Más allá de la automatización: cómo la IA y el aprendizaje automático están redefiniendo la inteligencia de fabricación

La automatización industrial ha formado parte de las herramientas de fabricación durante décadas, pero los avances en aprendizaje automático (ML) la han hecho más ágil y fácil de implementar. "La automatización tradicional se basaba en sistemas rígidos basados ​​en reglas que solo funcionaban en entornos predecibles", describió Penny Malsch, estratega senior de marketing de RealSense. "El aprendizaje automático, y ahora la IA generativa, han transformado ese paradigma al permitir una inteligencia adaptativa basada en la percepción, capaz de gestionar la variación, la incertidumbre y la complejidad del mundo real". A medida que la IA y el ML se integran cada vez más en las estrategias de automatización, los fabricantes se ven obligados a replantear no solo cómo se construyen los sistemas, sino también cómo estas tecnologías difieren, interactúan y, en última instancia, impactan en el rendimiento empresarial.

La inteligencia artificial, ahora conocida popularmente como IA, ha formado parte de las implementaciones de hardware y software industrial durante décadas. La inteligencia artificial basada en reglas, lógica o algorítmica introdujo la automatización y las máquinas pensantes en el taller, mejorando drásticamente la eficiencia en tareas muy específicas. Estas herramientas ofrecían nuevas y potentes capacidades, pero se enfrentaban a altos costos de implementación y una flexibilidad limitada. Es posible que una solución de visión artificial heredada y basada en reglas requiera una reprogramación desde cero después de un cambio en el color de la etiqueta, o puede resultar complicado replicar el rendimiento al escalar a una nueva instalación debido a cambios de iluminación.

El aprendizaje automático entrena modelos de IA que se actualizan en función de la retroalimentación. Este ciclo de retroalimentación implica que aprenden de datos reales o simulados para mejorar el resultado. Ahora, los modelos se entrenan para aprender de los datos en lugar de reglas codificadas manualmente, lo que permite que la automatización sea más flexible y escalable, afirma Malsch. “En robótica e IA de visión, este cambio permite a los sistemas ver y comprender realmente su entorno, pasando de la reacción programada al razonamiento contextual. En resumen, los datos se han convertido en la nueva lógica de control, y la percepción es la nueva base de la autonomía”.

Capacidades del aprendizaje automático

El aprendizaje automático extiende la inteligencia artificial a nuevas áreas. La capacidad de entrenar modelos reduce los costos iniciales al eliminar el laborioso proceso de codificación de conjuntos de reglas para cada implementación específica de la aplicación. Esta transición de la programación estática basada en reglas a sistemas adaptativos basados ​​en el aprendizaje representa un cambio fundamental en la forma en que se diseña e implementa la automatización.

“El aprendizaje automático está revolucionando la automatización al introducir inteligencia adaptativa basada en datos que supera las limitaciones de los sistemas de control tradicionales”, explica Kristen Quasey, gerente de portafolio de productos de computación industrial y copiloto industrial en Siemens. “Los controles de automatización tradicionales se basan en lógica con reglas predefinidas, algoritmos fijos y programación estructurada. Estos sistemas son robustos y predecibles, pero presentan dificultades con la variabilidad, la complejidad y la adaptabilidad. En cambio, el aprendizaje automático permite que los sistemas aprendan continuamente de los datos de producción, reconozcan patrones y tomen decisiones informadas en tiempo real”. También afecta sustancialmente la agilidad del proceso, ya que la misma capacidad de entrenamiento permite integrar rápidamente nuevas variaciones de producto y escalar o replicar dinámicamente los procesos.

El aprendizaje automático también puede realizar análisis discretos de tendencias en tiempo real, aprovechando datos históricos y de tiempo real. Esto permite un análisis directo y un soporte para la toma de decisiones que puede ser tan específico como optimizar la programación del mantenimiento de una sola pieza para reducir el tiempo de inactividad, o tan completo como optimizar todo el plan de producción de una instalación basándose en datos de la cadena de suministro, tanto ascendentes como descendentes, y la disponibilidad de mano de obra.

El aprendizaje automático se ha convertido en un componente clave de muchas aplicaciones industriales. "En entornos industriales, el aprendizaje automático ya está impulsando mejoras mensurables en áreas críticas, como el mantenimiento predictivo, el control de calidad y la optimización de procesos", describió Quasey. La planificación de recursos dentro de los sistemas de software, la optimización de robots móviles autónomos (RAM) en almacenes, las operaciones seguras de cobots en la fabricación, la visión artificial para el ensamblaje y el control de calidad, el mantenimiento predictivo y prescriptivo, y la incorporación acelerada pueden aprovechar el aprendizaje automático para obtener mejores resultados.

Quasey continúa: “Para el mantenimiento predictivo, los modelos de aprendizaje automático analizan los datos de los sensores para anticipar las fallas de los equipos antes de que ocurran, lo que permite a los fabricantes reducir el tiempo de inactividad imprevisto y prolongar la vida útil de las máquinas. Con los sistemas de visión artificial basados ​​en aprendizaje automático, los fabricantes pueden detectar mejor los defectos y las anomalías en tiempo real”. Malsch añadió: “La frontera más prometedora son los flujos de trabajo de simulación a realidad, donde los modelos entrenados en entornos virtuales se implementan sin problemas en las plantas de producción”.

Implementación de aprendizaje automático

Existen desafíos comunes al implementar el aprendizaje automático industrial en diversos casos de uso e industrias. "Los mayores desafíos se centran menos en los algoritmos y más en la integración, los datos y la implementación", explica Malsch. "Los entornos industriales son dinámicos. La iluminación, las superficies y los productos cambian constantemente. Integrar los sistemas PLC y SCADA tradicionales con información basada en IA introduce nuevos niveles de complejidad y gobernanza. Muchos proyectos piloto se estancan antes de escalar porque las organizaciones carecen de canales robustos de ML Ops/GenAI Ops, control de versiones de modelos y una clara responsabilidad por la propiedad de los datos".

Una implementación exitosa depende de una visión clara de las operaciones y los desafíos de implementación, un lago de datos limpios, unificados y estandarizados, la preparación de la organización para adaptar los procesos e integrar nuevas soluciones, y métricas de éxito claras y mensurables para medir el ROI. Sin estas consideraciones, la corrupción del alcance o la falta de transparencia pueden reducir el éxito de las implementaciones de automatización.

La IA de aprendizaje automático, como parte de un único proceso, ahora puede implementarse como una solución preconfigurada y lista para usar para numerosos casos de uso, pero ¿cómo se preparan las organizaciones para implementar el aprendizaje automático a escala? El aprendizaje automático se basa, ante todo, en datos. La base del éxito de las implementaciones de aprendizaje automático para análisis, automatización o entrenamiento se basa firmemente en datos fiables. ¿Qué significa esto en la práctica? El concepto de Internet de las Cosas, adoptado en la última década, implica que la mayoría de los equipos generan grandes cantidades de datos. Las implementaciones heredadas y las plataformas propietarias suelen generar datos aislados, y los procesos individuales, o incluso los componentes de hardware dentro de un mismo proceso, no pueden comunicarse directamente entre sí. Quasey explica: “Uno de los mayores retos al implementar el aprendizaje automático en la fabricación industrial es garantizar datos de alta calidad y utilizables. Si bien las fábricas generan grandes cantidades de datos operativos, necesitamos identificar qué puntos de datos son críticos y cuáles son innecesarios. Para obtener información significativa o mejoras de rendimiento, se necesitan datos limpios, bien etiquetados y estructurados”.

Crear un repositorio de datos unificado es el primer paso que debe analizar un responsable de la toma de decisiones. ¿Qué fuentes de datos existen de los sistemas de OT y TI? ¿Son los datos en tiempo real o periódicos? ¿Cómo y dónde se almacenan? Comprender el panorama actual de los datos y cómo estandarizarlos y unificarlos sienta las bases.

El primer bloque de esa estructura a nivel organizativo es una capa de controles abstraídos por software que separa los controles de hardware y propietarios en capas independientes. Este marco estructural aísla los cambios de hardware, de los de software y estos últimos de los de hardware, lo que reduce el tiempo de inactividad y facilita la integración de nuevas soluciones. Los controles abstraídos por software también crean las palancas que pueden ser accionadas por los procesos automatizados que se implementen en el futuro.

Crear la base de datos y software para la futura automatización basada en aprendizaje automático garantiza una mayor flexibilidad para los responsables de la toma de decisiones en la implementación de soluciones de aprendizaje automático. "Para los líderes de fabricación que buscan implementar aprendizaje automático, el éxito comienza con definir claramente el problema empresarial y comprender qué se desea que haga la solución de IA, como reducir el tiempo de inactividad, mejorar la calidad u optimizar el rendimiento", comparte Quasey. "Muchos fabricantes desean utilizar IA, pero no siempre están seguros de qué desafío intentan resolver. Empiece con pequeños proyectos piloto para centrarse en un caso de uso específico y validar el enfoque. Esto permite a sus equipos probar el rendimiento del modelo y el impacto operativo en un entorno controlado, a la vez que se genera confianza interna".

Mientras se toman decisiones de implementación para utilizaciones específicas de aprendizaje automático, se deben considerar aspectos como la optimización de la puesta en marcha y el mantenimiento de nuevo hardware y software. Malsch explica: “El mejor enfoque es elegir un caso de uso de alto impacto, demostrar un rápido retorno de la inversión (ROI) y luego expandirse a flujos de trabajo similares utilizando datos compartidos y modelos modulares. Los responsables de la toma de decisiones deben adoptar una mentalidad que priorice la GenAI, aprovechando los modelos de base y los datos sintéticos para reducir los costos de capacitación y acelerar la implementación. Deben optar por desarrollar para el borde, donde la latencia y la seguridad son importantes, y deben establecer prácticas sólidas de operaciones de aprendizaje automático (ML Ops) para gestionar las desviaciones y las actualizaciones. Sobre todo, las organizaciones deben priorizar los estándares abiertos y los sistemas con intervención humana para mantener la flexibilidad, la transparencia y la confianza a medida que la IA se integra más en las operaciones”.

Las opciones de hardware de arquitectura abierta y basadas en estándares reducen el riesgo de tiempo de inactividad al permitir a los fabricantes integrar hardware de varios fabricantes en sus operaciones según sea necesario. Si bien los controles abstraídos por software pueden integrarse con sistemas propietarios, el hardware que aprovecha estándares como MTP acerca a los operadores al ideal de "conectar y producir" concebido para la fabricación modular. Esto impulsa la agilidad y proporciona redundancia en la cadena de suministro ante interrupciones inesperadas o un rápido crecimiento. Al elegir soluciones diseñadas para la interoperabilidad, se minimizan los riesgos futuros.

El aprendizaje automático está cambiando la automatización industrial

Los avances en software y hardware para la implementación del aprendizaje automático se están acelerando. La computación es cada vez más potente y económica, a la vez que consume menos energía y genera menos calor. “El futuro de la IA industrial es multimodal, generativo y profundamente integrado. Los modelos de visión y lenguaje que pueden ver, leer y razonar servirán como compañeros de trabajo inteligentes en la planta de producción, permitiendo que robots y humanos colaboren fluidamente. En última instancia, la fábrica del futuro estará definida por software, donde la percepción y la inteligencia, impulsadas por la "corteza visual", harán que la automatización sea tan adaptable y reconfigurable como la propia fuerza laboral humana”, añade Malsch.

Los modelos de bajo impacto pueden ejecutarse junto con otros procesos. La especialización del hardware entre el entrenamiento y la ejecución de modelos operativos (de inferencia) está reduciendo los costos generales del aprendizaje automático industrial al aumentar la oferta en mercados de hardware con escasez de recursos. En general, se prevé que el aprendizaje automático se vuelva cada vez más omnipresente y menos costoso para su implementación industrial cada año.

En muchas industrias, el aprendizaje automático se ha convertido en la norma, convirtiéndolo en un requisito para competir. La adaptabilidad de la automatización basada en software e impulsada por el aprendizaje automático, junto con la mejora de la eficiencia y por consiguiente ahorro de costos, crea un nuevo punto de referencia para la competencia que los procesos tradicionales a menudo no pueden alcanzar. “Las futuras tendencias del aprendizaje automático en la industria se centran en una mayor inteligencia, autonomía e integración”, describe Quasey. “La IA basada en el borde permite la toma de decisiones en tiempo real directamente en los equipos de la fábrica, lo que reduce la latencia y la dependencia de la infraestructura en la nube. Los gemelos digitales y el aprendizaje basado en simulación se están volviendo esenciales para las pruebas y la optimización virtuales, permitiendo a los fabricantes simular escenarios de producción y predecir resultados antes de realizar cambios físicos, reduciendo así los costes y el tiempo de desarrollo”.

Satisfacer las demandas del mercado en un entorno económico global y dinámico implica flexibilidad. Mantener bajos los costos mientras se intenta escalar, con un mercado laboral que carece de las habilidades necesarias, puede requerir la automatización más que nunca. Los responsables de la toma de decisiones necesitan analizar las operaciones ahora para comprender su preparación para integrar la automatización y el aprendizaje automático en sus procesos.

El aprendizaje automático ha permitido nuevos niveles de eficiencia, a la vez que reduce el costo inicial de muchas implementaciones de automatización. La capacidad de aprender de las operaciones, adaptarse a situaciones únicas y mejorar continuamente proporciona una agilidad antes inalcanzable. Los controles abstraídos por software reducen el riesgo operativo, y la arquitectura de datos unificada, que abarca desde el proceso hasta la cadena de suministro, ofrece una transparencia sin precedentes. La capacidad de escalar o cambiar la producción dinámicamente para satisfacer las cambiantes demandas del mercado, manteniendo los costos bajos, definirá la competitividad de muchos fabricantes.