Conceptos como industria 4.0, Machine Learning, Deep Learning o transformación digital hace unos años generaban expectativas de lo más ambiciosas y eran motivo de inversión en las plantas industriales. Sin embargo, en muchos de los casos, el resultado de todo ello han sido multitud de proyectos piloto sin éxito y la creación de equipos e inversiones millonarias con el mismo resultado.

¿Cómo es posible que la cuarta revolución industrial y lo que significaba una nueva forma de trabajar se hayan convertido en algún proyecto aislado llave en mano de reconocimiento de imágenes o algún modelo en producción con más voluntad de que funcione que resultados tangibles?

Automatización y robotización frente a analítica avanzada

Si eres uno de los afortunados que entendió la transformación digital como un camino que las compañías deben recorrer con naturalidad y no como algo que vino a tirar por tierra los avances conseguidos durante décadas, quizá este texto pueda resultarte familiar. Sin embargo, si te identificas con alguna de las frases del primer párrafo, esperamos que te sea útil en la medida de lo posible.

No son pocas las compañías de manufacturing que se han enfrentado en muchas ocasiones a inversiones millonarias en automatización y robótica. Bajo el paraguas del Lean Manufacturing y la mejora continua se renuevan complejas células robotizadas con un ROI muchas veces dudoso. Por el contrario, tanto los proveedores de tecnología para la analítica de datos como los responsables de las compañías se encuentran muchas veces con una barrera a la hora de implementar soluciones de analítica en los procesos industriales.

Entender las diferencias entre la implantación de sistemas automatizados y/o robotizados y soluciones de analítica avanzada es una de las claves del éxito o del fracaso. Desde el mundo de la analítica, proveedores o equipos dedicados a los proyectos analíticos, a menudo intentan llevar los principios matemáticos a sistemas productivos automatizados donde cada pieza y operario trabajan como un engranaje casi perfecto. El éxito de la automatización industrial consiste en decisiones repetitivas, estables en el tiempo con un mantenimiento mínimo, donde los operarios e ingenieros de producción pueden convivir y manejar los sistemas automatizados con interfaces intuitivas.

Sin embargo, en algunas malas interpretaciones de la famosa cuarta revolución industrial y la inteligencia artificial aplicada a procesos productivos se parte de modelos matemáticos que requieren de un histórico de datos de calidad, un periodo de entrenamiento y test para los modelos. A partir de ahí, después de meses o incluso años, estaremos en condiciones de poner un modelo en producción que, además, será susceptible de degradarse, y se requerirá un conocimiento para gobernar el propio modelo.

Esto se complica cuando existen múltiples procesos y proyectos analíticos donde el gobierno de la analítica y sus resultados se vuelven un verdadero quebradero de cabeza. Pero, si esto no fuera suficiente, los principios del Lean Manufacturing y la mejora continua muchas veces cambiarán los sistemas productivos y, por tanto, las fuentes de datos antes de llegar a conseguir resultados eficientes con la analítica.

¿Cómo podemos hablar de una cuarta revolución industrial si a efectos prácticos significa una involución en la forma de trabajar? ¿Se puede considerar un avance pasar de depender de automatismos para las decisiones de producción a depender de científicos de datos con dudoso conocimiento sobre los sistemas productivos? ¿Entonces deberíamos obviar la analítica y tomarlo como una moda que quedará en el olvido dentro de un tiempo?

Cómo implementar la analítica en la industria

Por suerte para aquellos que empiezan a dudar, la respuesta es no. La analítica es el presente y futuro de las plantas industriales y cómo implementarla marcará los tiempos y esfuerzos para llegar al éxito. Para conseguirlo es importante tener en cuenta varios aspectos:

Automatización

Muchas de las respuestas se encuentran en la propia etapa de automatización y alinearse con ella será una de las claves para el éxito en el camino analítico. Si pretendemos evolucionar un sistema automatizado debemos ser capaces de mantener los flujos automáticos y la evolución será dotar de inteligencia a las decisiones automáticas.

Gobierno

Relacionado con el punto anterior, debemos ser capaces de gobernar los proyectos analíticos y los modelos como el resto de los sistemas industriales. Esto implica poder monitorizar rendimientos, facilitar la puesta en producción y el escalado.

Gobierno del dato y de los modelos analíticos significa también control y propiedad por parte de las compañías. Es habitual que el conocimiento de proyectos analíticos resida en personas y, en consecuencia, se pierda cuando estos empleados abandonan las compañías.

Dinamismo

La analítica debe ser capaz de adaptarse a los cambios constantes en manufacturing manteniendo su eficacia, aunque cambien las condiciones.

Democratización

Empoderar a los consumidores de la analítica, convertir modelos matemáticos en una herramienta más en las áreas de operaciones, es una de las claves para integrar la analítica en los procesos industriales.

Flexibilidad

La velocidad de desarrollo de nuevas tecnologías, lenguajes de programación y soluciones open source implica que las soluciones analíticas a implantar deben permitir integrar los nuevos desarrollos dentro de un ecosistema analítico que monitorice, ejecute y adapte los proyectos analíticos.

Las soluciones de SAS para manufacturing parten del entendimiento del sector y el día a día de las plantas industriales, integrando en sus equipos y tecnologías los principios de la Industria 5.0. En este sentido, ponen a disposición de ingenieros y operarios de producción analítica avanzada una plataforma analítica colaborativa entre desarrolladores y consumidores de datos.

Esta plataforma permite desarrollar de forma rápida e intuitiva modelos matemáticos, así como adaptarlos a los cambios constantes de las condiciones y automatizarlos, de tal forma que la propia plataforma pueda escoger el modelo más preciso según las condiciones de entrada.

Además, permite el gobierno de los proyectos analíticos tanto en SAS como en open source, actuando como un repositorio de los desarrollos analíticos y motor de ejecución con capacidad de toma de decisiones inteligentes, creando un conocimiento analítico dentro de las compañías independiente de la movilidad de personas o los cambios constantes en la industria.

¿Quieres conocer ejemplos de la aplicación de analítica avanzada a la industria?