Cuatro formas en que las empresas están utilizando el aprendizaje automático para reinventar los procesos industriales

La revolución industrial dio lugar a innumerables inventos y nuevos productos como en ninguna otra época de la historia de la humanidad. Mientras veneramos el telar, la máquina de vapor, la electricidad o la producción en masa, de la que fue pionero el modelo T de Ford, a menudo pasamos por alto los inspirados mecanismos y procesos que hicieron posibles los increíbles productos. Pensemos en la humilde innovación que se encuentra en prácticas de fabricación omnipresentes como el mantenimiento de los equipos, la garantía de calidad y la optimización de la cadena de suministro. Estas invenciones son tan críticas para los procesos industriales y de fabricación hoy en día como lo eran hace más de un siglo, pero llevarlas a cabo con éxito a la escala y complejidad requeridas en el mercado global actual es todo un reto. Gracias a la convergencia de los datos y el aprendizaje automático, estas prácticas perdurables de la fabricación industrial están ahora preparadas para ser reinventadas.

Cada día, las empresas están generando enormes cantidades de datos, almacenando esta información en la nube, y utilizando esos activos para repensar prácticamente todos sus procesos. Para obtener más información de sus datos y, en última instancia, tomar decisiones más rápidas e informadas, las empresas de los sectores de fabricación, energía, minería, el transporte y la agricultura están aprovechando los nuevos tipos de tecnología para mejorar las cargas de trabajo industriales, como la ingeniería y el diseño, la producción y la optimización de activos, la gestión de la cadena de suministro, la previsión, la gestión de la calidad, los productos y las máquinas inteligentes, etc.

Desde la eficiencia operativa hasta el control de calidad y más allá, aquí hay cuatro formas clave en que las empresas están utilizando el aprendizaje automático para repensar los procesos industriales:

Un reto común, pero importante, al que se enfrentan hoy en día muchas empresas industriales y de fabricación es el mantenimiento continuo de sus equipos. Históricamente, la mayor parte del mantenimiento de los equipos ha sido reactivo (después de que una máquina se rompa) o preventivo (realizado a intervalos regulares para ayudar a evitar que las máquinas se rompan), siendo ambas prácticas costosas e ineficientes. La mejor solución es el mantenimiento predictivo, el cual da a las empresas la capacidad de prever cuándo los equipos necesitarán mantenimiento. Sin embargo, la mayoría de las empresas carecen del personal y los conocimientos necesarios para crear su propia solución.

Afortunadamente, para empresas como GE Power -un proveedor líder de equipos, soluciones y servicios de generación de energía- el mantenimiento predictivo está por fin al alcance de la mano. Ahora existen sistemas integrales que utilizan sensores y aprendizaje automático para detectar y alertar a las empresas de fluctuaciones anormales en la vibración o la temperatura de la maquinaria, sin necesidad de tener experiencia en aprendizaje automático o en la nube. Este tipo de tecnología ayudó a GE Power a reequipar rápidamente los activos con sensores y conectarlos a los análisis en tiempo real en la nube, pasando de prácticas de mantenimiento basadas en el tiempo a prácticas predictivas y prescriptivas. Y a medida que se amplía, GE Power puede utilizar estos sistemas para actualizar y mantener a distancia su flota de sensores, sin tener que tocarlos físicamente.

Tan importante como asegurarse de que los equipos funcionan correctamente es garantizar la calidad de los productos que producen. La inspección visual de los procesos industriales suele requerir un examen humano, que puede ser tedioso e inconsistente. Para mejorar el control de calidad, las empresas industriales recurren a la visión por ordenador para obtener una mayor velocidad y precisión en la identificación de los defectos de forma sistemática. Una vez más, complejas barreras habían impedido a las empresas construir, desplegar y gestionar sus propios sistemas de anomalías visuales impulsados por el aprendizaje automático. Ahora, las empresas pueden utilizar soluciones de detección de anomalías de alta precisión y bajo costo que son capaces de procesar miles de imágenes por hora para detectar defectos y anomalías, y luego informar de las imágenes que difieren de la línea de base para que se puedan tomar las medidas adecuadas.

Por ejemplo, Dafgards, un fabricante de alimentos para el hogar de Suecia, utiliza la visión por ordenador en la producción de su marca Billy’s Pan Pizza, una pizza apta para microondas que se hornea y envasa a una velocidad de 2 pizzas por segundo. Aunque anteriormente habían instalado un sistema de visión artificial para detectar la cobertura adecuada del queso en sus pizzas, no lograba detectar los defectos en las pizzas con múltiples ingredientes. Al utilizar un nuevo servicio de aprendizaje automático que aprovecha la visión por ordenador, pudieron ampliar su capacidad de inspección de forma fácil y rentable. La empresa tuvo tanto éxito que Dafgards amplió el uso de la visión por ordenador a múltiples variedades de pizzas, así como a otras líneas de productos, como hamburguesas y quiches, por ejemplo.

Muchas empresas industriales y de fabricación también están buscando aplicar la visión por ordenador para ayudar en sus esfuerzos por optimizar la eficiencia y mejorar las operaciones. En la actualidad, las empresas revisan manualmente las fuentes de vídeo de sus instalaciones industriales para autentificar el acceso a las mismas, inspeccionar los envíos y detectar derrames u otras condiciones peligrosas. Pero hacer esto en tiempo real no sólo es una tarea difícil, sino también propensa a errores y costosa. Y aunque las empresas pueden tratar de actualizar las cámaras de protocolo de Internet (IP) existentes por cámaras inteligentes que tengan suficiente capacidad de procesamiento para ejecutar modelos de visión por ordenador, esto puede ser caro e incluso con cámaras inteligentes conseguir un rendimiento de baja latencia con buena precisión puede ser un reto. En su lugar, las empresas industriales pueden utilizar dispositivos de hardware que les permitan añadir visión por ordenador a las cámaras existentes en sus instalaciones, o incluso utilizar kits de desarrollo de software para construir nuevas cámaras que puedan ejecutar modelos de visión por ordenador significativos.

La empresa energética mundial BP quiere implantar la visión por ordenador en sus 18.000 estaciones de servicio de todo el mundo. Están trabajando para aprovechar la visión por ordenador para automatizar la entrada y salida de los camiones de combustible a sus instalaciones, y para verificar que se ha cumplido el pedido correcto. Además, la visión por ordenador puede ayudar a alertar a los trabajadores si hay riesgo de colisión, identificar un objeto extraño en una zona de exclusión dinámica y detectar cualquier fuga de aceite.

Las modernas cadenas de suministro de hoy en día son complejas redes globales de fabricantes, proveedores, logística y minoristas que requieren métodos sofisticados para detectar y adaptarse a la demanda de los clientes, a las fluctuaciones en la disponibilidad de las materias primas y a factores externos como vacaciones, eventos e incluso el clima. Las repercusiones de no pronosticar correctamente estas variables pueden ser costosas, lo que se traduce en un exceso o en una falta de aprovisionamiento y conduce a una inversión desperdiciada o a una mala experiencia del cliente. Para ayudar a prever el futuro, las empresas están utilizando el aprendizaje automático para analizar los datos de las series temporales y proporcionar previsiones precisas que les ayuden a reducir los gastos operativos y las ineficiencias, garantizar una mayor disponibilidad de recursos y productos, entregar los productos más rápidamente y reducir los costes.

El aprendizaje automático ayudó a Foxconn, el mayor fabricante de productos electrónicos y proveedor de soluciones tecnológicas del mundo con sede en Taipei (Taiwán), cuando tuvo que hacer frente a una demanda sin precedentes de los suministros y la capacidad como consecuencia de la pandemia de Covid-19. La empresa desarrolló un modelo de previsión de la demanda para su fábrica en México con el fin de generar previsiones precisas de pedidos netos. Utilizando el modelo de aprendizaje automático, pudieron aumentar la precisión de las previsiones en un 8%, lo que supone un ahorro previsto de 553.000 dólares anuales por instalación, al tiempo que se minimiza el desperdicio de mano de obra y se maximiza la satisfacción del cliente.

Para estar a la altura del potencial que el aprendizaje automático puede ofrecer a los entornos industriales, a los productos manufacturados y a las operaciones logísticas y de la cadena de suministro, las empresas recurren cada vez más al aprendizaje automático para que los procesos sean más fáciles, rápidos y precisos. Mediante el uso de una combinación de análisis de datos en tiempo real en la nube y el aprendizaje automático, las empresas industriales están convirtiendo constantemente sus aspiraciones en realidades y estimulando la próxima revolución industrial.