Categories
54cuatro

REINFORCEMENT LEARNING : ¿que es?

En la ciencia de datos existen diversas áreas de investigación, entre la cuales se encuentra Reinforcement Learning (RL). Ante el avance del #DeepLearning, las grandes cantidades de datos ya no representan una dificultad y han surgido nuevos modelos de entrenamiento de algoritmos como el que estamos mencionando. 

Este es el tercer método desarrollado de modelos de Machine Learning, mediante el cual los algoritmos aprenden por sí mismos, después del aprendizaje supervisado y el aprendizaje no supervisado. 

Reinforcement Learning o Aprendizaje por Refuerzo se basa en obtener recompensas ante el aprendizaje de una nueva tarea, es decir, consiste en entrenar modelos para la toma de decisiones sin requerir datos para el condicionamiento. De este modo, los datos se generan a través de un método de prueba y error, donde se marcan con una etiqueta.  

Durante varias fases de entrenamiento el algoritmo recibe marcas de recompensa cuando lleva a cabo la función correcta. Tras repetir la experiencia y verificar las recompensas recibidas, aprende por sí mismo. 

En definitiva, Reinforcement Learning, es un aprendizaje autónomo por el cual se aprende la acción que debe realizarse al interactuar con el entorno, recibiendo señales de error o recompensas en función de las acciones que se lleven a cabo. Es decir, el sistema busca encontrar la toma de decisiones más eficiente que le permita maximizar las recompensas. 

Ejemplos de aplicaciones de Reinforcement Learning 

Conducción autónoma: la toma de decisiones de conducción basadas en las entradas de cámaras es un área adecuada para reinforcement learning, teniendo en cuenta el éxito de las redes neuronales profundas en aplicaciones relacionadas con imágenes. 

Robótica: Reinforcement Learning puede ayudar en aplicaciones tales como el agarre robótico, por ejemplo, para enseñar a un brazo robótico a manipular diversos objetos para la aplicación del sistema pick-and-place. Otras aplicaciones de robótica incluyen colaboración humano-robot y robot-robot. 

Planificación: los problemas de planificación aparecen en muchos escenarios, incluidos los sistemas de control de semáforos y la coordinación de recursos en fábricas para cumplir objetivos. Reinforcement Learning es una buena alternativa a los métodos evolutivos para resolver estos problemas de optimización combinatoria. 

Calibración: las aplicaciones relacionadas con la calibración manual de parámetros, como, por ejemplo, la calibración de una unidad de control electrónico (ECU), pueden ser buenas candidatas para Reinforcement Learning. 

Videojuegos: los videojuegos son idóneos para el Reinforcement Learning, ya que incluyen diferentes entornos de simulación y opciones de control. Por lo general, el método de funcionamiento de los videojuegos es presentar un problema y obligar a resolverlo mediante tareas complejas, obteniendo puntuaciones o recompensas a cambio. Reinforcement Learning aprende jugando contra sí mismo para mejorar la experiencia del usuario. 

Beneficios del aprendizaje por refuerzo 

El aprendizaje por refuerzo es aplicable a una amplia gama de problemas complejos que no se pueden abordar con otros algoritmos de aprendizaje automático. RL está más cerca de la inteligencia artificial general (AGI), ya que posee la capacidad de buscar un objetivo a largo plazo mientras explora varias posibilidades de forma autónoma. Algunos de los beneficios de RL incluyen: 

  • Se enfoca en el problema como un todo.  Los algoritmos de aprendizaje automático convencionales están diseñados para sobresalir en subtareas específicas, sin una noción del panorama general. RL, por otro lado, no divide el problema en subproblemas; trabaja directamente para maximizar la recompensa a largo plazo. Tiene un propósito obvio, entiende el objetivo y es capaz de intercambiar recompensas a corto plazo por beneficios a largo plazo. 
  • No necesita un paso de recopilación de datos por separado. En RL, los datos de entrenamiento se obtienen a través de la interacción directa del agente con el entorno. Los datos de entrenamiento son la experiencia del agente de aprendizaje, no una colección separada de datos que se debe alimentar al algoritmo. Esto reduce significativamente la carga del supervisor a cargo del proceso de capacitación. 
  • Trabaja en entornos dinámicos e inciertos.  Los algoritmos de RL son inherentemente adaptables y están diseñados para responder a los cambios en el entorno. En RL, el tiempo importa y la experiencia que recopila el agente no se distribuye de forma independiente e idéntica, a diferencia de los algoritmos de aprendizaje automático convencionales. Dado que la dimensión del tiempo está profundamente arraigada en la mecánica de RL, el aprendizaje es inherentemente adaptativo. 

Conclusiones 

Este tipo de aprendizaje automático se centra en problemas complejos a través de un enfoque de ensayo y error. Sin duda alguna, RL se puede aplicar en diferentes ámbitos, desde las finanzas a los sistemas de recomendación hasta los videojuegos o la robótica. 

No obstante, también se debe tener en cuenta que es un método que requiere sesiones de entrenamiento con simulación, para en un futuro recibir las recompensas reales. En cualquier caso, el aprendizaje por refuerzo es un método del aprendizaje automático que permite resolver problemas cada vez más complejos y controlar gran variedad de procesos. 

En definitiva, se busca que la #AI sea capaz de resolver problemas de forma autónoma sin recibir instrucciones previas del ser humano. Este método demuestra ser más rápido y eficiente, y se espera obtener mejores resultados. 

¿Conocés a #TGA (https://www.tgacompany.com/) y todas las soluciones de gamificación basadas en modelos de machine learning?  

Categories
54cuatro

Conceptos básicos de la transformación digital basada en datos para las empresas

Los temas de las transformaciones varían desde la transformación de la gestión de ventas, de la planificación estratégica hasta la revisión de precios y modelos de negocio.  

Sin embargo, una denominación común que se vuelve cada vez más clara entre todos esos esfuerzos es utilizar mejor los datos y la tecnología en su práctica comercial, para impulsar una mayor competitividad y alcanzar metas significativamente más ambiciosas.  

Con las palabras de moda sobre #Analytics (análisis), Machine Learning (#ML), Inteligencia Artificial (#AI) y sus interacciones con las empresas hoy en día, los conceptos básicos de una transformación impulsada por datos (Data-Driven model) pueden no estar siempre claros.  

Este artículo tiene como objetivo proporcionar algunos conocimientos fundamentales sobre el tema. 

¿Qué significa Data-Driven Model o “transformación basada en datos”? 

Cuando decimos “transformación impulsada por datos”, se refiere a cualquier iniciativa en una organización que implique un mayor o mejor uso de los datos, y la analítica a menudo aprovecha la nueva tecnología introducida.  

Los datos son la fuente de análisis y modelado que, a su vez, respaldará la extracción de información empresarial posterior o la automatización de operaciones. Dependiendo del caso de uso específico para la transformación, los requisitos de datos en términos de variedad de datos, volumen, granularidad y actualidad, etc. serán diferentes.  

Dada la entrada de datos proporcionada, se pueden aplicar análisis tradicionales (como análisis estadístico descriptivo) o algoritmos avanzados como AI / ML para ayudar a cumplir con el objetivo de los casos de uso, ya sea predicción de adquisición de clientes, pronóstico de ingresos, predicción de rotación de empleados u operaciones, casos de uso orientados como la utilización de #RPA (Robotic Process Automation) para la automatización del proceso de reclamaciones de seguros, etc.  

En una transformación, las tecnologías digitales deben participar para almacenar, transformar datos y realizar modelos predictivos, generar conocimientos o realizar automatización operativa; estos son ejemplos de las tareas más básicas y comunes para las que se puede utilizar la tecnología digital.  

Lo que implica una transformación puede variar mucho de un escenario a otro, según el objetivo de la transformación, el alcance del cambio, las tecnologías y los socios comerciales involucrados. Para una transformación exitosa, a menudo se requieren cambios en otras áreas, como la estructura organizativa, la cultura, las habilidades y capacidades de los trabajadores, además de los aspectos técnicos. 

¿Por que se persigue ampliamente? 

Los beneficios de la toma de decisiones y la transformación basadas en datos se han visto y probado ampliamente en todos los dominios e industrias.  Éstos pueden ser tanto a corto como a largo plazo, y se manifiestan de diferentes formas:  

  • Apoyar una mejor toma de decisiones que puede conducir a un rendimiento comercial directo, por ejemplo, utilizando la segmentación de clientes predictiva basada en datos y el marketing dirigido para aumentar la adquisición de clientes, el crecimiento de la demanda u otros KPI de rendimiento comercial (indicador clave de rendimiento) 
  • Impulse una mayor productividad y eficiencia operativa como, por ejemplo, utilizando RPA para automatizar el proceso de reclamos de seguros o la gestión del inventario del almacén.  
  • También otros beneficios comerciales como ser la satisfacción del cliente, la retención de empleados, y muchos más.  

ERRORES COMUNES 

Aunque los detalles de la transformación pueden variar mucho de un entorno a otro, existen algunos desafíos y trampas que se ven comúnmente: 

  • Calidad y compatibilidad de datos  

Este es el desafío más común al realizar una transformación basada en datos y, sin embargo, se descuida fácilmente. Con la naturaleza básica de las tareas relacionadas con el almacenamiento y la gestión de datos, a menudo realizadas por el personal de nivel junior en el departamento de TI, este aspecto a menudo se invierte poco entre todos los proyectos “grandes” o “brillantes” de una organización.  

Dicho esto, los datos son la entrada y el “combustible” para iniciar cualquier transformación impulsada por los datos. “Cada cosa en su lugar”, como decimos, no se puede realizar ningún análisis de calidad o trabajo de modelado de AI / ML si la calidad de los datos no está ahí.  

Al diseñar la transformación y estimar el resultado, una auditoría completa y detallada del estado de los datos debe ser un elemento imprescindible, que se puede realizar desde la fase de preparación de una transformación.  

A lo largo del viaje de la transformación, tener una hoja de ruta para mejorar la calidad de los datos a menudo también es un paso necesario.  

  • Sistemas de datos y TI dispares + áreas organizativas en silos.  

Una transformación impulsada por datos a menudo puede abarcar múltiples funciones comerciales de la organización. Tomando como ejemplo la transformación de la digitalización de la planificación de la demanda (esta es una operación comercial clave en cualquier empresa de productos), para esta transformación, los datos requeridos tendrán origen de bastantes funciones: historial de demanda del cliente de la cadena de suministro, datos de planificación de ventas, nuevo producto ofreciendo datos de I + D, por nombrar sólo algunos. Estos conjuntos de datos normalmente residen en diferentes partes de la organización en diferentes sistemas de TI, no necesariamente conectados y sincronizados entre sí. 

Comprender los matices de diferentes conjuntos de datos de diferentes unidades de negocio, recopilar y armonizar múltiples fuentes de datos para configurarlas para que sean compatibles y estén conectadas entre sí, es el desafío principal de toda empresa. Sin embargo, este aspecto es una condición suficiente para iniciar una transformación multifuncional. 

  • Adopción e integración de nuevas tecnologías  

La introducción de nueva tecnología es ciertamente inevitable en una transformación impulsada por datos. Con multitud de factores de barrera, desde aspectos tecnológicos hasta aspectos organizativos y psicológicos humanos, la adopción de una nueva tecnología en el flujo de trabajo empresarial existente nunca es fácil en ninguna organización. La nueva plataforma o herramienta de datos debe integrarse con el entorno de TI existente; Además de eso, se necesita la adopción de la herramienta con un uso eficaz y eficiente de la nueva tecnología, pero a menudo es difícil de lograr.  

  • Centrarse en la tecnología sin crear un caso de uso empresarial general 

La tecnología puede crear cambios revolucionarios en las operaciones comerciales, pero por sí sola no genera valor. La entrega general de un resultado de transformación se comprenderá si faltan cambios suficientes en la infraestructura comercial de soporte; pueden ser procesos comerciales obsoletos o capacidades de los trabajadores u operaciones comerciales ascendentes, etc.  

Utilizando la transformación de la digitalización de la planificación empresarial para una instancia nuevamente, la planificación exitosa de un extremo a otro requiere no sólo la entrada de pronóstico de demanda que se realizará con la tecnología AI / ML, sino también un proceso de negocios de planificación renovado para adaptarse al rol de los planificadores con una nueva herramienta de planificación. 

Además, también se requieren nuevas habilidades del planificador, como evaluar AI / ML y construir un consenso humano entre las funciones, etc., para completar toda la transformación de la planificación.  

La sobre indexación del valor de la nueva tecnología mientras se descuida la intervención humana, la gobernanza y la conducta empresarial en general puede comprometer fácilmente el valor potencial para entregar o incluso dañar el negocio. 

  • Se necesitan nuevos roles, capacidades, cultura organizacional y cambio de mentalidad. 

Incluso cuando se han atendido todos los aspectos técnicos de una transformación, para que genere un beneficio sostenido a lo largo del tiempo, la mayoría de las veces es necesario establecer nuevos roles, capacidades, cultura y mentalidad de la organización.  

Cambiar la cultura organizacional, por ejemplo, cultivar una práctica más impulsada por los datos (versus la experiencia y el instinto), y una mentalidad para usar la tecnología para mejorar la eficacia operativa e innovar, etc.  

Categories
54cuatro

AIoT: Inteligencia Artificial de las Cosas

De IoT a AIoT: IoT inteligente con tecnología de AI

Aunque algunos sistemas de #IoT están diseñados para un control de eventos simple donde una señal de sensor desencadena una reacción correspondiente, como encender / apagar la luz en función de los cambios de iluminación ambiental, muchos eventos son mucho más complejos y requieren aplicaciones para interpretar el evento utilizando técnicas analíticas en orden para iniciar las acciones adecuadas.

Para que esto funcione, entra en juego una nueva estructura de IoT conocida como Inteligencia Artificial de las Cosas (#AIoT). Aplica inteligencia al perímetro y brinda a los dispositivos la capacidad de comprender los datos, observar el entorno que los rodea y decidir qué hacer mejor; todo se puede hacer con una mínima intervención humana.

Además, en aplicaciones como el funcionamiento autónomo de una máquina, la seguridad y la supervisión del proceso de fabricación, los dispositivos locales deben actuar instantáneamente en respuesta a eventos de tiempo crítico. Con el poder de la #AI, los dispositivos AIoT no sólo son mensajeros que envían información a un tablero o centro de control, sino que han convertido la capacidad de realizar diversos análisis autónomos y actuar de forma independiente.

Beneficios de AIoT para empresas

Al capturar datos en tiempo real y analizarlos, las empresas están aprovechando AIoT para crear valor real:

•Verdadera automatización de tareas manuales, con el sistema capaz de tomar decisiones autónomas, aumentando la productividad y la eficiencia.

•Optimización de procesos hasta el punto de reducción de costos transaccionales marginales.

•Ciclo de vida más rápido de conversión de datos en valor comercial tangible.

•Implementación y crecimiento más fácil de las operaciones comerciales con conocimientos específicos y decisiones más rápidas.

•Mejor gestión de clientes y comunicación con bots avanzados y reconocimiento de voz.

•Constante experimentación e iteraciones de productos y servicios.

•Mejora del Time to Market de actualizaciones de productos o nuevos lanzamientos.

Beneficios de AIoT para clientes

Una consecuencia natural de un negocio que funciona bien es que los beneficios finalmente se transmiten a los clientes:

•Con información más profunda y análisis de datos, los clientes reciben una experiencia de producto mucho mejor.

•Al tener en cuenta los patrones de comportamiento y las preferencias personales, la personalización se convierte en clave.

•Mejor rendimiento general del producto y acceso más rápido a mejores versiones.

•Capacidades de aprendizaje predictivo que entrenan algoritmos para tareas operativas redundantes del usuario final.

El camino para seguir

AI e IoT están resolviendo juntos un problema que ha existido desde el inicio de este último: la gestión de datos en tiempo real, recibidos de numerosos dispositivos conectados a la vez. Esto está haciendo posible una generación completamente nueva de dispositivos IoT.

Desde 54CUATRO colaboramos con las organizaciones a descubrir cómo mejorar las capacidades de su empresa para preparar sus dispositivos IoT para el futuro.

Contactate

Categories
54cuatro-EN

Use Case: Animal Monitoring

Executive Summary

Achieving the UN sustainable development goal of a “world with zero hunger” by 2030 will require being more productive, efficient, sustainable, inclusive, transparent and resilient. This objective requires an urgent transformation of the current system of agriculture, livestock and food in general.

Industry 4.0 is transforming many industries with disruptive technologies like #Blockchain, Internet of Things (#IoT), Artificial Intelligence (#AI). In the agricultural and food sector, the spread of mobile technologies, IoT and Edge computing are already improving the access of small producers to innovative developments that improve their operations.

At #54cuatro we are convinced that the great challenge of companies like ours is to democratize access to these technologies that until recently were exclusive to large corporations.

In the world there are different solutions that allow monitoring all kinds of elements and, of course, animals. Animals of all types can be monitored, from cows, bulls, sheep, horses, including wild or water animals.

Just as there is communication between industrial equipment of the #M2M (machine to machine) type, we take on this challenge of putting together a communications system that we call #A2M (Animal to Machine).

Our methodology, unlike standard products, implies a custom development taking into account specific problems.

In this note we will develop the approach used for the Buffalo Monitoring project in the province of Chaco, Argentina.


Problem to solve

The situation that we found has to do with economic losses of about USD 300,000 due to the failure to locate the animals and the failure to detect heat, which meant that the Bufalas were not pregnant. The additional complexity came from the fact that the field is 6,000 hectares.


Analysis

Buffalo rodeo

Monitoring on small, bounded farms is simple, but given so much terrain we had to change the focus of the project. The first thing we did was investigate the behavior of the bubalino. Thanks to different entities such as the International Buffalo Federation, we detected the following patterns:

• The bubalino has 150 sweat glands per cm2, unlike the cow that has 1,500. This means that it needs water to cool itself. This information helps us detect frequently located areas based on temperature.

• It lives on average 25 years unlike the cow that lives 10, and can give 16 calves against 6 that the cow gives. This marks the importance of locating the females to avoid losing heat cycles.

• When the Buffalo is in heat, it allows itself to be chased by the male or allows it to rest on the rump. We can detect symptoms of heat taking into account the behavior of their movements.

• The sick or life-threatening animal moves away from the group. This is important to control the cause of death and recover the sensors.


Solution Design

With these patterns we begin to design 3 things. On the one hand, the network coverage to detect the position of the animal. Secondly, the type of sensor, given that because of how the animal behaves, we could not use a common sensor because it would not last so long submerged, because the animal would rub it against trees to remove it, etc. And on the other hand, reporting patterns that allow us to detect location, possible heat conditions, disease, etc.

We design the sensor based on behavior. What we did was test designs on 3D models.

For connectivity we install:

• 3 communication masts at 3 full winds, 36 meters high, anti-rotor star, beacon. Civil work: high anchorages, field protection fence with doors, and there we set up 3 LoRa Gateways.

• Ubiquiti IP transport radio links and Mikrotik PoE routers in 10U outdoor cabinets, autonomous using solar energy (100ah panels and batteries).

Parte del modelo impreso 3D

Each animal was transformed into a transmission node. We use the geolocation platform developed by Odea to determine the positioning and cross the GPS data with the Ear Tag data that contains:

  • UID Stick
  • ID Posicionamiento
  • Name
  • Genre
  • Birth date
  • Position
  • Status
  • Vaccination
  • Weight

Additionally, we incorporated other types of Datapoints that were of interest to us, such as climatic factors and health schedules.

App mobile con seguimiento de cada animal

Finally, to reduce the detection times of the animal’s state, we adopted a drone equipped with a flight plan, a multispectral flight plan, and a wide visual range, thanks to the people of Runco who helped us find the best equipment for what we needed.

Drone view in RGB and NDVI

Results

With the implementation of our solution, the platform will be providing insights from each node, which will nourish our data catalogs and allow us to adjust pattern detection algorithms. Those detected patterns should enable some key results:

  • Find each animal
  • Detect heat signals
  • Understand the behavior according to temperature, humidity, rainfall, etc.
  • Optimize the control of the weight of each animal and the feeding based on the controls.
  • Reduce risks and mortality

    Por favor, demuestra que eres humano mediante la selección el camión.

    Categories
    54cuatro

    Entendiendo Industria 4.0

    El ultimo mes estuve trabajando con varios clientes en proyectos industriales en Buenos Aires, Queretaro, Puebla, Monterrey y Saltillo, la gran cantidad de charlas y recorridas me parecieron una buena oportunidad para escribir una breve reseña de Industria 4.0 y todo lo que trae acarreado este nuevo concepto.

    Historia y Concepto:

    El concepto de #Industria4.0 nació en #Alemania, y suele ser mencionado también como cuarta revolución industrial, #ciberindustria o industria inteligente. Se espera que la industria 4.0 sea capaz de impulsar cambios sociales al nivel de la primera revolución industrial y las maquinas a vapor, la producción en masa de la segunda, y la electrónica e informática que prolifero en la tercera.

    Mark Watson, director de #IHS lo describe de esta manera: “El desafío para la cuarta revolución industrial es el desarrollo de software y sistemas de análisis que convierten el diluvio de datos producidos por las fábricas inteligentes en información útil y valiosa.”

    Detalle del significado:

    La Industria 4.0 combina la infraestructura física propia de la fabrica tradicional con software, sensores, tecnología de comunicaciones, y analítica. Industria 4.0 viene siendo liderada por las automotrices y supondrá un nuevo modelo de manufactura orientados por la adopción de #IoT (Internet of Things) y #CPS (Cyber-Physical Systems). Esta integración generara cambios horizontales que afectaran a la cadena de valor y cambios verticales que irán desde la sensorización de los parámetros de cada proceso hasta el cambio en la ejecución de toma de decisiones; motivo por el cual, las tecnologías de Big Data cobran principal relevancia dado que son las que dotan de inteligencia a los sistemas que permiten detectar anomalías, predecir comportamientos, simular procesos industriales (y optimizarlos), generar procesos autónomos que incluso puedan contar con tecnología de aprendizaje.

    Sabemos que las fabricas tendrán las siguientes características:

    • Automatización de sus procesos industriales
    • Conectada para enviar la informacion de sus ejecuciones
    • Inteligencia para procesar los datos
    • Flexibilidad para adaptarse a los cambios
    • Sostenible respecto al uso de recursos
    • Coordinada por humanos

    Las industrias existentes o nuevas que sean consideradas 4.0 deben tener un fuerte uso de sus datos. Usar sus datos significa convertirlos en informacion, y esa informacion en conocimiento. El conocimiento mejora la toma de decisiones sobre los negocios. La Industria 4.0 permite mejorar la calidad de los productos, optimizar en gran medida los costos, provocar una reducción del time-to-market e incrementar la seguridad en todos sus aspectos.

    Recorriendo el camino hacia 4.0:

    El camino de una fabrica entorno al concepto Industria 4.0 se basa en gran parte en la adopción de forma masiva de sensores que permitan controlar distintos parámetros de interés, monitorizando todo lo que se nos ocurra y junto a ello generando una gran cantidad de datos. El abaratamiento del costo de sensores hace pensar que incluso cada producto pudiera contar con uno incorporado. Actualmente una maquina compleja cuenta con miles de sensores que son leídos en mili segundos. A eso se le suma la gran cantidad de dispositivos IoT que crecen exponencialmente dia a dia y que generan millones de datos. Transformar una fabrica a un modelo 4.0 significa también adoptar los requisitos necesarios para poder procesar el gran volumen de datos que cada dispositivo genera y que se seguirán incrementando a lo largo de los años. Ademas los orígenes de los datos son de lo mas diversos, de manera que se tiene que tener en cuenta la complejidad que significa procesar datos con fuentes y formatos distintos en tiempo real para asociar y relacionar distintas variables para entender comportamientos que permitan armar predicciones. Reemplazar la toma de decisiones a un modelo guiado por datos fehacientes por sobre el modelo de toma de decisiones por intuición sera un gran paso en materia de disminución de errores y que traerá aparejado un significativo aumento de la calidad.

    Realidad aumentada e Inteligencia artificial como motor del cambio:

    Vale destacar que los cambios vendrán por otros medios como el del añadido de informacion virtual al entorno físico de una planta. Para ello la Realidad Aumentada cobra vital importancia. Podríamos visualizar un almacén y por medio de AR analizar el stock, tener visualmente detalles de productos, KPI, realizar simulaciones y muchísimos usos prácticos mas.

    Un ejemplo practico de como la AR ayuda en la vida real, podemos ver el vídeo de VW y su software MARTA, que ayuda a los técnicos guiándolos cuando necesitan desarmar algún componente de un auto.

    Con respecto a la validación y simulación de procesos de fabricación, la AR permite obtener planes industriales probados desde el minuto 0, lo que genera un proceso de manufactura optimizado, sin errores y seguro. Una gestión optima de la planta industrial permite aumentar la competitividad desde diferentes puntos de vista, como el ahorro energético analizando los patrones de consumo de cada proceso y permitiéndonos optimizar dichos procesos o adoptar fuentes renovables que permitan generar energía dentro de la planta a través de paneles solares, baterías, etc y reducir la dependencia de la red eléctrica.

    Otro factor clave que lideran los cambios de la industria es la adopción de tecnología de Inteligencia Artificial. La definición del cofundador del laboratorio de AI del MIT Marvin Minsky es: “Es la ciencia de hacer que las maquinas hagan cosas que requerirían inteligencia si las hicieran personas”.

    La AI debe ayuda a la toma de decisiones, entendiendo y analizando patrones que para un humano serian imposibles. Es por eso que resaltamos la importancia de Big Data y todos los componentes basados en algoritmos que debemos adoptar para conseguir tomar decisiones automatizadas y tener previsibilidad de comportamientos.

    Para entender el uso practico de la #AI, podemos resumir el ciclo de uso de los datos asi: recoger los datos generados por #PLC y sensores para convertirlos en informacion, manejar esa informacion y explotarla desde sistemas de #BigData, y usar esa informacion para entender patrones y tendencias mediante #algoritmos.

    Lógicamente que cuanto mas datos, mas informacion y cuanto mas informacion, mas herramientas a nuestro favor. Podemos dotar a las maquinas de un comportamiento de aprendizaje automático (#MachineLearning) y que a medida que avance el tiempo la maquina pueda entender esos patrones y tendencias para ejecutar acciones automáticas. De esta manera y para usar de ejemplo, una maquina podría reportar la presión de sus inyectores, eso generaría un entendimiento de la situación de la maquina y del proceso de fabricación como así también el control de calidad; y con el aprendizaje realizado basado en tendencias avisar sobre el agotamiento de alguna materia prima, disminuyendo de esa manera la parada de la maquina para ser recargada, mejorando #OEE y manteniendo estable el proceso de calidad preestablecido.

    Los desafíos que vienen y su hoja de ruta:

    Algunos desafíos claves en el proceso de adopción de Industria 4.0, son el análisis de millones de sensores generando datos, asegurar la inviolabilidad de esos datos generados, la trasmision de datos hacia servidores o nubes para su análisis (#5G sera un gran aliado de la expansión de la Industria 4.0 simplificando gran parte del proceso de trasmision) y finalmente la #ciberseguridad de todos los componentes ya que mayores dispositivos conectados son también mayores puertas de acceso que controlar.

    Junto con los requisitos claves, surge el concepto de #PLM (product lifecycle management). Consiste en la gestión, a través de soluciones integradas de software, del ciclo completo de vida del producto, desde la concepción del producto con soluciones #CAD (Computer Aided Design), pasando por el análisis y la optimización del producto con soluciones #CAE (Computer Aided Engineering), llegando al análisis de cómo se va a producir y dar mantenimiento a este producto con soluciones #DMF (Digital Manufacturing) y capturando, reutilizando y compartiendo con cada uno de los actores del ciclo productivo toda la información generada en cada una de las etapas antes mencionadas con soluciones #PDM (Product Data Management).

    En resumen, para transformar nuestra organización a un modelo de Industria 4.0, debemos considerar:

    • Apalancar cambios en el modelo operativo con procesos automatizados, sensorización total y OEE digital.
    • Integrar los sistemas de TI con los sistemas de fabricación.
    • Controlar eficientemente el uso de energía.
    • Optimizar de los procesos de stock, logística y cadenas de suministro.
    • Efectuar controles de calidad unitarios y totales.

    Para comenzar es necesario efectuar un assessment total de las fabricas, entender la situación actual e indice de maduración tecnológica y trazar una hoja de ruta con los requerimientos a implantar y como recomendamos siempre, empezar con cambios progresivos y que dichos cambios cuenten con el apoyo de las personas que son quien en definitiva son los promotores de los cambios de envergadura.

    Contactate

      Por favor, demuestra que eres humano mediante la selección la bandera.