Blog de Industria 4.0

5 casos de uso que definirán el futuro de la IA en las fábricas

Nov 9, 2020 5:49:25 PM / by Hugo Domínguez

Si prefieres este artículo en versión podcast, dale play 

Sucedió en 1999. Cuando un joven informático de nombre Kevin Ashton tenía que preparar una presentación para ejecutivos de Procter & Gamble acerca de un proyecto para instalar etiquetas de radiofrecuencia (RFID) y otros sensores en algunos productos e insumos de la cadena de suministro. Con ello buuscaba obtener más datos sobre los productos, como su ubicación en el almacén o el punto de venta.

“La gente estaba harta de la frase empaque inteligente”, relató Ashton tiempo después, así que pensó en incluir la palabra internet, que seguía siendo un hype. Así que le llegó la inspiración: “Internet of Things”, y así tituló su presentación.

“Les gustó. Todo salió bien. Pero los fuegos artificiales no iluminaban el cielo. El tiempo no se detuvo”, relata Kevin Ashton. 

Hoy en día, Kevin Asston es un reputado tecnólogo y empresario que colabora con el MIT, entre varios proyectos más. Seguro que este emprendedor británico no se imaginó que, 10 años después, una nueva revolución se gestaría a partir del concepto que él lo acuñó por primera vez

¿Por qué decidí comenzar con esta anécdota? Porque el Internet of Things terminó convirtiéndose en la base de la Cuarta Revolución Industrial o Industria 4.0, ese movimiento que surgió en Alemania que se refiere a la creación de ambientes de producción ciberfísicos y conectados a través de internet.

Para ponerlo en términos simples, “el petróleo ya no es el recurso más valioso en el mundo, sino los datos digitales”, según The Economist. Y el IoT es lo que hace posible habilitar, visualizar y extraer estos datos.

Y así como el IoT es el pilar de la Cuarta Revolución Industrial, hay una tecnología que se posiciona como la joya de la corona: la inteligencia artificial, un término que, a lo largo de la historia, ha generado miedo y mucha polémica. Tiene partidarios y detractores. Pero lo cierto es que se trata de una tecnología que ha transformado industrias enteras (hola Netfilx, Uber, Amazon, Google, Facebook, etc etc).

Descuida. No voy a insistir en imitar el ejemplo de estas empresas. Estás lleno de eso y seguro quieres leer cosas más cercanas a tu día a día. Y ya llegaré a esa parte.

¿Qué tan determinante será la inteligencia artificial en los próximos cinco años?

Una encuesta de PwC a 1,378 ejecutivos de todo el mundo pone las cosas así: 63% cree firmemente que esta tecnología cambiará para siempre la manera de hacer negocios y que su impacto será mayor, incluso, que el del internet.

Otra vez: 6 de cada 10 ejecutivos en el mundo están seguros que los negocios —y, esto lo digo yo, nuestras vidas— no volverán a ser los mismos después de la Inteligencia Artificial (IA).

Vuelvo al tema inicial. Pese a que la abrumadora mayoría asegura que habrá un antes y un después de la IA, apenas 19% la ha explorado en sus negocios y 38% piensa hacerlo en los siguientes 3 años. Unas cifras que para nada sostienen las proyecciones de los ejecutivos globales.

Entonces, ¿Por qué si la mayoría cree que esta tecnología cambiará la forma de hacer negocios, su adopción es sumamente lenta?

Porque no le entienden del todo. A ver, si nos atenemos a que los datos digitales son el recurso más valioso, la materia prima con mayor potencial, entonces hay que transformarla en un producto o servicio valioso. Hay que aprender a usarlos para sacar provecho.

Esto nos lleva a decir que la mayoría de las empresas que han incorporado la inteligencia artificial a sus negocios lo han hecho a través de proyectos pequeños —pilotos o pruebas de concepto—, y no de forma transversal en toda la organización, salvo las compañías que, literalmente, ‘viven’ de ella, como Amazon, Uber, Google, Facebook, Tesla, etcétera, cuyos servicios utilizamos a diario y que ya han sido citadas en múltiples ocasiones.

Hay una brecha de tipo aspiracional entre estas compañías y las que sueñan con convertirse en algo parecido a ellas, pero de su industria. Entonces una de las preguntas que debemos plantearnos es: ¿Cómo podemos acelerar su entendimiento? Con los ejemplos de las empresas pioneras -y las más valientes, también- que se han atrevido a tratar de resolver problemas cotidianos a partir de los datos y de la inteligencia artificial. Las que se atrevieron a hacerlo, cuya necesidad de ser eficientes las lleva a probar cosas nuevas. A continuación citaremos casos de uso y- en la medida de lo posible- nombres de las empresas que públicamente han querido darse a conocer. En otros casos, por motivos de confidencialidad, solo citaremos los casos de uso.

¿Quieres transformar tu planta en una fábrica inteligente más eficiente, productiva y rentable? Pregunta por nuestro portafolio de casos de uso. Todas nuestras soluciones generan un payback en 12 meses y un ROI que crece de forma exponencial con el paso del tiempo.

 

Caso 1

Industria: Automotriz

Solución: Computer Vision para inspección de calidad

Computer Vision es una de las ramas de la inteligencia artificial que están teniendo mucho auge y es porque la gente y las empresas están encontrándole casos de uso bastante útiles. La industria automotriz le ha encontrado varios casos de uso, uno de los cuales es para inspección de calidad.

La empresa BMW lo ha incorporado como programa piloto en procesos de ensamble, algunos muy específicos para verificar ciertos procesos de sellado, y otros más que tienen que ver con el pegado de los logotipos de la marca y el modelo para que estén correctamente colocados y alineados. Se trata de demasiadas inspecciones que deben suceder rápidamente y que han generado problemas de calidad a la empresa.

“Ensamblamos un auto cada 30 horas y durante ese tiempo cada automóvil genera enormes cantidades de datos que podemos usar para gestionar nuestros procesos de fabricación inteligentemente”, dijo a medios Robert Engelhorn, Director de la planta de Munich.

Hay un proyecto piloto de CV en su planta de Regensburg, Alemania, para un proceso tan específico como es el sellado de un tornillo que va al interior de los faros. El equipo de ciencia de datos de la empresa entrenó el modelo con miles de imágenes que muestran cuando un sellado es correcto e incorrecto; luego instalaron cámaras en puntos específicos de la línea que toman fotos y videos de la línea y envían alertas cuando detectan anomalías en el proceso. Es un caso de uso para un proceso tan específico y al mismo tiempo tan crítico que, si lo hace mal, la firma podría incumplir algunas normas de seguridad en los autos que vende.

Pese a que son programas piloto, BMW ha tenido beneficios: 99% de precisión en las inspecciones, así como 100% de reducción en el tiempo para inspeccionar manualmente ambos casos de uso. Los modelos permiten detectar que el objeto sea el correcto y que esté posicionado exactamente en la parte del vehículo donde corresponde.

Un aspecto crucial para poner las cosas a tu favor es buscar, desde el principio y sin importar el tamaño del proyecto, un Retorno de Inversión fácil de cuantificar, rápido y aceptable, pues eso será la muestra fundamental de que la tecnología que estás probando tendrá un impacto mucho mayor una vez que se escale a otras líneas de producción u otras áreas. Suena simple, pero hacerlo correctamente requiere un buen esfuerzo de las áreas involucradas, a fin de determinar todos los recursos que están en juego en un proyecto de este tipo.

Lamentablemente no es el único aspecto que enfrentan las empresas, pues en el camino hay retos de todo tipo, desde infraestructura de Tecnologías de la Información, hasta carencia de recursos humanos especializados y capacitados para entender a fondo esta tecnología y adaptarla a la empresa. Para dimensionar este problema, de acuerdo con una encuesta de Ernst & Young a ejecutivos globales, 56% asegura que la falta de profesionales calificados es la barrera más grande para la implementación de esta tecnología en todas las operaciones de negocios.

Así que lo que podremos esperar de ella es un mayor desarrollo de proyectos piloto sobre los que iterarán las empresas hasta dar en el clavo, buscando ese caso de uso con el suficiente potencial para transformar toda la organización y que será el punto de quiebre para despejar cualquier duda que haya sobre la inteligencia artificial.

 

Caso 2

Industria: Logística

Solución: Computer Vision para gestión de inventarios

De nuevo Computer Vision. Esta vez desarrollamos 3 casos de uso para un cliente del sector de la construcción, pero enfocado en sus actividades más relacionadas con logística, por lo que puede generar similitudes con compañías de otros sectores industriales. Por motivos de confidencialidad no podemos revelar el nombre del cliente, pero sí los casos de uso que implementamos.

El primero fue el desarrollo de una aplicación móvil para teléfonos inteligentes para que cualquier operador usuario pudiera contar cuántas varillas o sacos hay en el almacén, únicamente tomando una foto desde su teléfono.

Otro fue el desarrollo de un modelo de inteligencia artificial embebido en una cámara fija que está midiendo el nivel de inventario para algunos productos en tiempo real, y envía en automático las órdenes de reabastecimiento cuando detecta que los niveles disminuyen.

El tercero fue, de nuevo, instalar un modelo de Computer Vision en cámaras instaladas afuera de los Centros de Distribución para medir los tiempo de espera que pasan los camiones afuera de estos lugares.

¿Qué beneficios obtiene la empresa? Desde luego, una reducción en el tiempo y errores en los conteos de inventario. Considera que su grado de precisión es muy alto y es mucho más preciso que el ojo humano, sobre todo cuando lo sometes a una labor extensiva y ardua. No es lo mismo hacer un conteo de 10 productos que contar miles, de forma prolongada. Con el paso del tiempo y el cansancio, la vista falla y la posibilidad de cometer errores es mayor. Por ello, esta solución es excelente como un complemento a la actividad y eleva el grado de exactitud.

Da clic y solicita tu demo sobre esta app y otros casos de uso de Computer  Vision que hemos desarrollado para resolver problemas operativos

Caso 3

Industrias: Agroindustria y alimentos

Solución: Gemelo digital para predicción de desviaciones de calidad

El costo de calidad representa hasta 20% de los ingresos de las empresas industriales. Así que te preguntarás si realmente es posible reducirlo. Antes era complicado porque no se tenían muchas herramientas, pero los datos digitales, de nuevo, están cambiando la historia.

La solución fue un gemelo digital, que es una representación virtual, en este caso, de un proceso industrial. Es muy útil porque permite simular ambientes productivos con un alto grado de exactitud. Por ejemplo, puedes saber si ‘X’ producto será resistente en ciertas condiciones o, en caso contrario, el modelo te hace saber cómo se comportará para que hagas los ajustes necesarios antes de llevarlo al mundo físico.

Esta solución es posible gracias a la tecnología conocida como Machine Learning, una subrama de la inteligencia artificial que le enseña a las máquinas a "aprender" de sus patrones. De este modo, el sistema detecta patrones y tendencias dentro de los datos históricos de una máquina, lo que la habilita para entender el pasado y desarrollar la capacidad de predecir cuando un evento de este tipo (un fallo de alguna pieza o una desviación de calidad) sucederá, de tal forma que es capaz de enviar alertas antes de que ocurra.

Este es un caso de éxito que implementamos para un cliente agroindustrial que tenía desviaciones en la humedad de la harina, uno de sus productos estrella para empresas forrajeras. Cuando la humedad se salía de X rango, la empresa recibía penalizaciones de sus clientes, por lo que tenía un costoso -en términos del costo energético- sistema para tratar de mantener el rango.

Históricamente, el personal operativo de la empresa controlaba las desviaciones de forma manual y correctiva. Ineficiente, pero de alguna manera habían ‘normalizado’ esta forma de operar.
Hace dos años comenzaron a guardar los datos de sus equipos y PLCs, con la idea de explotarlos en el futuro. Esto es básico porque crear un gemelo digital que simule el proceso de producción de la harina con la humedad ideal exige tener los datos correctos en los puntos críticos del proceso.
En este caso fue necesario hacer un análisis de todos los datos para determinar cuáles influían de forma más relevante en las desviaciones de la humedad, este proceso requirió una limpieza y análisis de datos profundo. Con la suficiente cantidad de datos representativos es posible construir un modelo de inteligencia artificial que simule miles de escenarios para llegar al resultado.

El modelo consiste en una selección de rangos de control de humedad, pues predice las variables más importantes para que la empresa alcance el porcentaje de humedad ideal. Le sugiere al operador la combinación ideal para llegar al resultado, quien toma la decisión final con base en esa información.

¿Cómo convive el operador con este modelo de IA? Sencillo, es tan simple como verlo en una pantalla donde se muestran las variables que debe ajustar, de forma muy simple y clara. El operador puede ver, por un lado, el porcentaje de la humedad con las variables en tiempo real; y, por otro, una predicción con una ventana de siete horas para ajustar dichas variables.
Los beneficios que la empresa ha encontrado en el modelo no solo se han reflejado en un mayor control de la humedad de la harina, sino que se han extendido en otros aspectos como un menor uso del vapor, reduciendo sus costos energéticos y mejorando las condiciones operativas. 

¿Quieres incursionar en Industria 4.0 con un caso de uso para ti? Da clic aquí

Caso 4

Industrias: Automotriz y alimentos

Solución: Mantenimiento predictivo

El mantenimiento predictivo es la joya de la corona de la inteligencia artificial industrial. ¿Por qué digo esto? Porque 1 de cada 4 casos de uso que combinan IoT con inteligencia artificial es para crear una solución de mantenimiento predictivo. Es decir, tienen 25% del valor de este segmento.

¿Y de dónde nace este amor? Pues de un problema muy habitual en cualquier fábrica: los paros no programados de las máquinas. En Norteamérica, por ejemplo, los fabricantes de equipo original (OEMs) pierden 1.3 millones de dólares por hora debido a este problema, según PTC, una empresa especializada en soluciones de IoT.

El mantenimiento predictivo goza de mucha fama porque aborda un problema muy común y cuyo impacto económico es relativamente claro: es muy fácil que una empresa sepa cuánto pierde por cada máquina que deja de producir. En este sentido es relativamente sencillo de definir el impacto económico que tendrá la solución, es decir, en cuánto tiempo se tiene un payback y un retorno de inversión más global.

Una solución de este tipo analiza a profundidad las fuentes de datos (sensores, PLCs), el tipo de datos críticos, las piezas, los equipos, el costo de los fallos por equipos, y la combinación de datos ideal para predecir los paros no programados.

Es un proceso complejo. De esto hemos hablado en otros podcasts y artículos, donde hemos profundizado en los factores que lo hacen complicado.

¿Vale la pena? Por supuesto. No solo por el payback a corto plazo y el ROI exponencial que logran las empresas en términos financieros, sino por la serie de capacidades digitales que aporta a largo plazo.

Aplica para cualquier fábrica, sin importar la industria a la que pertenezca o el grado de madurez digital que haya. Es útil porque puede hacerse en cualquier máquina, sin importar si esta genera datos digitales o no. También en otras entregas hemos hablado de las soluciones accesibles y prácticas que se pueden adoptar para digitalizar un equipo. Pero hemos visto que las empresas del sector automotriz y de alimentos y bebidas han puesto más atención en la demanda de estas soluciones. Muchos casos de uso se están desarrollando en máquinas CNC, ampliamente usadas en proveedores de maquinados, por ejemplo. Así que su curva de adopción es más rápida.

 

Caso 5

Industria: general

Solución: Computer Vision contra Covid-19

Para nadie es un secreto que el Covid-19 puso el mundo al revés y en la industria, quizá, el reto que supuso fue aun mayor. A diferencia de otras industrias, en el sector manufacturero hay una parte de la operación que debe seguir ejecutándose en el piso de producción, y esa labor requiere la presencia humana. Necesariamente. Al inicio de la pandemia, sin saber cómo lidiar con la situación y sin el apoyo de tecnologías para enfrentar la propagación del virus, muchas empresas debieron detener operaciones en espera de ver cómo se movía la pandemia, absorbiendo el enorme impacto económico que eso significó. Después entendieron que era mejor adaptarse a esperar una vacuna que, si bien sigue en fase de desarrollo, aún faltan algunos meses para comenzar a verla.

Aun así, en México 20% de las plantas industriales sufrieron problemas de ausentismo laboral como resultado del miedo que había entre los empleados a resultar contagiados. Eso ha hecho que las empresas busquen soluciones para habilitar ambientes seguros, más ahora que hay un rebrote del Covid-19 está aquí -si es que alguna vez se fue-. Es un hecho que ninguna empresa industrial está dispuesta a frenar nuevamente sus operaciones.

Y para ellas, nuevamente Computer Vision es una opción muy efectiva. Y hay dos casos de uso que las fábricas están interesadas en adoptar:

Por una parte es posible habilitar un modelo capaz de verificar que, en todo momento, portan cubrebocas, caretas, guantes y demás equipo de protección, y enviar alertas en aquellos que no los estén usando debidamente. Ya sabemos que, por ejemplo, el uso del cubrebocas es muy significativo para reducir los riesgos de contagio al interior de los lugares, y es muy común que la gente se lo quite porque le estorba. Entonces el sistema alerta a seguridad y recursos humanos cuando sucede una situación así. Por eso es efectivo.

El otro caso de uso es que, con esta tecnología, también es posible establecer perímetros de distanciamiento social para cada persona. La cámara está vigilando y rastreando que las personas respeten la sana distancia y alertar. En ese momento, si detecta que alguien viola el protocolo.

No solo esto, la solución también puede entrenarse para establecer un perímetro alrededor de cada persona y alertar cuando 2 o más personas violen el distanciamiento social.

Si te das cuenta, hasta ahora las principales medidas que recomiendan los expertos para disminuir el riesgo de contagio es mantener la sana distancia, portar cubrebocas y tener una excelente ventilación en el lugar. Bueno, para respetar las primeras dos, Computer Vision es ideal.

Estos cinco casos de uso con inteligencia artificial estarán ocupando los espacios de implementación en las empresas industriales, por lo que si estás buscando adaptar uno para ti, cualquiera significa una solución con alto potencial en tu empresa.

¿Es posible crear proyectos de Industria 4.0 que generen un Retorno de  Inversión superior a 100% en tu fábrica? Es completamente realizable. Tenemos  casos de uso y de éxito para demostrarlo y podemos crear uno para ti.  ¡Da clic para más información! 

Tags: Inteligencia Artificial, Blog, Podcast, Covid-19, Fábrica Inteligente, Logística, Automotriz, Agroindustria, Alimentos y bebidas

Hugo Domínguez

Written by Hugo Domínguez

Editor y estratega de contenidos B2B

Suscríbete

Categorías

Ver todas