Cómo una Gestión de Datos Robusta Impulsa Machine Learning e IA en IoT Industrial

En el panorama manufacturero actual, machine learning e inteligencia artificial (IA) ya no son palabras de moda —son los motores que impulsan la próxima ola de excelencia operacional.

En Cisco, invertimos fuertemente en estas tecnologías, aliándonos con líderes de la industria como SAS, quienes produjeron recientemente un video perspicaz que separa claramente los conceptos: IA es la ciencia de máquinas emulando inteligencia humana, mientras machine learning es el método por el cual esas máquinas aprenden de datos.

¿Por qué son críticas estas capacidades? La manufactura está firmemente en la era de Industria 4.0, o Manufactura Inteligente, donde tres pilares fundamentales —hiperconciencia, toma de decisiones informada y ejecución rápida— impulsan el éxito. Machine learning e IA extienden naturalmente estos pilares al convertir vastos flujos de datos en insights accionables.

1. Hiperconciencia: Capturar insights en tiempo real y tendencias emergentes, viendo cómo productos y servicios se desempeñan en el campo.
2. Toma de Decisiones Informada: Analizar el flujo de datos para que insights lleguen a los stakeholders correctos en el momento adecuado.
3. Ejecución Rápida: Convertir decisiones en acción —como mantenimiento predictivo cuando una máquina muestra signos tempranos de fatiga.

IDC pronostica que el mercado de IA crecerá a una tasa compuesta anual del 54,4 % hasta 2020, superando 46.000 millones $ en ingresos. La clave para realizar este crecimiento reside en los datos —el combustible para tanto machine learning como IA.

Considere una fábrica que genera aproximadamente 1.000 TB de datos diarios, con más de 10.000 sensores capturando más de 12.000 variables de equipos legacy y modernos. Gestionar este diluvio requiere decisiones deliberadas sobre conectividad, almacenamiento y timing de analítica. La estrategia de datos correcta no solo mejora mantenimiento sino que también optimiza cadenas de suministro, acelera I+D y acelera introducciones de nuevos productos.

La gestión efectiva de datos para IA y machine learning en manufactura depende de cinco áreas críticas:

• Frecuencia: Extraer datos solo cuando aporten valor de negocio para evitar sobrecarga de información y costos innecesarios.
• Priorización: Asegurar que datos críticos lleguen al destino apropiado, preservando integridad de red.
• Procesamiento: Emplear soluciones híbridas edge-y-cloud para permitir análisis en tiempo real donde centros de datos core o la nube sola fallan.
• Orquestación: Mapear cómo plataformas IA reciben y consumen datos, manteniendo control y visibilidad consistentes.
• Seguridad: Proteger integridad de producción mientras se aprovecha IA para detectar anomalías y reforzar ciberseguridad.

Para ayudar a fabricantes a construir una base sólida, desarrollamos la guía Gestión de Datos en Manufactura Digital, ofreciendo mejores prácticas, insights de arquitectura de cargas de trabajo y casos de estudio para informar su hoja de ruta tecnológica.

1. Fuente: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, October 2017