gemelos digitales de productos en el terreno a lo largo de su red de producción global.

De los paneles de control a los paneles de acción

Muchos fabricantes han experimentado lo que el panel describió como el «cementerio de los paneles de control»: herramientas que revelan información pero que nunca modifican el comportamiento. Los paneles de control se convierten en otra pestaña del navegador, en otra obra de arte colgada en la pared.

Albemarle sustituyó los paneles de control por lo que denomina «tableros de acción». La tecnología subyacente puede ser la misma, pero la filosofía difiere. Ninguna información llega al tablero de acción sin un plan de acción en marcha correspondiente que defina cómo interpretar la señal, quién responde, cómo se mide el resultado y qué mecanismo de gobernanza cierra el ciclo. La empresa implementó este marco en los cinco continentes, formando a más de 400 ingenieros e integrándolo en miles de flujos de trabajo de los operadores.

Los resultados se acumulan con el tiempo. El equipo de IA y análisis avanzado de Albemarle ha generado más de 150 millones de dólares en ahorros anuales en optimización de procesos, mejoras de calidad, fiabilidad de los equipos y OEE. Las plantas que adoptaron la metodología de los tableros de acción desde el principio siguen utilizando las mismas herramientas y procesos una década después, mientras que los equipos regionales y de planta ahora crean sus propios casos de uso sobre la base de los fundamentos corporativos.

Cómo implantar la IA en las plantas de fabricación

El mayor error que cometen los fabricantes al iniciar este proceso es poner en marcha un proyecto de gran envergadura, de varios años de duración, para crear un lago de datos sin un caso de negocio claro. Un enfoque más práctico sigue tres fases: en el primer mes, identificar un punto débil de gran impacto y trabajar para resolver un problema empresarial real. En el segundo mes, construir un modelo semántico para ese caso de uso, creando un bloque de construcción para un gemelo digital más amplio del producto. En el tercer mes, implementarlo en la planta de producción, demostrar su valor y mantener a las personas informadas. Como dijo uno de los ponentes: «No hay uso sin usuario».

En cuanto a la infraestructura, la arquitectura práctica para entornos brownfield es un modelo de empresa periférica. Un centro de datos local se sitúa junto a los sistemas OT y los historiadores existentes, lo que permite realizar análisis a nivel de planta sin necesidad de sustituir los sistemas. A continuación, un centro empresarial consolidado reúne los datos de varias plantas para el análisis y la optimización entre emplazamientos. Este enfoque conserva la infraestructura operativa de la que depende la planta, al tiempo que crea la capa de análisis que requieren las aplicaciones de IA.

Una encuesta realizada durante la sesión reveló que el 43 % de los asistentes seguía identificando el problema de la velocidad de respuesta a nivel interno, mientras que el 28 % estaba elaborando el análisis de viabilidad para justificar la inversión. Los ponentes coincidieron en que los principales obstáculos siguen siendo la gestión del cambio y la preparación de los datos, y no la tecnología en sí misma. Las organizaciones que consideran los datos como una capacidad operativa e invierten en bases semánticas antes de ampliar las aplicaciones de IA son las que están tomando la delantera.