Los números de los analistas del mercado señalan que IA está penetrando en la mayoría de las industrias verticales, habilitando la extracción de insights de la información disponible, la automatización de los procesos. Según Accenture, las ganancias corporativas aumentarán en un promedio de 38% para 2035, en gran parte gracias a un despliegue más avanzado de Inteligencia Artificial en aplicaciones financieras, de IT y de manufactura. En marzo de este año, IDC publicaba su “Worldwide Semiannual Cognitive Artificial Intelligence Systems Spending Guide”, y señalaba que los verticales que más gastarían en ese tipo de soluciones serían (en ese orden) Retail (consumo minorista), Banca y Manufactura discreta (con US$ 3.400, US$ 3.300 y US$ 2.000 millones, respectivamente en 2018).
“En esta etapa inicial de la implementación de IA, aún no está claro cómo se implementará en muchos casos de uso posibles —señala Fabrice Jadot, CTO de Schneider Electric en un reciente post—. Las evaluaciones de los escenarios de riesgo/recompensa se están analizando y muchas organizaciones aún no poseen claridad suficiente de cómo y cuándo sumergirse por completo en el mundo de IA”.
Jadot —que hoy funge como director de Tecnología para la unidad de negocios de Industria de Schneider Electric, liderando la transformación digital a través de arquitecturas de sistemas de automatización, ciberseguridad y automatismos (Internet Industrial de las Cosas, Industria 4.0)— enumera los beneficios de incorporar IA, que van desde las mejoras en el rendimiento, el control de costos, y la optimización de procesos, a una disponibilidad 24/7 y la capacidad de las máquinas para aprender a través de la experiencia. “El costo de entrada puede ser muy bajo (dependiendo de la complejidad de la aplicación) y los ahorros pueden ser altos como resultado de períodos de recuperación muy cortos —agrega—. En este sentido, vale la pena distinguir entre la fase de aprendizaje que puede requerir la parte de cloud computing o computación en la nube y la fase operativa que puede ser mucho menos exigente en términos de informática”.
https://youtu.be/HY7j5JnblGc
Jadot sostiene que la IA también cambia la forma en la que los operadores de máquinas realizan sus trabajos y puede ayudar a capturar el conocimiento de los trabajadores calificados a medida que pasan a retiro. “Las nuevas generaciones de trabajadores que ingresan al sector industrial comenzarán a rechazar herramientas de proceso anticuadas y mirarán hacia la inteligencia artificial como una fuente de enriquecimiento laboral, especialmente a través de la automatización de procesos robóticos para acciones humanas repetitivas”. Esto se traduce, a la larga, en nuevas formas de trabajo en conjunto entre los humanos y las máquinas, que incluirán el aprendizaje sobre las tendencias predictivas y la resolución de problemas complejos. “Por ejemplo, el desafío actual en la gestión de un proceso que requiere un control estricto de las temperaturas, presiones y flujos de líquidos es bastante complejo y propenso a errores. Se deben tener en cuenta muchas variables para lograr un resultado exitoso, de hecho, a veces demasiadas para que el cerebro humano pueda procesarlo solo. Ahora, con IA apoyando decisiones operativas, se pueden optimizar factores críticos como la seguridad, la eficiencia, la productividad e incluso la rentabilidad. Otro ejemplo es cómo IA puede ayudar a los seres humanos a realizar inspecciones de calidad, proporcionándoles análisis de visión y de sonido”.
Dos aplicaciones tempranas de Inteligencia Artificial en entornos industriales
Dentro del alcance de la fabricación discreta y de procesos, el mantenimiento de activos es uno de los procesos industriales que está emergiendo como un área de aplicación temprana de IA. Más específicamente, las organizaciones están comenzando a combinar el concepto de mantenimiento “predictivo” dentro de sus enfoques más tradicionales de mantenimiento “preventivo” y “romper/arreglar”. “La definición de mantenimiento predictivo de ARC Advisory Group implica aplicar técnicas de monitoreo basadas en condiciones para recopilar y analizar datos de activos para comprender mejor el rendimiento de los activos y realizar el mantenimiento adecuado antes de que problemas inminentes puedan afectar negativamente el rendimiento, la disponibilidad o la seguridad de la planta”, explica Jadot.
https://youtu.be/TJd45OjVo4c
Un ejemplo común —grafica el CTO— involucra un variador de velocidad (VSD) que está conectado a un motor. La inteligencia dentro del VSD recopila datos sobre cualquier comportamiento anormal en el funcionamiento del motor y luego señala al motor para su reparación o reemplazo antes de que ocurra cualquier falla. Por lo tanto, en lugar de esperar a que se realice el mantenimiento programado «preventivo», el mantenimiento ahora se puede gestionar en función de la condición. Esto reduce el costo y aumenta el rendimiento ya que solo se reemplaza cuando realmente necesita ser reemplazado, y se evita cualquier tiempo de inactividad imprevisto. De manera similar, el aprendizaje automático ejecutado en la periferia puede ayudar a identificar tempranamente el daño de la turbina de generación de energía, el problema de la válvula de agua de alimentación de la bomba, el acoplamiento del motor de la planta y el problema de presión diferencial del sello.
“Una segunda área de aplicación de IA implica el uso de una combinación de sistemas existentes y nuevas tecnologías para controlar la rentabilidad de la operación de la planta. Cuando los principios de control de ganancias se superponen con el control del proceso, surge una estrategia de eficiencia rentable. La contabilidad en tiempo real (RTA), que utiliza una combinación de datos basados en sensores del proceso y datos financieros para calcular el costo y los puntos de ganancia en todos los procesos industriales, es el motor que permite a los operadores obtener acceso a los datos de rentabilidad. Por lo tanto, los algoritmos ahora pueden ayudar a los operadores a tomar la mejor decisión desde una perspectiva de seguridad y rentabilidad”.
“Independientemente de la aplicación —resume Jadot—, las partes interesadas industriales deben enfocarse primero en el principal problema comercial que eligen abordar con IA. Una vez que se analiza el mismo, los proveedores de tecnología pueden ayudar a determinar si las herramientas de IA pueden proporcionar una solución que sea capaz de abordar y resolverlo”.
Los tres desafíos del uso de IA
El uso de IA puede responder preguntas críticas para el negocio de forma diaria, incluso por horas, pero las empresas deben superar tres obstáculos actuales:
- Preparación de datos y operacionalización. La IA, en la forma de modelos, a menudo requiere datos limpios de un conjunto diverso de fuentes para crear la inteligencia artificial más precisa. Esto es importante tanto en la etapa de creación de IA como a través de las tuberías de datos operacionalizadas en la implementación. En la actualidad, los científicos de datos dedican aproximadamente el 60% de su tiempo a limpiar y organizar datos como “personal de limpieza de datos” antes de siquiera pensar en analizar esos datos. Esta disputa de datos impone su tiempo para experimentar, volver a entrenar y volver a implementar modelos. Gartner estima que «el costo financiero promedio de la baja calidad de los datos en las organizaciones es de US$ 9,7 millones al año.
- Gestión del ciclo de vida de IA. A medida que las empresas aumentan su inversión en IA, la necesidad de herramientas de gestión del ciclo de vida de IA se está volviendo cada vez más crítica. La adquisición y preparación de datos, la experimentación, el control de versiones, la administración de dependencias, la implementación en sistemas de producción, la supervisión, la seguridad, el cumplimiento y las actualizaciones de modelos se convierten en elementos clave al ejecutar sistemas impulsados por inteligencia artificial a gran escala. La industria tiene el potencial de automatizar el ciclo completo desde el punto en que se generan y recogen los datos hasta el punto en que los modelos de inteligencia artificial se construyen y operan. La industria puede crear sistemas que son más eficientes que muchos otros segmentos debido al nivel de cobertura que puede existir en todos sus sistemas. El proyecto promedio tarda de 6 a 9 meses para pasar del concepto a la producción. Una vez en producción, los datos pueden ser útiles, los puntos de datos instantáneos se generan y alimentan a modelos entrenados que usarán esos datos para hacer predicciones. La recapacitación basada en nuevos datos puede ocurrir en cualquier momento, pero a menudo seguirá el ciclo que mejor se adapte a la empresa dependiendo del modelo y la situación.
- Hacer que la IA tenga sentido en todas las organizaciones. Para darse cuenta del valor total de la adopción de IA, las compañías deben expandir la capacidad de descubrimiento y el uso de la inteligencia artificial del científico de datos a los otros roles en toda la organización. En otras palabras, los modelos deben ser mucho más fáciles de encontrar, comprender y usar por los desarrolladores, analistas de negocios y tomadores de decisiones comerciales. Gartner predice que para 2022, el 50% de los datos se procesarán en el borde. Juntos, la nube y el borde conectado están generando niveles magnánimos de cambio y aceleración en eficiencia y precisión. Cuando los modelos se implementan en dispositivos periféricos, es decir, más cerca de la toma de decisiones en acción, se los puede capacitar para que sean altamente precisos y puedan tomar decisiones más rápidamente.
