Superando los cuellos de botella:el poder del análisis en la fabricación

Ruban Phukan, cofundador y jefe de productos y análisis Oficial de Progress DataRPM, analiza la antigua batalla con los cuellos de botella y el papel de la prevención...

Ruban Phukan, cofundador y director de análisis y productos de Progress DataRPM, analiza la antigua batalla con los cuellos de botella y el papel del análisis predictivo en la fabricación.

Los problemas relacionados con los cuellos de botella en la fabricación están bien documentados. Desde retrasos en la producción, exceso de existencias, aumento de la presión de los clientes y más, los problemas causados ​​por una limitación repentina e imprevista de la capacidad pueden ser devastadores para cualquier negocio en la industria. Con esto en mente, Manufacturing Global habla con el excientífico de datos de Yahoo y líder de Progress DataRPM, Ruban Phukan, sobre el uso de modelos de mantenimiento predictivo y cómo pueden ayudar a establecer un entorno a prueba de fallas.

Llegar al corazón del problema

Como antiguo miembro del equipo de análisis de datos de Yahoo, Phukan está bien versado en las complicaciones que rodean el uso de big data. “Fui parte del primer equipo de ciencia de datos que se creó en Yahoo hace muchos años”, dice. “El gran aprendizaje que hubo fue que la ciencia de datos es muy difícil de escalar, manualmente, para las grandes organizaciones. Nos dimos cuenta de que la única forma de resolver realmente el problema de la ciencia de datos, de una manera que pueda agregar valor a una empresa, es automatizar los procesos que se encuentran detrás de ese análisis de datos”.

Después de Yahoo, Phukan comenzó su propio negocio de motor de búsqueda vertical, utilizando el aprendizaje automático para comprender el comportamiento de los usuarios, específicamente en el análisis predictivo. Después de venderlo, comenzó a trabajar con sus cofundadores actuales, que es donde retoma la historia de ProgressDataRPM y cómo avanza, entre muchas otras cosas, para abordar los cuellos de botella.

“Cuando nos reunimos por primera vez, nos dimos cuenta de que se estaba generando una gran cantidad de datos digitales, pero el problema seguía siendo el mismo:no se puede resolver manualmente. Simplemente no hay suficientes científicos de datos. Incluso con la enorme cantidad de datos que hay, el tipo de valor que las empresas obtienen de ellos no justifica el ROI”, afirma.

"Entonces, comenzamos a decir '¿podemos crear una plataforma que haga que los procesos de ciencia de datos sean fluidos y automatizados?' Queríamos que las empresas pudieran aprovechar las mejores prácticas, aplicarlas a sus problemas y resolverlos a escala".

Avances en aprendizaje automático

Con el avance en la capacidad tecnológica del aprendizaje automático, Phukan y sus cofundadores pudieron abordar el gran volumen de datos e información disponible para sus clientes de una manera que antes no era posible. Crucialmente, para las empresas de fabricación, esto significaba que también podrían iniciar un impacto positivo en cosas como la línea de producción.

“Por ejemplo, con la habilitación de cosas como los sensores, nos ayuda a comprender a un nivel muy detallado el funcionamiento normal de una máquina en diferentes condiciones operativas y ambientales. Entonces podemos evaluar cómo afecta esto a la salud de una máquina y, en consecuencia, qué le hace a la línea de producción, en términos de eficiencia”, nos dice.

Al implementar una granja de plantas automatizada que no requiere que alguien sea un experto en ciencia de datos, ProgressDataRPM esencialmente ayuda a las grandes industrias basadas en activos a resolver dos problemas:cómo minimizar el tiempo de inactividad no planificado y cómo maximizar la calidad y la eficiencia de la producción de sus activos. Todo esto se hace a través de su software de predicción de anomalías cognitivas. En el momento en que se conecta a los datos basados ​​en sensores, establece automáticamente las condiciones normales de funcionamiento de la máquina. Luego busca cosas que se desvían de estas condiciones y crea una alerta antes de predecir los problemas potenciales que podrían ocurrir.

Es esta capacidad de predecir lo desconocido lo que Phukan cree que representa una desviación importante de los procesos tradicionales anteriores. “Necesitamos poder examinar por qué sucedieron cosas en el pasado pero, lo que es más importante, también debemos predecir cosas que no sucedieron”, explica.

Impacto en la línea de montaje

Una de las áreas clave que las empresas de fabricación deben examinar son los procesos que afectan lo que sucede en la línea de producción, específicamente el momento del control de calidad. “Hemos trabajado con varios fabricantes en las industrias automotriz y de atención médica, por ejemplo, y uno de los mayores desafíos que enfrentan es que el control de calidad se realiza al final del proceso de fabricación. Entonces, una vez que se fabrica un lote completo de un producto, se realizarán las pruebas para determinar si está bien. Esto puede conducir a tasas de desecho de hasta el 75 %”, dice Phukan.

Como la mayoría de las reglas del conjunto de pruebas solo se pueden escribir en función de la experiencia previa, cuando surge un nuevo problema que no se ha tenido en cuenta, esto puede generar problemas graves, como la retirada de productos. Por lo tanto, según Phukan, el uso de plataformas de análisis predictivo se convertirá en la norma. De hecho, esto es algo que ya identifica cada vez más en la fabricación.

“Cuando los fabricantes nos hablan, nos preguntan si pueden usar el aprendizaje automático para determinar, en el camino, si un lote es defectuoso. Saben que podemos detectar cosas mucho antes, por lo que pueden detener el proceso para minimizar los costos y las pérdidas”.

¿Tiene algún ejemplo específico de esto en acción? “Trabajamos con un gran proveedor de telecomunicaciones en Francia y tuvieron un verdadero desafío con su decodificador, que no es algo que suponga que requiere un mantenimiento predictivo pesado. El problema que tenían era que cada vez que uno fallaba tenían que ir e identificar el problema y reemplazarlo. Obviamente, esto es costoso en términos de tiempo y dinero. También existe un gran riesgo de perder clientes”, dice.

"Identificamos de manera proactiva que un tercio de sus cajas tenían un problema, lo que significaba que el servicio de atención al cliente podía llamar y decirles a las personas que actualizaran su caja o enviaran un reemplazo antes de que ocurriera una falla".

El futuro del análisis de cuellos de botella

Los fabricantes claramente están cada vez más en sintonía con los beneficios de la primera tecnología cognitiva de la máquina, que les permite identificar anomalías y potencialmente contratar a un experto en la materia para ayudar a determinar las ramificaciones de los hallazgos de la máquina.

De hecho, Phukan analiza cómo AR, IoT, garantías, computación en la nube híbrida y blockchain también jugarán cada vez más su papel, sin embargo, es detectar lo desconocido que él siente que será clave. “La clave no es lo que ya se sabe; los expertos en dominios pueden hacer un gran trabajo manejando eso, pero el gran desafío es lo desconocido y lo que va a afectar a las empresas a continuación. Eso es lo que debemos prevenir y ese es el quid de lo que cambiará el juego de fabricación”, concluye Phukan.