¿Por qué los fabricantes deberían adoptar IA y Big Data?

Manufacturing Global habla con los líderes ejecutivos de EY, Infor y GE Digital para llegar al fondo de esta pregunta

Si bien el impulso para transformar digitalmente la industria manufacturera ha sido un tema de conversación durante la última década, los eventos recientes solo han aumentado la necesidad de la agilidad, escalabilidad y resiliencia que la Industria 4.0, las capacidades de fabricación inteligente pueden proporcionar. Hablando con Cobus Van Heerden, gerente sénior de productos digitales en GE Digital, Mark Powell, socio de EY (UKI Consulting) y Phil Lewis, vicepresidente de consultoría de soluciones para EMEA en Infor Manufacturing Global analiza cómo las tecnologías que aprovechan la IA y Big Data pueden ayudar a los fabricantes a desbloquear la visibilidad operativa en tiempo real para lograr una mayor confiabilidad y rendimiento del proceso.

¿Cuáles son las aplicaciones actuales de la inteligencia artificial (IA) y Big Data en la industria manufacturera?

CVH: La IA industrial utiliza una combinación de tecnologías de IA específicas, datos, física y conocimiento profundo del dominio para resolver los desafíos comerciales industriales clave. La IA tradicional imita la inteligencia humana, mientras que la IA industrial se basa en ella para desbloquear conocimientos y determinar el conocimiento causal en entornos industriales variables, dinámicos y de alto riesgo. En la fabricación, la IA industrial se puede utilizar para detectar y predecir problemas clave de procesos y activos para ayudar a las empresas a optimizar sus operaciones, incluida la capacidad, la calidad y las estructuras de costos.

PL: Las definiciones de libros de texto de IA o Big Data pasan por alto que las industrias difieren y tendrán demandas drásticamente diferentes para la tecnología. Se trata de la aplicación de una tecnología determinada a un problema específico que puede estar experimentando una empresa. Este problema puede ser un "estándar de la industria" o algo que surja en la configuración de la tecnología. Pero el mayor valor está en la aplicación de herramientas como Big Data e IA al 10% crítico de un negocio que es verdaderamente idiosincrásico. Clasificamos esto como una división 60/30/10 y así es como buscamos aplicar estas tecnologías para generar el máximo valor.

Para los fabricantes que buscan adoptar las capacidades de fabricación inteligente de la Industria 4.0, ¿por qué los fabricantes deberían usar IA y Big Data para hacerlo?

CVH: La fabricación inteligente implementa análisis industriales avanzados para predecir el rendimiento futuro de activos y procesos utilizando datos históricos y en tiempo real y optimizando en un ciclo cerrado. Esto implica el uso de inteligencia artificial y aprendizaje automático para permitir que los ingenieros de procesos combinen datos entre fuentes de datos industriales e identifiquen problemas rápidamente, descubran las causas fundamentales de los problemas en la planta, predigan el rendimiento futuro de los activos y automaticen las acciones que los empleados pueden tomar para mejorar la calidad. , productividad y operaciones.

MP: La digitalización está obligando a los fabricantes a reinventar sus cadenas de suministro. Por ejemplo, la mayoría de las empresas utilizan datos internos para realizar un seguimiento de los saldos de la oferta y la demanda y les resulta difícil prever eventos externos que afecten a sus cadenas de suministro. Al utilizar técnicas de inteligencia artificial que comprenden conjuntos de datos externos no estructurados, como redes sociales y otros datos sobre eventos, los fabricantes pueden planificar las interrupciones de la cadena de suministro mucho antes.

Además, los fabricantes pueden usar IA y Big Data para crear réplicas digitales de sus operaciones de fabricación y aprovechar las posibilidades transformadoras de reducir el tiempo de ciclo en la producción, agregar capacidad de fabricación y predecir actividades de mantenimiento no planificadas, etc.

PL: Algunas de las estadísticas de niños del cartel para IA y Big Data simplemente exigen atención. Recientemente, Siemens automatizó una de sus fábricas en Alemania, con el 75% de los procesos digitalizados o con mayor automatización. La productividad mejoró en un 1.400%. Eso es un cambio de juego para cualquier negocio. Esto significa que muchos fabricantes ahora están analizando cómo incorporar IA y Big Data en sus planes para el futuro.

¿Cuál es la mejor estrategia para los fabricantes que se esfuerzan por aprovechar el valor de la IA y Big Data en sus operaciones?

CVH: Los ingenieros de procesos tienen una experiencia de dominio excepcional para armar modelos de procesos, o Process Digital Twins, y ser capaces de interpretar los modelos. Esta es la base para mejorar la ventaja competitiva y el éxito con la analítica. Para impulsar el análisis y mejorar los procesos, los fabricantes deben elaborar una estrategia que pueda alinear la experiencia del dominio con cinco capacidades:Análisis:la identificación automática de la causa raíz acelera la mejora continua; Monitoreo:las alertas tempranas reducen el tiempo de inactividad y el desperdicio; Predicción:las acciones proactivas mejoran la calidad, la estabilidad y la confiabilidad; Simulación:las simulaciones hipotéticas aceleran las decisiones precisas a un costo menor; y optimización:los puntos de ajuste óptimos del proceso mejoran el rendimiento con una calidad aceptable hasta en un 10 por ciento.

Todos los ingenieros de procesos pueden y necesitan desarrollar capacidades en análisis y aprendizaje automático para seguir siendo competitivos. Con el tiempo, los ingenieros pueden pasar de pequeños proyectos a pilotos a la optimización de varias plantas con una aplicación profunda de análisis. Su profunda experiencia en el dominio proporciona una base para el modelado de procesos y el desarrollo de análisis que cambian las reglas del juego en aplicaciones muy específicas.

Lo más importante es comenzar con el análisis. “Trystorm” algunos proyectos; ponga a prueba sus ideas intuitivas y respalde datos y análisis. No espere para convertirse en un experto en ciencia de datos. Eso no es necesario. Aproveche las herramientas de análisis industrial probadas y fáciles de usar alimentadas con su experiencia en el campo. Eso generará grandes mejoras rápidamente.

PL: Las empresas, incluidos los fabricantes, tienden a evaluar los proyectos digitales centrándose en el cliente, la cadena de suministro, la eficiencia interna o las personas:esos son los cuatro principales impulsores de cualquier incursión en lo digital. Estos son a menudo orgánicos y surgen de una actitud constante de "¿cómo podemos hacerlo mejor?". Esto se ha visto acelerado por las preocupaciones de la competencia, ya que las empresas ahora temen quedarse atrás de la competencia y de los participantes disruptivos. Existe un miedo palpable en torno a ser relevante digitalmente y esto está promoviendo una gran inversión.

Sin embargo, vale la pena señalar que muchos fabricantes ya han invertido mucho en tecnología (incluso antes de que COVID obligara a pasar a la digitalización), por lo que el primer punto de definición es alinear la IA y Big Data con la tecnología existente. Cuando las empresas evalúan su tecnología en uso hoy en día, deben tener en cuenta no solo una perspectiva a corto plazo de si la tecnología manejará los procesos actuales, sino también ¿proporciona una plataforma para el futuro? Esta última perspectiva se basa en datos. Ambos elementos son igualmente importantes, pero la segunda "perspectiva de la plataforma" exige grandes datos. Ya no es suficiente elegir una plataforma que solo admita/modifique los procesos en curso:tiene que haber capacidades futuras integradas.

Por lo tanto, existe la necesidad de garantizar que esta tecnología se implemente de la mejor manera posible. Esto requiere un panorama de aplicaciones abierto y basado en la nube para que una empresa pueda aprovechar nuevas oportunidades, como Big Data o AI, sin tener que pasar por un engorroso proceso de integración y complemento. Esto hace que una organización sea más ágil, enfocándose en la aplicación creativa de la tecnología a las necesidades del negocio, como identificar nuevas oportunidades de ingresos.

¿Cuáles son los desafíos cuando se trata de adoptar análisis de IA y Big Data en las operaciones de fabricación?

CVH: Los fabricantes se enfrentan al desafío de reducir los residuos, los costes y los riesgos al mismo tiempo que satisfacen la demanda de los clientes. La combinación de IA y datos proporciona aceleración de la digitalización a través de soluciones basadas en análisis que capacitan a los trabajadores con datos en contexto para que las personas, los activos y los procesos trabajen juntos de manera eficiente.

Otro desafío para las empresas es apenas comenzar. Quieren aprender más sobre cómo usar el análisis en sus operaciones, pero no lo ven como un trabajo para su fuerza laboral actual. Afortunadamente, las soluciones de IA industrial pueden ayudar y no requieren que los ingenieros de procesos sean científicos de datos.

MP: El desafío clave en la adopción de la IA se reducirá a la capacidad de los fabricantes para establecer una alineación en toda la organización en algunas de las áreas de alto valor donde la IA tendrá un impacto. Por ejemplo, usar el aprendizaje automático y la visión por computadora para predecir e identificar fallas en los equipos antes de que ocurran, lo que reduce el tiempo de inactividad de la producción y disminuye los costos de mantenimiento. Otro desafío es establecer una cultura de infundir IA en sus procesos a través de una cultura de prueba y aprendizaje.

Durante demasiado tiempo, las organizaciones han hablado de volverse "basadas en datos" y, en general, esto no ha funcionado tan bien como se esperaba. Los fabricantes deben adoptar un enfoque diferente que comience con la comprensión de dónde se puede generar valor a partir de nuevos conocimientos y luego centrarse en los datos necesarios para impulsar los conocimientos que luego pueden generar valor comercial. Las organizaciones deben volverse "basadas en información y habilitadas para datos" y no simplemente "basadas en datos"; solo entonces realmente aprovecharán el poder de la IA y los macrodatos.

PL: Se trata de cómo han cambiado las actitudes hacia los datos. Anteriormente se consideraba un mal necesario, pero ahora es el activo número uno en un negocio. Por lo general, esto genera una obsesión con las etiquetas de big data, pero lo que importa es lo que haces con los datos:usar los gustos de AI / BI / IoT, etc. para convertir esos datos en un activo verdaderamente valioso. La industria automotriz es el mejor ejemplo:usar y vender los datos producidos por un automóvil. Curiosamente, ahora casi damos por sentado la "nube":si hubiéramos respondido esta pregunta hace 24 meses, la nube habría sido la primera consideración, pero ahora es lo que está en juego. Ya no se trata de si una empresa se irá a la nube, sino más bien de qué tipo de nube/nube usar. – Hemos ido mucho más allá de la conversación sobre la infraestructura (el cómo y el qué) y el por qué una empresa busca adoptar lo digital.

¿La inteligencia artificial (IA) y el Big Data están impulsando la cuarta revolución industrial (Industria 4.0)?

CVH:  La combinación de IA industrial y datos produce lo que llamamos un Process Digital Twin que ayuda a los fabricantes a solucionar rápidamente problemas de rendimiento de procesos de fabricación continuos, discretos o por lotes mediante la extracción de información de sensores disponibles y datos de producción. Esta tecnología, que utiliza análisis predictivos, permite a los usuarios analizar escenarios operativos, calificar el impacto que tendrán los cambios operativos en las métricas de rendimiento clave e identificar las causas de la variación del rendimiento. Los gemelos digitales inspiran la mejora continua, un objetivo clave del futuro de la industria al mirar hacia atrás en los datos históricos y en tiempo real para avanzar rápidamente.

PL:  Vemos aumentos diarios en los usos de AI/ML:la optimización del inventario, el mantenimiento y los procesos financieros más rápidos son áreas clave que vemos surgir muchas veces. Para que esto continúe y el retorno de la inversión continúe, la IA debe estar integrada y lista para funcionar con otros sistemas, en lugar de un complemento, o las empresas enfrentan un proyecto de integración pesado y costoso. En términos de la próxima tecnología específica, realmente depende de la madurez de la empresa o proyecto individual:las empresas solo están alcanzando el punto de una estructura digital en lugar de un montón de proyectos digitales. El trabajo prescriptivo, impulsado por IA y alimentado por una gran cantidad de datos de sensores, es muy prometedor para los mercados industriales/B2B y vemos algunos brotes tempranos muy alentadores en el mantenimiento de activos y el servicio de campo.