Mes: agosto 2021

INTRO

Aunque las tecnologías de Inteligencia Artificial (IA) comenzaron a desarrollarse hace varias décadas, en la actualidad coexisten varias definiciones que incluyen conceptos como Big Data, ciencia de datos, machine learning o IoT.

La IA se define como un conjunto de herramientas y metodologías que permiten a las máquinas simular procesos y desarrollar tareas que requieren aplicar la inteligencia humana como la toma de decisiones, el reconocimiento de objetos o la comprensión del habla.

El sector industrial lleva años inmerso en su transformación digital en lo que se ha denominado la cuarta revolución industrial o Industria 4.0. No cabe duda de que este sector tiene un alto potencial para liderar la aplicación de las tecnologías de IA en la monitorización y optimización de sus procesos, proporcionando un escenario adecuado para probar sus beneficios, desde los procesos de diseño y fabricación hasta la gestión de la cadena de valor. Así, grandes empresas como GE, Siemens, Intel, Funac, Kuka, Bosch, ABB, NVIDIA y Microsoft están invirtiendo fuertemente en el desarrollo de nuevos sistemas para mejorar su producción.

En esta coyuntura, ha surgido recientemente el concepto de Inteligencia Artificial Industrial (IAI), que puede definirse como la aplicación de la IA a las operaciones, procesos y sistemas físicos de una empresa, de forma que se pueda monitorizar, optimizar o controlar el comportamiento de estas operaciones, procesos y sistemas para mejorar su eficiencia y rendimiento, dotándolos de mayor autonomía. Así, este concepto incluye aplicaciones relacionadas con la fabricación de productos físicos, líneas de producción y almacenes, u operaciones relacionadas con diferentes procesos.

Se trata de un sistema extremo a extremo, en el que los sensores generan datos, que son enviados, gestionados y analizados mediante diferentes algoritmos y modelos que generan decisiones en tiempo real y cuyos resultados son devueltos para su aplicación real en los actuadores.

CASOS DE USO

Existen diferentes casos de uso relacionados con tres categorías de aplicaciones en función del grado de automatización: supervisión, optimización y control.

Monitorización

Los procesos industriales necesitan supervisar el rendimiento de sus sistemas y productos para identificar o predecir fallos y otras situaciones que conducen a resultados insatisfactorios. Algunos ejemplos que se beneficiarán de las tecnologías IAI son los siguientes:

• Control de calidad
  A las empresas les resulta difícil mantener un alto nivel de calidad y cumplir con las normas y reglamentos debido al corto plazo actual de comercialización de nuevos productos y servicios y a su creciente complejidad. Por otro lado, los consumidores esperan productos sin defectos, por lo que las empresas deben evitar el daño que las reclamaciones y los productos defectuosos pueden hacer a la marca.  
  
  En este contexto, los algoritmos de IA permiten una nueva forma de control de calidad. Por un lado, los algoritmos basados en tecnologías de reconocimiento de imágenes advierten a los equipos de producción en tiempo real sobre los fallos en los sistemas de producción que pueden reducir la calidad del producto (por ejemplo, desviación de la receta, cambios en las materias primas). Por otro lado, la aplicación de estos algoritmos permite predecir las tareas de mantenimiento y planificación que minimizan los riesgos asociados. Por último, la integración de dichos algoritmos con plataformas IoT permite la recogida de datos sobre el uso y comportamiento de los productos durante su vida útil, información que puede ser muy valiosa a la hora de tomar decisiones estratégicas y de diseño.

• Mantenimiento predictivo
  El mantenimiento continuo de la maquinaria de producción representa un gasto importante en los procesos de fabricación, por lo que es importante implementar soluciones basadas en algoritmos de IA que permitan predecir futuros fallos en una pieza, máquina o sistema con el fin de reducir drásticamente los tiempos de inactividad no planificados y aumentar la vida útil de los sistemas de producción.
  

Optimización

Los sistemas de planificación y toma de decisiones basados en la IAI permiten a los usuarios diseñar planes para optimizar un conjunto de parámetros empresariales.

• Planificación de los procesos
  Muchos escenarios industriales incluyen complejas secuencias de trabajo cuyo orden de ejecución puede afectar significativamente a factores como el coste, el tiempo, la calidad, las cargas de trabajo, los suministros o los residuos. La aplicación de algoritmos de optimización basados en la IA permite definir tales secuencias de forma dinámica en tiempo real.
  
• Diseño generativo
  La IA está cambiando la forma de diseñar productos y servicios. El diseño generativo utiliza algoritmos de IA para diseñar nuevos productos a partir de su descripción, incluyendo parámetros como el tipo de material, los medios de producción, el presupuesto o el tiempo de comercialización. Estos algoritmos analizan diferentes configuraciones antes de proponer las mejores soluciones.
  
• Nuevas estrategias de adaptación al mercado
  La aplicación de la IA no se limita a la planta de producción; sus algoritmos permiten optimizar las cadenas de suministro o ayudar a las empresas a anticiparse a los cambios del mercado. Todo ello supone una gran ventaja para la gestión empresarial, pasando de un enfoque reactivo a uno estratégico. Así, se pueden formular estimaciones de la demanda del mercado buscando patrones que relacionen la ubicación, los factores socioeconómicos y macroeconómicos, las pautas meteorológicas, la situación política o el comportamiento de los consumidores para que las empresas puedan optimizar sus recursos o controlar el inventario.
  

Control

Por último, los sistemas de control están en el centro de las operaciones de los procesos industriales y son esenciales para aprovechar todas las ventajas de la automatización. Algunos ejemplos de aplicaciones que se benefician de la IA son los siguientes:

• Robótica
  Tradicionalmente, los robots industriales se han programado explícitamente para moverse entre una serie de puntos 2D o 3D y realizar acciones específicas en esos puntos. Los nuevos enfoques, como los robots colaborativos o los co-robots, simplifican la programación al permitir la captura de estos puntos basándose en la posición física del robot. Sin embargo, en ambos casos, el robot no detecta los cambios en el entorno o en la posición de las piezas que manipula. Por lo tanto, la visión por ordenador permite a los robots no interferir con las personas u otros robots, e interactuar de forma independiente.
• AGV
  Los robots móviles autónomos (AGV) se utilizan en almacenes y empresas para transportar y recoger materiales gracias al uso de algoritmos de IA basados en imágenes que les permiten entender, mapear y navegar por estos entornos de forma más eficiente.
  

RETOS DE LA INTELIGENCIA ARTIFICIAL INDUSTRIAL

La IA industrial presenta una serie de retos que la diferencian de otras aplicaciones de IA orientadas al consumidor.

• Adquisición y almacenamiento de datos
  Los sistemas de IAI se basan en datos captados por sensores que buscan representar digitalmente el mundo real. La implantación de plataformas IoT y de sistemas ciberfísicos (CPS) ha permitido obtener grandes volúmenes de datos en los procesos industriales cuya adquisición, gestión y almacenamiento ha dado lugar a diferentes arquitecturas y sistemas de almacenamiento.
  Sin embargo, no hay que olvidar que a menudo se capturan grandes volúmenes de datos con mucho ruido, lo que dificulta la adquisición y el almacenamiento de los datos para su posterior análisis. Por ello, se utilizan técnicas avanzadas de simulación que incluyen gemelos digitales para generar datos de entrenamiento en diferentes condiciones.

• Hibridación de datos
  Un reto de la IAI es la generación de formatos comunes para datos heterogéneos procedentes de diversas fuentes (imágenes, vídeos, planos dwg, …). Para ello, será necesario desarrollar modelos semiautomáticos que ayuden a estructurar (por ejemplo, extracción de información de un plano, extracción de etiquetas de una imagen), homogeneizar (por ejemplo, técnicas de interpolación espacial/temporal para pasar de los datos de una unidad a otra) y/o armonizar los datos (por ejemplo, técnicas de correspondencia de productos/vinculación de registros para asociar datos de diferentes fuentes).

• Entrenamiento
  La correcta aplicación de los algoritmos de IA está asociada a la disponibilidad de datos de entrenamiento anotados. La captura de estos datos puede ser compleja en entornos industriales, ya que a menudo es difícil detectar y reproducir algunos de los fallos o la falta de calidad de los productos y servicios.

• Entornos regulados
  Los entornos industriales deben cumplir ciertas normas y reglamentos que afectan a sus operaciones, como la seguridad de los productos, la salud pública, el impacto medioambiental o la seguridad laboral. En algunos casos, los controles normativos pueden dificultar la implantación de las tecnologías de IA.

Tal y como se recoge en la Estrategia Europea de Datos1 publicada por la Comisión Europea en febrero de 2020, Europa debe convertirse en un modelo de sociedad empoderada por los datos para una mejor toma de decisiones en el sector público y en la empresa privada. Para ello, la Unión Europea promoverá un marco jurídico en materia de protección de datos, derechos fundamentales, seguridad y ciberseguridad. El objetivo es generar un ecosistema de confianza gracias a un marco normativo para la IA2.

SITUACIÓN EN ESPAÑA

Según un estudio de EY para Microsoft, la mayoría de las empresas encuestadas en España (65%) tienen planes, proyectos piloto o pruebas de concepto en torno a la IA. Sin embargo, sólo el 20% tiene soluciones en funcionamiento, 12 puntos por debajo de la media europea.

La «Estrategia de Inteligencia Artificial en I+D+i en España» incluye un apartado orientado a la aplicación de la IA en la Industria Conectada. Tal y como recoge el documento, la industria española representa el 13% del valor añadido del país y emplea al 11% de la población ocupada, por lo que el impacto social y económico de las tecnologías de IA es fundamental.