Por qué los fabricantes deben adoptar la IA y el Big Data para obtener ventaja competitiva

Manufacturing Global entrevista a líderes ejecutivos de EY, Infor y GE Digital para analizar esta cuestión.

Aunque el impulso para transformar digitalmente la industria manufacturera ha sido tema de conversación durante la última década, eventos recientes han aumentado la necesidad de la agilidad, escalabilidad y resiliencia que pueden proporcionar las capacidades de la Industria 4.0 y la manufactura inteligente. Al conversar con Cobus Van Heerden, Gerente Senior de Producto Digital en GE Digital; Mark Powell, Socio de EY (Consultoría UKI); y Phil Lewis, Vicepresidente de Consultoría de Soluciones EMEA en Infor, Manufacturing Global examina cómo las tecnologías que aprovechan la IA y el Big Data pueden ayudar a los fabricantes a obtener visibilidad operativa en tiempo real para lograr una mayor confiabilidad y rendimiento de los procesos.

¿Cuáles son las aplicaciones actuales de la inteligencia artificial (IA) y el 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 desafíos clave de negocio industrial. La IA tradicional imita la inteligencia humana, mientras que la IA industrial se basa en ella para desbloquear insights y determinar conocimiento causal en entornos industriales de alto riesgo, dinámicos y variables. En manufactura, la IA industrial puede usarse para detectar y predecir problemas clave de procesos y activos, ayudando a las empresas a optimizar sus operaciones, incluyendo capacidad, calidad y estructuras de costos.

PL: Las definiciones académicas de IA o Big Data pasan por alto el punto de que las industrias difieren y tendrán demandas drásticamente diferentes para la tecnología. Se trata de la aplicación de una tecnología dada a un problema específico que una empresa pueda estar experimentando. Este problema puede ser uno "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 es cómo buscamos aplicar estas tecnologías para impulsar el máximo valor.

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

CVH: La manufactura inteligente despliega analíticas avanzadas industriales para predecir el rendimiento futuro de activos y procesos usando datos en tiempo real e históricos, optimizando en un bucle cerrado. Esto implica el uso de IA y aprendizaje automático para permitir que los ingenieros de proceso combinen datos a través de fuentes industriales e identifiquen rápidamente problemas, descubran causas raíz en la planta, predigan el rendimiento futuro de activos y automaticen acciones que los empleados pueden tomar para mejorar calidad, productividad y operaciones.

MP: La digitalización obliga a los fabricantes a reimaginar sus cadenas de suministro. Como ejemplo, la mayoría de las empresas usan datos internos para rastrear equilibrios de oferta-demanda y les resulta desafiante prever eventos externos que impacten sus cadenas de suministro. Usando técnicas de IA que comprenden conjuntos de datos externos no estructurados, como redes sociales y otros datos sobre eventos, los fabricantes pueden planificar interrupciones en la cadena de suministro mucho antes.

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

PL: Algunas estadísticas emblemáticas de 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 cambia las reglas del juego para cualquier negocio. Esto significa que muchos fabricantes ahora buscan cómo integrar IA y Big Data en sus planes futuros.

¿Cuál es la mejor estrategia para los fabricantes que buscan realizar el valor de la IA y el Big Data en sus operaciones?

CVH: Los ingenieros de proceso tienen una experiencia de dominio excepcional para armar modelos de proceso —o Gemelos Digitales de Proceso— y poder interpretarlos. Esta es la base para mejorar la ventaja competitiva y el éxito con analíticas. Para impulsar analíticas y mejorar procesos, los fabricantes deben armar una estrategia que alinee la experiencia de dominio con cinco capacidades: Análisis — identificación automática de causa raíz acelera la mejora continua; Monitoreo — alertas tempranas reducen tiempo de inactividad y desperdicio; Predicción — acciones proactivas mejoran calidad, estabilidad y confiabilidad; Simulación — simulaciones "qué pasaría si" aceleran decisiones precisas a menor costo; y Optimización — puntos de ajuste óptimos de proceso mejoran el rendimiento hasta en un 10% con calidad aceptable.

Todos los ingenieros de proceso pueden y necesitan desarrollar capacidades en analíticas y aprendizaje automático para seguir siendo competitivos. Con el tiempo, los ingenieros pueden pasar de pequeños proyectos a pilotos y a optimización multi-planta con aplicación profunda de analíticas. Su profunda experiencia de dominio proporciona base para modelar procesos y desarrollar analíticas que cambian el juego en aplicaciones muy específicas.

Lo más importante: comience con analíticas. Haga "trystorming" en algunos proyectos; ponga a prueba sus ideas intuitivas y respáldelas con datos y analíticas. No espere a convertirse en experto en ciencia de datos. Eso no es necesario. Aproveche herramientas probadas y fáciles de usar de analíticas industriales alimentadas con su experiencia de dominio. Eso impulsará grandes mejoras rápidamente.

PL: Las empresas —incluidos fabricantes— tienden a evaluar proyectos digitales enfocándose en cliente, cadena de suministro, eficiencia interna o personas; esos son los cuatro impulsores principales de cualquier incursión en lo digital. A menudo son orgánicos y surgen de una actitud continua de "¿cómo podemos hacerlo mejor?". Esto se ha acelerado por preocupaciones de competencia, ya que las empresas ahora temen quedarse atrás frente a competidores y nuevos entrantes disruptivos. Hay un miedo palpable a ser digitalmente relevantes y esto promueve mucha inversión.

Sin embargo, cabe notar que muchos fabricantes ya han invertido fuertemente en tecnología (incluso antes de que COVID forzara el movimiento a la digitalización), así que el primer punto de definición es alinear IA y Big Data con tecnología existente. Cuando las empresas evalúan su tecnología actual, deben tener en cuenta no solo una perspectiva de corto plazo de si la tecnología manejará procesos actuales, sino también si proporciona una plataforma para el futuro. Esta última perspectiva se basa en datos. Ambos elementos son igualmente importantes, pero la segunda "perspectiva de plataforma" exige Big Data. Ya no basta elegir una plataforma que solo soporte/ajuste procesos en curso —deben haber capacidades futuras integradas.

Luego está la necesidad de asegurar que esta tecnología se despliegue de la mejor manera posible. Esto requiere un paisaje de aplicaciones abierto, basado en la nube, para que una empresa pueda aprovechar nuevas oportunidades como Big Data o IA sin pasar por un proceso engorroso de integración y adición. Esto hace a una organización 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 al adoptar analíticas de IA y Big Data en operaciones manufactureras?

CVH: Los fabricantes enfrentan el desafío de reducir desperdicio, costos y riesgo mientras satisfacen la demanda del cliente. La combinación de IA y datos proporciona aceleración de la digitalización a través de soluciones basadas en analíticas que empoderan a los trabajadores con datos en contexto para que personas, activos y procesos trabajen juntos eficientemente.

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

MP: El desafío clave en la adopción de IA se reduce a la capacidad de los fabricantes para establecer alineación en la organización en áreas de alto valor donde la IA tendrá impacto. Por ejemplo, usar aprendizaje automático y visión por computadora para predecir e identificar fallas en equipos antes de que ocurran, reduciendo tiempo de inactividad de producción y 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 "dirigidas por datos" y esto generalmente no ha funcionado tan bien como se esperaba. Los fabricantes necesitan un enfoque diferente que comience entendiendo dónde se puede impulsar valor desde nuevos insights y luego enfocarse en los datos necesarios para impulsar los insights que luego impulsen valor de negocio. Las organizaciones necesitan volverse "dirigidas por insights y habilitadas por datos" y no simplemente "dirigidas por datos" —solo entonces aprovecharán realmente el poder de la IA y el Big Data.

PL: Todo se trata de cómo han cambiado las actitudes hacia los datos. Antes se veía como un mal necesario, pero ahora es el activo número uno en un negocio. Típicamente esto impulsa una obsesión con etiquetas de Big Data, pero lo que importa es qué haces con los datos —usando IA/BI/IoT etc. para convertir esos datos en un activo verdaderamente valioso. La industria automotriz es el ejemplo principal —usando y vendiendo los datos producidos por un auto. 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 algo básico. Ya no es si una empresa irá a la nube, sino más bien qué tipo de nube/uso de nube. Hemos ido mucho más allá de la conversación de infraestructura —el cómo— y entrado en el qué —y en el por qué una empresa busca abrazar lo digital.

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

CVH: La combinación de IA industrial y datos produce lo que llamamos un Gemelo Digital de Proceso, que ayuda a los fabricantes a solucionar rápidamente el rendimiento de procesos de manufactura continua, discreta o por lotes, extrayendo insights de datos de sensores y producción disponibles. Esta tecnología, que utiliza analíticas predictivas, permite a los usuarios analizar escenarios operativos, calificando el impacto que cambios operativos tendrán en métricas clave de rendimiento e identificando causas de variación de rendimiento. Los Gemelos Digitales inspiran mejora continua, una meta clave del futuro de la industria al mirar datos históricos y en tiempo real para avanzar rápidamente.

PL: Vemos aumentos diarios en usos de IA/ML —optimización de inventario, mantenimiento, procesos financieros más rápidos son áreas clave que vemos surgir muchas veces. Para que esto continúe y el retorno de inversión siga, la IA debe estar integrada y lista para funcionar con otros sistemas, en lugar de ser un complemento, o las empresas enfrentan un proyecto de integración costoso y pesado. En términos de la próxima tecnología específica, realmente depende de la madurez de la empresa o proyecto individual —las empresas apenas están llegando al punto de un tejido digital en lugar de un montón de proyectos digitales. El trabajo prescriptivo, impulsado por IA y alimentado por masas de datos de sensores, tiene una enorme promesa para mercados B2B/industriales y vemos brotes muy alentadores en mantenimiento de activos y servicio de campo.