Aprovechando datos e IA para transformar la manufactura: Superando desafíos de la industria

La manufactura puede lograr un progreso considerable a través de Big Data e IA, pero los desafíos complejos de la industria han frenado la adopción.

«En manufactura, estás bajo presión para mejorar continuamente la calidad mientras reduces costos y aumentas la productividad», dice el líder en software y soluciones de analítica SAS. Esto sigue siendo tan cierto como siempre en la era digital, y los avances tecnológicos han conspirado para abordar el desafío más efectivamente que nunca.

Incluso una mirada superficial deja claro que, de todas las industrias sacudidas por la transformación digital, pocas han sido transformadas más visible y dramáticamente en años recientes que la manufactura. Este viaje, desde las líneas de producción intensivas en mano de obra de Henry Ford hasta los entornos de fábricas modernos cada vez más libres de personas, ha sido acelerado fuertemente por la llegada del Big Data. Cosechar información de operaciones de manufactura, equipos y maquinaria, patrones de ventas y fluctuaciones de demanda permite a los líderes estrategizar para mayor eficiencia, producción y seguridad. La visión de Industria 4.0 de fábricas inteligentes que funcionan con mínima intervención humana mientras rinden mayor productividad, rentabilidad y confiabilidad es enormemente atractiva, pero realizar este objetivo trae desafíos igualmente grandes que deben superarse.

La ola de datos

Ya en 2018, la consultoría líder y proveedora de servicios de outsourcing Capgemini identificó a la manufactura como teniendo entre el potencial más considerable para mejora operacional a través de Big Data, llegando a decir que su adopción es vital para el éxito continuo del negocio. «Con la analítica de Big Data ya no siendo una opción de «bueno tener», las empresas deben identificar las oportunidades correctas para mejorar la eficiencia de la planta y generar insights», dijo Capgemini en una publicación de blog de noviembre de 2018. «La analítica de big data entonces proporcionaría la ventaja competitiva que las empresas necesitan para tener éxito en un entorno cada vez más complejo».

Con vastos volúmenes de datos – una masa que aumenta exponencialmente para operaciones que hacen uso de tecnología impulsada por Internet de las Cosas (IoT) y velocidades de transferencia de gigabits por segundo de 5G – viene una inmensa complejidad. No solo las organizaciones deben enfocarse en el valor de un amplio conjunto de datos, sino que deben convertir ese valor naciente en insights accionables antes de que sean superados por datos más nuevos y relevantes. A menudo, los datos en bruto deben casarse con la telemetría de otros sistemas para que su valor sea extraído, y este conocimiento a nivel humano es difícil de conseguir.

El caso para la IA

Alrededor del mundo, los científicos de datos entrenados están en alta demanda y corta oferta y, incluso con una flota de analistas de datos top, el verdadero valor de los datos de una organización está bloqueado detrás del tiempo extenso para 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 de habilidades de datos generalizada, puede ser respondida por otra tecnología emergente: inteligencia artificial (IA).

Sus cálculos algorítmicos y análisis adaptables a las necesidades de operaciones específicas rinden resultados que son tanto más precisos como rápidamente disponibles, permitiendo a las empresas convertir esos datos en acción informada que mejora eficiencia y productividad, escala operaciones a demanda en tiempo real y mejora seguridad, desarraigando los problemas planteados por un déficit de experiencia mientras construye valor. Incluso puede detectar problemas antes de que surjan a través de mantenimiento predictivo, algo que requeriría una fuerza laboral considerable y asignación de tiempo sin la promesa de precisión que la IA proporciona.

«El mantenimiento predictivo es un área donde IoT, Big Data y analítica están teniendo un impacto significativo», dice Debbie Heaton-Bowen, Socia en Oliver Wight EAME. «Aunque se originó en los 90, el advenimiento de tecnología avanzada ha significado que las capacidades de mantenimiento predictivo han sido recientemente «supercargadas», particularmente en el sector manufacturero con fábricas inteligentes convirtiéndose en realidad. El tiempo de inactividad no planificado y el mal mantenimiento pueden costar a las empresas millones, pero los sensores habilitados por IoT pueden detectar cuándo la maquinaria necesita una revisión, previniendo el desarrollo de una falla más seria que causaría disrupción costosa. No solo el mantenimiento predictivo identifica errores perdidos por el ojo humano, sino que también toma decisiones basadas únicamente en datos para mejorar la vida útil de la maquinaria, reducir costos de servicio y aumentar la eficiencia operativa para ganancias más saludables».

En otro lugar, la robótica es otra tendencia en la industria que muestra considerable promesa, y la IA es vital para su propuesta de valor cuando se despliega a través de procesos de manufactura. «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 del empleado», dice Prasad Satyavolu, CDO de Manufactura y Logística en el líder de servicios TI Cognizant. «Ya están siendo desplegados a través de organizaciones manufactureras, desde insertar amortiguadores o cortar carne en una línea de ensamblaje tradicional, hasta drones actuando como los ojos de oficiales de seguridad patrullando un vasto patio de contenedores. Al hacerlo, la nueva raza de co-workers autónomos está liberando a los humanos para asumir trabajo de mayor valor. Investigadores de MIT encontraron que equipos humano-robot trabajando para BMW fueron aproximadamente 85% más productivos que humanos o robots trabajando solos». La IA puede así simultáneamente cerrar brechas de habilidades y maximizar el tiempo disponible para trabajadores calificados para enfocarse en tareas donde pueden agregar más valor.

Los desafíos de la adopción de IA

A pesar de las claras oportunidades que presenta, la consultora de gestión McKinsey señala que la adopción de IA ha sido notablemente lenta en la industria manufacturera. «Si bien las tecnologías de IA han hecho mejoras tangibles en cadenas de suministro y funciones administrativas, hasta ahora han tenido presencia escasa en producción», dice McKinsey, notando que esta adopción lenta ha sido provocada en parte por una fuerte dependencia en experiencia y fuerzas laborales conocedoras, lo cual es algo irónico dada la capacidad de la IA para redirigir esta experiencia a procesos menos repetitivos. La dependencia en fuerzas laborales calificadas en sí misma es causa para acelerar la integración de IA en la industria.

«Dado que 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 conocimiento es aún más importante», dice McKinsey. «Además, ya que puede tomar decisiones complejas de set-point operacional por su cuenta, la IA es capaz de entregar salida predecible y consistente en mercados que tienen dificultad para atraer y retener talento operador».

Junto con esta dependencia en capital humano, muchas fábricas dependen de maquinaria heredada que precede incluso a internet, y las introducidas en las últimas dos décadas requieren alguna medida de modificación para hacerlas compatibles con la tecnología de cosecha de datos de hoy. Mientras tanto, las preguntas de obtener los conjuntos de datos más impactantes, cómo interpretarlos mejor e implementar los hallazgos varían no solo por empresa sino por departamentos y equipos también.

La firma de investigación NelsonHall nota que la adopción de MES (Sistemas de Ejecución de Manufactura) aumenta esta complejidad aún más. MES ha estado permitiendo a las empresas digitalizar sus operaciones y acceder a datos más fácilmente por años, pero la profunda personalización de cada MES de instalación significa que compatibilidad e integración con otras tecnologías, como el software de analítica que recopila y analiza datos de miríadas de fuentes, es un desafío considerable. «La dificultad que MES trae es que es difícil y costoso actualizar, dado el nivel de personalización», dice NelsonHall. «Además, MES gobierna la producción de una planta, así que son sistemas críticos y por lo tanto requieren desarrollo e implementación rigurosos, pruebas y despliegue. En otras palabras, son comparables a aplicaciones mainframe: mientras estén corriendo, nadie realmente quiere tocarlos demasiado profundamente». Eludir este problema a menudo se hace a través de la adición de sistemas complementarios, como los proporcionados por Dassault, Siemens, PTC y similares, agregando aún más complejidad donde muchos operadores buscan simplificar y adelgazar su infraestructura tecnológica para aumentar flexibilidad y agilidad.

Abordando el desafío hidra

Claramente, los desafíos de aprovechar exitosamente conjuntos de datos de manufactura son enormes: estrategia, telemetría, integración, experiencia e infraestructura heredada deben abordarse cada uno para facilitar un movimiento sin fisuras a Industria 4.0. La IA sola, tristemente, no puede resolver los dolores de cabeza de implementar exitosamente las tecnologías basadas en datos que impulsarán la manufactura a Industria 4.0. IoT industrial, robótica, gemelos digitales y mantenimiento predictivo han ganado tracción rápidamente como poderosas herramientas de modernización para manufactura, cada una posible por Big Data e IA, pero como sus antepasados cada una requiere consideración estratégica considerable para ser verdaderamente exitosa. El toque humano, y la alineación operacional, son clave.

«Una estrategia exitosa de transformación basada en datos necesita considerar una visión integral de varios factores incluyendo cultura organizacional, clientes, empleados y tecnología. Esto no puede lograrse a través de iniciativas aisladas, y en su lugar necesita enfoque concentrado, planificación a mediano y largo plazo, patrocinio e inversión directamente de líderes de negocio», dice Rohit Gupta, VP y Jefe de Manufactura, Logística, Energía y Servicios Públicos en Cognizant. «Los fabricantes necesitan evaluar su nivel actual de madurez digital, entender los desafíos de negocio y técnicos, y visualizar claramente una hoja de ruta para prosperar en este paradigma digital. Esto debe ser un enfoque iterativo, trabajando hacia el desarrollo de una base que pueda soportar crecimiento escalable y sostenible y construir 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 empresas y potencias manufactureras que buscan dar el salto al futuro inteligente. Después de todo, los ecosistemas tecnológicos de hoy están predispuestos en un enfoque mayor en outsourcing y el conocimiento de que la experiencia externa es a menudo superior en un espacio tecnológico que se vuelve más granular cada día. La manufactura es profundamente compleja y una talla nunca puede ajustarse a todos, pero aprovechar la experiencia de líderes en los espacios de datos e IA seguramente superará los desafíos planteados y desbloqueará el enorme potencial de la Industria 4.0.