Hacer frente al desafío de la fabricación con datos e IA

La fabricación está a punto de lograr un progreso considerable a través de Big Data y la IA, pero los complejos desafíos de la industria han ralentizado la adopción...

“En la fabricación, está bajo presión para mejorar continuamente la calidad mientras reduce los costos y aumenta la productividad”, dice SAS, líder en software y soluciones de análisis. Esto sigue siendo tan cierto como siempre en la era digital, y los avances tecnológicos han conspirado para enfrentar el desafío con más eficacia que nunca.

Incluso una mirada superficial deja en claro que, de todas las industrias que se verán sacudidas por la transformación digital, pocas se han transformado de manera más visible y dramática en los últimos años que la fabricación. Este viaje, desde las líneas de producción intensivas en mano de obra de Henry Ford hasta los entornos cada vez más libres de personas de las fábricas modernas, se ha acelerado considerablemente con la llegada de Big Data. La recopilación de información de las operaciones de fabricación, los equipos y la maquinaria, los patrones de ventas y las fluctuaciones de la demanda permite a los líderes diseñar estrategias para una mayor eficiencia, rendimiento y seguridad. La visión de la Industria 4.0 de fábricas inteligentes que funcionan con una intervención humana mínima y, al mismo tiempo, generan una mayor productividad, rentabilidad y confiabilidad es enormemente atractiva, pero alcanzar este objetivo conlleva desafíos igualmente importantes que deben superarse.

La ola de datos

En 2018, el proveedor líder de servicios de consultoría y subcontratación Capgemini identificó la fabricación como uno de los potenciales más considerables para la mejora operativa a través de Big Data, y llegó a decir que su adopción es vital para el éxito comercial continuo. “Dado que el análisis de Big Data ya no es una opción 'agradable de tener', las empresas deben identificar las oportunidades correctas para mejorar la eficiencia de la planta y generar conocimientos”, dijo Capgemini en una publicación de blog de noviembre de 2018. "El análisis de Big Data proporcionaría la ventaja competitiva que las empresas necesitan para tener éxito en un entorno cada vez más complejo".

Con grandes volúmenes de datos, una masa que aumenta exponencialmente para las operaciones que utilizan la tecnología impulsada por Internet de las cosas (IoT) y las velocidades de transferencia de gigabits por segundo de 5G, surge una inmensa complejidad. Las organizaciones no solo deben concentrarse en el valor de un amplio conjunto de datos, sino que deben convertir ese valor incipiente en información práctica antes de que sean reemplazados por datos más nuevos y relevantes. A menudo, los datos sin procesar deben casarse con la telemetría de otros sistemas para que se puedan extraer, y este conocimiento a nivel humano es difícil de obtener.

El caso de la IA

En todo el mundo, los científicos de datos capacitados tienen una gran demanda y escasez e, incluso con una flota de los mejores analistas de datos, el verdadero valor de los datos de una organización está bloqueado detrás del tiempo prolongado para realizar análisis complicados, la probabilidad de error humano y la necesidad de estrategias de implementación de datos profundamente consideradas. La necesidad de inmediatez y precisión, particularmente con la brecha generalizada de habilidades de datos, puede ser respondida por otra tecnología emergente:la inteligencia artificial (IA).

Sus cálculos y análisis algorítmicos que se adaptan a las necesidades de operaciones específicas arrojan resultados que son más precisos y están disponibles rápidamente, lo que permite a las empresas convertir esos datos en acciones informadas que mejoran la eficiencia y la productividad, adaptan las operaciones a la demanda en tiempo real y mejoran la seguridad, eliminando los problemas planteados por la escasez de experiencia mientras se crea valor. Incluso puede detectar problemas antes de que surjan a través del mantenimiento predictivo, algo que requeriría una mano de obra y una asignación de tiempo considerables sin la promesa de precisión que brinda la IA.

“El mantenimiento predictivo es un área en la que IoT, Big Data y análisis están teniendo un impacto significativo”, dice Debbie Heaton-Bowen, socia de Oliver Wight EAME. “Aunque se originó en la década de 1990, el advenimiento de la tecnología avanzada ha significado que las capacidades de mantenimiento predictivo se hayan ‘sobrealimentado’ recientemente, particularmente en el sector manufacturero con fábricas inteligentes que se están convirtiendo en una realidad. El tiempo de inactividad no planificado y el mantenimiento deficiente pueden costar millones a las empresas, pero los sensores habilitados para IoT pueden detectar cuándo la maquinaria necesita una revisión, evitando el desarrollo de una falla más grave que podría causar una interrupción costosa. El mantenimiento predictivo no solo identifica los errores que el ojo humano no detecta, sino que también toma decisiones basadas únicamente en datos para mejorar la vida útil de la maquinaria, reducir los costos de servicio y aumentar la eficiencia operativa para obtener ganancias más saludables”.

En otros lugares, la robótica es otra tendencia en la industria que muestra una promesa considerable, y la IA es vital para su propuesta de valor cuando se implementa en los procesos de fabricación. “Cuando se integran correctamente, estas unidades robóticas pueden amplificar las habilidades y fortalezas de las personas para aumentar la eficiencia en el lugar de trabajo y mejorar la experiencia de los empleados”, dice Prasad Satyavolu, CDO de Fabricación y Logística en el líder de servicios de TI Cognizant. “Ya se están implementando en organizaciones de fabricación, desde insertar amortiguadores o cortar carne en una línea de ensamblaje tradicional, hasta drones que actúan como los ojos de los oficiales de seguridad que patrullan un gran patio de contenedores. Al hacerlo, la nueva generación de compañeros de trabajo autónomos está liberando a los humanos para que asuman un trabajo de mayor valor. Los investigadores del MIT descubrieron que los equipos de humanos y robots que trabajaban para BMW eran aproximadamente un 85 % más productivos que los humanos o los robots que trabajaban solos. Por lo tanto, la IA puede cerrar las brechas de habilidades y maximizar el tiempo disponible para que los trabajadores calificados se concentren en tareas en las que pueden agregar más valor.

Los desafíos de la adopción de la IA

A pesar de las claras oportunidades que presenta, la consultora de gestión McKinsey señala que la adopción de la IA ha sido notablemente lenta en la industria manufacturera. “Si bien las tecnologías de IA han logrado mejoras tangibles en las cadenas de suministro y las funciones administrativas, hasta ahora han tenido una presencia escasa en la producción”, dice McKinsey, y señala que esta lenta adopción se debe en parte a una gran dependencia de la experiencia y la fuerza de trabajo bien informada, que es algo irónico dada la capacidad de AI para redirigir esta experiencia a procesos menos repetitivos. La dependencia de mano de obra calificada en sí misma es motivo para acelerar la integración de la IA en la industria.

“Dado que las variaciones en las calificaciones de los operadores pueden afectar no solo el rendimiento sino también las ganancias, la capacidad de la IA para preservar, mejorar y estandarizar el conocimiento es aún más importante”, dice McKinsey. “Además, dado que puede tomar decisiones complejas sobre puntos de ajuste operativos por sí misma, la IA puede brindar de manera confiable resultados predecibles y consistentes en mercados que tienen dificultades para atraer y retener el talento de los operadores”.

Junto con esta dependencia del capital humano, muchas fábricas dependen de maquinaria heredada que es anterior incluso a Internet, y las que se introdujeron en las últimas dos décadas requieren cierta modificación para que sean compatibles con la tecnología de recopilación de datos actual. Mientras tanto, las cuestiones de obtener los conjuntos de datos más impactantes, cómo interpretarlos mejor e implementar los hallazgos varían no solo según la empresa sino también según los departamentos y equipos.

La firma de investigación NelsonHall señala que la adopción de MES (Manufacturing Execution Systems) aumenta aún más esta complejidad. MES ha permitido a las empresas digitalizar sus operaciones y acceder a los datos más fácilmente durante años, pero la profunda personalización del propio MES de cada instalación significa compatibilidad e integración con otras tecnologías, como el software de análisis que recopila y analiza datos de innumerables fuentes, es un desafío considerable. “La dificultad que trae MES es que es difícil y costoso actualizar, dado el nivel de personalización”, dice NelsonHall. “Además, MES rige la producción de una planta, por lo que son sistemas críticos y, por lo tanto, requieren un desarrollo e implementación rigurosos, pruebas y puesta en marcha. En otras palabras, son comparables a las aplicaciones de mainframe:mientras se ejecutan, nadie quiere tocarlas demasiado”. Eludir este problema a menudo se logra mediante la adición de sistemas complementarios, como los proporcionados por Dassault, Siemens, PTC y similares, agregando aún más complejidad donde muchos operadores buscan optimizar y reducir su infraestructura tecnológica para aumentar la flexibilidad y la agilidad. .

Hacer frente al desafío hidra

Claramente, los desafíos de aprovechar con éxito los conjuntos de datos de fabricación son enormes:la estrategia, la telemetría, la integración, la experiencia y la infraestructura heredada deben abordarse para facilitar un cambio sin problemas a la Industria 4.0. Lamentablemente, la IA por sí sola no puede resolver los dolores de cabeza de implementar con éxito las tecnologías basadas en datos que impulsarán la fabricación hacia la Industria 4.0. El IoT industrial, la robótica, los gemelos digitales y el mantenimiento predictivo han cobrado fuerza rápidamente como poderosas herramientas de modernización para la fabricación, cada una de ellas posible gracias a Big Data e IA, pero al igual que con sus antepasados, cada una requiere una consideración estratégica considerable para ser verdaderamente exitosa. El toque humano y la alineación operativa son clave.

“Una estrategia exitosa de transformación basada en datos debe considerar una visión integral de varios factores, incluida la cultura organizacional, los clientes, los empleados y la tecnología. Esto no se puede lograr a través de iniciativas aisladas y, en cambio, necesita un enfoque concentrado, planificación a mediano y largo plazo, patrocinio e inversión directamente de los líderes empresariales”, dice Rohit Gupta, vicepresidente y director de fabricación, logística, energía y servicios públicos de Cognizant. “Los fabricantes deben evaluar su nivel actual de madurez digital, comprender los desafíos comerciales y técnicos, y visualizar claramente una hoja de ruta para prosperar en este paradigma digital. Este debe ser un enfoque iterativo, trabajando para desarrollar una base que pueda respaldar un crecimiento escalable y sostenible y desarrollar capacidades de datos dentro de la organización con hitos claros”.

La ayuda externa es un gran acelerador, y SAS, McKinsey y Capgemini, por nombrar algunos, han hecho mucho para cerrar las brechas tecnológicas y estratégicas de las empresas y las potencias de fabricación que buscan dar el salto hacia el futuro inteligente. Después de todo, los ecosistemas tecnológicos actuales se basan en un mayor enfoque en la subcontratación y en el conocimiento de que la experiencia externa suele ser superior en un espacio tecnológico que se vuelve más granular cada día. La fabricación es profundamente compleja y un tamaño nunca puede servir para todos, pero aprovechar la experiencia de los líderes en los espacios de datos e IA seguramente superará los desafíos planteados y desbloqueará el enorme potencial de la Industria 4.0.