por Fabrice Jadot
Según un reciente informe de investigación sobre Inteligencia Artificial (IA) de 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 fabricación. En esta etapa inicial de la implementación de IA, aún no está claro cómo se implementará en muchos casos de uso posibles. 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.
Los beneficios de IA pueden incluir mejoras en el rendimiento, control de costos, optimización de procesos, tiempos de desarrollo de ciclo de productos acortados y una mejor eficiencia. El valor agregado de IA también incluye la disponibilidad 24/7 y la capacidad de las máquinas para aprender a través de la experiencia. Asimismo, 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. 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.
La inteligencia artificial 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.
En efecto, IA representará una nueva forma para que los humanos y las máquinas trabajen juntos, para aprender sobre las tendencias predictivas y para resolver 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.
Entornos industriales: dos aplicaciones tempranas de inteligencia artificial
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.
Un ejemplo común 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, 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.
