Acelerando la automatización industrial con LLM

La IA es un campo amplio que abarca el aprendizaje simbólico, el aprendizaje automático, el aprendizaje profundo y otros enfoques técnicos para crear sistemas inteligentes que respondan a entradas externas. Los grandes modelos de lenguaje (LLM) son una categoría de IA que utiliza el aprendizaje profundo, un subconjunto del aprendizaje automático y han experimentado un rápido crecimiento en los últimos cinco años. Un LLM es una IA entrenada con grandes volúmenes de datos para aprender a reconocer patrones. Ante una instrucción, el LLM puede escribir, continuar u optimizar código basándose en los patrones aprendidos. Los LLM como ChatGPT se especializan en tareas de lenguaje natural y se han vuelto más valiosos y prácticos en aplicaciones comerciales y de consumo.

Los productos populares de LLM comerciales pueden manejar algo de codificación, pero los LLM especializados, diseñados para enfocarse estrictamente en la codificación de automatización industrial, pueden agilizar la puesta en marcha y las actualizaciones de la automatización, reduciendo costos y el tiempo de inactividad. Con la rápida evolución del desarrollo de software impulsado por LLM, Kristen Quasey, gerente de arquitectura y ventas de portafolio en Siemens, ve un futuro donde esta tecnología se convierte en una parte integral de la función diaria de un ingeniero dentro del espacio de la automatización. "En Siemens, estamos aprovechando grandes modelos de lenguaje y tecnologías de IA generativa para mejorar los procesos de ingeniería, incluyendo la generación de código PLC y el desarrollo de visualización HMI". Siemens logra esto mediante la integración de su Copiloto Industrial, mejorando la eficiencia y la productividad del flujo de trabajo. Otras empresas de automatización, como ABB, Schneider Electric y Rockwell Automation, también han incorporado copilotos de IA en sus operaciones para proporcionar datos en tiempo real, resolver problemas y brindar un soporte de automatización integral.

Las interfaces de indicaciones en lenguaje natural permiten a los ingenieros interactuar con los sistemas escribiendo indicaciones en lenguaje conversacional para generar o modificar scripts de automatización. Los LLM pueden ayudar a escribir scripts de PLC, fragmentos de movimiento de robots, bancos de pruebas o código de enlace (llamadas API, consultas SQL). Automatizar la codificación repetitiva acelera la creación de prototipos y elimina el trabajo repetitivo, pero el código generado debe revisarse y probarse en simulación o hardware-in-the-loop (HIL) antes de su implementación.

Eliminando los desafíos del desarrollo de la automatización tradicional

Históricamente, la automatización industrial, a menudo desarrollada por consultores de alto costo, se implementaba directamente en hardware físico. Esto generaba varios problemas bien conocidos por los especialistas en automatización. Errores lógicos, problemas de trayectoria de movimiento, riesgos de colisión, problemas de sincronización o problemas con los sensores que solo se detectaban una vez que el hardware estaba completamente desarrollado, implementado y activado.

Las pruebas y la implementación deben realizarse en serie, lo que significa que se necesitan el PLC, los robots, los circuitos de seguridad y las herramientas para su puesta en marcha. Cualquier componente faltante impedía verificar la lógica con precisión, lo que ralentizaba el desarrollo hasta que se finalizaban las tareas mecánicas y eléctricas. Además de los importantes riesgos para la seguridad y el equipo, este proceso suele requerir un tiempo de inactividad prolongado para identificar la causa raíz, depurar los problemas y reanudar las pruebas. Los problemas también suelen descubrirse en serie, con nuevos errores detectados después de la solución del problema anterior, lo que prolonga el período de puesta en marcha y afecta el retorno de la inversión (ROI). Los cambios codificados manualmente en la automatización también deben probarse para cada problema, lo que incrementa aún más los costos. El ciclo de desarrollo extendido en serie se repite para cada actualización o cambio significativo en el proceso.

La simulación de diseño moderna, combinada con código LLM para automatización, reescribe esta narrativa. Ésta permite probar el código de automatización junto con el proceso de diseño de la máquina antes de iniciar la puesta en marcha. Al emplear la codificación automatizada basada en LLM, la creación rápida de prototipos de escenarios de automatización puede acelerar el diseño y adaptarse a los cambios que surgen durante el proceso. La paralelización del diseño y las pruebas evitan costosas repeticiones de trabajo cuando la colocación de sensores, los tiempos de ciclo, la planificación de rutas o la sincronización de la cinta transportadora en equipos nuevos resultan inviables. Estos escenarios defectuosos conllevarían repeticiones de trabajo costosas y prolongadas, y prolongarían significativamente el tiempo de puesta en marcha en las implementaciones de automatización tradicionales.

La automatización LLM acelera la codificación para el diseño y las actualizaciones de procesos, aprovechando la simulación para garantizar que el código esté listo para la producción. Los LLM no reemplazan a los ingenieros de automatización; reconfiguran los flujos de trabajo para que sean rápidos, iterativos y paralelos. Escribir lógica de PLC estándar, crear plantillas de movimiento, generar diccionarios de etiquetas, crear interfaces HMI y documentación añade costos y tiempos considerables a la codificación de automatización tradicional. Estas tareas rudimentarias y repetitivas son ideales para que las manejen los LLM, lo que permite a los ingenieros de automatización centrarse en el código específico del proceso y en tareas de alta precisión.

“La codificación basada en LLM transforma el desarrollo de la codificación manual a un enfoque basado en indicaciones, lo que reduce el trabajo repetitivo y acelera los ciclos de desarrollo”, añade Kristen. “En lenguaje natural, los usuarios pueden solicitar al copiloto que les ayude a completar las tareas de ingeniería. Esto permite a los ingenieros de automatización trabajar más rápido y minimizar los errores. Además, la incorporación de nuevos ingenieros se vuelve más eficiente, ya que el copiloto actúa como un asistente digital siempre disponible, que proporciona orientación y apoyo durante todo el proceso de ingeniería”.

Los LLM también pueden sugerir estructuras y código de movimiento que pueden ser perfeccionados por ingenieros experimentados, agilizando las fases de planificación mientras los ingenieros amplían y personalizan esas sugerencias. La limitada experiencia en automatización en planta a menudo requiere la contratación de consultores o integradores externos para implementar cambios de proceso en implementaciones heredadas. Los LLM para automatización, que permiten la personalización mediante indicaciones en lenguaje natural y pruebas basadas en simulaciones de procesos establecidas, permiten a los fabricantes agilizar los procesos y satisfacer la demanda cambiante.

Desafíos de LLM: comprender los riesgos

El desarrollo de código LLM tiene un gran potencial para agregar valor, pero también presenta riesgos que deben mitigarse. Los LLM pueden producir código que parece correcto y cumple con las condiciones esperadas, aunque sea lógicamente incorrecto. Esto puede ser tan simple como secuencias sutilmente rotas o tan peligroso como movimientos o colisiones inseguras del robot.

Se ha identificado que los LLM causan alucinaciones con detalles faltantes, inventan direcciones inexistentes o etiquetas que violan nombres. Sin un ajuste preciso específico para la aplicación o parámetros de solicitud cuidadosamente diseñados, los LLM pueden ser propensos a errores. Por ejemplo, un LLM puede escribir código que establece aceleraciones superiores a las que permite un servo, o codificar movimientos que exceden el alcance de un robot. Los LLM pueden confundir el orden de secuenciación o sugerir una lógica de sensor que no funciona físicamente.

La verificación y depuración robustas del código son necesarias para cualquier segmento de código generado por un LLM, incluso antes de que se aplique a las pruebas de simulación. Los errores de LLM también pueden agravarse. Si el resultado inicial del LLM no se valida ni se prueba, las iteraciones posteriores pueden agravar el problema, creando una cascada de problemas. Los LLM son herramientas potentes que pueden acelerar enormemente las operaciones, pero, como cualquier herramienta potente, requieren procedimientos operativos estrictos y flujos de trabajo prescritos para garantizar que se utilicen de forma segura y eficaz para mejorar el equipo de ingeniería en lugar de obstaculizarlo.

Kristen describió la adopción por parte de los usuarios como otro obstáculo para la integración. “Es fundamental que los usuarios reconozcan que estas herramientas están diseñadas para apoyar la toma de decisiones y acelerar los flujos de trabajo, no para reemplazar el criterio humano. Si bien los LLM proporcionan información valiosa y puntos de partida para la ingeniería, los resultados deben verificarse para garantizar que cumplan con los estándares del usuario. Para generar confianza entre los usuarios y las soluciones LLM, se deben establecer límites claros dentro del LLM, fomentar la revisión de las respuestas y ofrecer capacitación”.

Alentó a los responsables de la toma de decisiones que buscan integrar herramientas de software LLM en sus procesos a que se animen y lo prueben. “Comience en un entorno controlado donde algunos de sus ingenieros clave puedan probar las soluciones, verificar las respuestas proporcionadas y generar confianza en las herramientas. A medida que la tecnología de IA continúa avanzando, es esencial comenzar a familiarizarse con sus capacidades en lugar de arriesgarse a quedarse atrás”.

Conseguir la aceptación de sus iniciativas de IA

Aumentar la eficacia de las implementaciones de IA siempre tiene un componente cultural. Para conseguir la aceptación de la organización empieza por el "por qué" y el "cómo" de las herramientas de IA LLM. Los LLM no pueden sustituir a los expertos en ingeniería de automatización, pero pueden ser herramientas poderosas si se utilizan eficazmente. Al crear un equipo piloto de ingeniería para evaluar diferentes soluciones, definir casos de uso, establecer métricas de éxito y establecer las mejores prácticas, las organizaciones pueden garantizar que las herramientas de IA se utilicen de la forma más eficaz. Este equipo piloto también puede optimizar los procesos de implementación y aceptación integrando la herramienta en el flujo de trabajo existente, aprovechando el conocimiento interno y obteniendo una comprensión clara de las fortalezas y limitaciones de los conjuntos de herramientas. Este grupo piloto también puede liderar las iniciativas de formación, presentando directamente las herramientas al resto de la empresa.

Los LLM tienen el potencial de revolucionar la forma en que se diseña, valida e implementa la automatización industrial. Al trasladar las tareas repetitivas de codificación, documentación y desarrollo lógico en las etapas iniciales a flujos de trabajo impulsados por LLM, los fabricantes pueden reducir drásticamente los tiempos de puesta en marcha y los costes asociados. Combinados con entornos de simulación robustos para pruebas, los diseños y pruebas paralelas pueden detectar problemas de manera temprana, transformando un proceso de diseño e implementación en serie, en uno ágil e iterativo.

Este conjunto de herramientas requiere una supervisión rigurosa de ingeniería para garantizar que los resultados se revisen, validen y simulen con precisión y seguridad. Los fabricantes no reemplazarán a los ingenieros con IA, sino que les brindarán un multiplicador de fuerza para mejorar la velocidad y la adaptabilidad. A medida que los fabricantes adopten el desarrollo asistido por LLM, obtendrán una ventaja competitiva que les permitirá innovar con mayor rapidez y adaptarse al cambio mediante operaciones con visión de futuro.