La inteligencia artificial en la industria: análisis de predicción y sistemas de toma de decisiones

Publicado el

Inteligencia Artificial

Las ventajas de implementar la IA en la industria también se ven reflejadas en las tendencias del mercado.

Meticulous Research en su nuevo informe subraya que cada año el mercado de inteligencia artificial en la industria crecerá un 40 % aproximadamente y, para el año 2027, alcanzara el valor de 27.000 mil millones de dólares. Además, Mordor Intelligence estimó el volumen del mercado de IA en la industria petrolera y gasífera en el año 2019 en 2.000 mil millones de dólares. Las previsiones para el año 2025 supondrían 3.810 mil millones de dólares, mientras que el crecimiento anual sería de un 11 %.

Previsión de la demanda

 
Para mejorar sus procesos productivos, el startup siderúrgico de Arkansas (EE. UU.) Big River Steel se fusionó con una empresa de consultoría en el ámbito de IA. Juntos seleccionaron como tarea prioritaria prever la demanda mediante el uso de modelos de aprendizaje automático. Los modelos han sido entrenados con los datos de la demanda histórica de acero, los indicadores macroeconómicos y los datos sobre la actividad de los clientes. A la hora de planificar la actividad, el sistema tiene en cuenta la demanda antes prevista. Estas circunstancias generan las condiciones para mejorar la gestión de la oferta y disminuir el inventario en el almacén. Además, la volatilidad en esta industria hace que los nuevos enfoques analíticos ganen más potencial.

Las compañías del sector automovilístico pueden presumir de mayor experiencia en la previsión de la demanda. Esto lo demuestra, por ejemplo, Volkswagen AG Data: Lab Munich, que se convirtieron en pioneros de más de un centenar de proyectos de pronóstico de demanda por producto y región. La consultora Capgemini calculó que los grandes productores de componentes complejos para automóviles podrían incrementar su beneficio operativo en hasta un 16 % gracias a la implementación activa de la IA.

Predictive Layer ofrece la solución para la predicción del consumo de energía eléctrica. La empresa se dedica al suministro de un motor de generación dinámica de precios que incluye el análisis de la demanda y la elasticidad de la oferta de la compañía cliente. Como asegura la empresa, ellos han logrado pronosticar la demanda de forma bastante precisa incluso para el día siguiente. Se espera que el mercado nacional de la energía eléctrica pueda ahorrar cerca de 45.000 millones de dólares al año.

Al igual que los modelos clásicos, las compañías petroleras también utilizan modelos innovadores para el pronóstico del consumo de energía eléctrica. Como muestra el informe del año 2019, los modelos de interpretación clásica son todavía más preferibles para las previsiones anuales de consumo de energía eléctrica a nivel estatal. En este caso, una persona comprenderá con mayor facilidad la relación entre los datos de consumo y los factores influyentes. A pesar de que la eficiencia de los modelos de aprendizaje profundo puede ser mayor, aún son empleados en raras ocasiones.

Definición de riesgos y servicios de predicción

Los datos en forma de tablas y textos son las dos fuentes principales para el uso de los métodos de aprendizaje automático. En la gestión de riesgos los datos de texto son los informes de averías, mientras que los datos de tablas son aquellos que reflejan su frecuencia.

Hoy día, están muy de moda los servicios de previsión, sin embargo, para su desarrollo se necesitan datos de gran calidad y la reorganización de todo el sistema de los procesos de mantenimiento y reparación. Los sistemas de detección de anomalías y servicios de previsión son importantes aplicaciones de aprendizaje automático en la industria de petróleo y gas. El empleo de este método favorece puesta en circulación de sensores. La detección de defectos, por ejemplo, en bombas, puede ocurrir en una etapa temprana, lo que previene de futuras pérdidas.

El proyecto BCG explica de manera sencilla las ventajas de aplicar estos enfoques para el análisis de datos. En la lucha contra las paradas de equipos dinámicos y la evaluación de su potencial, los datos de operación son de gran ayuda. El control del proceso abre nuevas posibilidades para el trabajo con los puntos débiles de la producción.

Inteligencia artificial y procesos de producción

La gran variabilidad es propia de los procesos complejos. Para generar un enfoque estandarizado de la gestión de procesos tecnológicos, se generan sistemas expertos basados en el análisis de datos. El empleo de estos sistemas es prioritario, en primer lugar, para las industrias de procesos. Los primeros proyectos en este ámbito se puede ver en la minería y siderurgia.

El ejemplo de NLMK es muy ilustrativo y muestra el pronóstico de una sustancia química al añadirle determinados materiales. En el año 2019, la compañía química Accenture presentó el modelo financiero para una empresa estándar del sector químico. La compañía demostró como una empresa con ingresos de 11.300 millones de dólares al año es capaz de incrementar su beneficio un 10 %. La empresa tecnológica bitrefine propuso una solución para una amplia gama de tareas. Se demostró que los ingresos se pueden aumentar mediante la digitalización y optimización de los procesos productivos en diversas esferas: tratamiento de gas, producción de plásticos, industria química, etc.

Inteligencia artificial y control de calidad

Los sistemas de soporte en la toma de decisiones también incluyen el control de calidad. Estos ayudan a vigilar las propiedades de los productos fabricados y determinar la lógica para la eliminación de anomalías. En este caso, el núcleo del sistema también es una IA que detecta los defectos mejor que el hombre, gracias a los métodos de aprendizaje profundo.

Como ejemplo se puede nombrar la fábrica BMW en Dingolfing: los datos del pedido y las fotos del automóvil son analizados mediante inteligencia artificial. Un sistema similar ha sido instalado también por la empresa Audi. El centro de prensa de la compañía en Ingolstadt asegura que son capaces de eliminar todas las pérdidas causadas por inspecciones de baja calidad. 

El control visual puede ser utilizado para comprobar el ensamblaje, el estampado, la calidad de soldadura y la geometría del producto. El análisis de la imagen se hace gracias al aprendizaje automático, mientras que los cálculos son provistos por el sistema en tiempo real.

Detección de anomalías en las etapas tempranas del proceso tecnológico

Nadie dudará que una de las prioridades clave de la industria es la seguridad de las personas: la eliminación de riesgos para el ser humano y la delegación de tareas peligrosas a las máquinas. Los sistemas de inteligencia artificial poseen una importante cualidad para detectar anomalías. El desarrollo de esta posibilidad es uno de los objetivos de la industria. Los procesos de producción pueden verse interrumpidos por acontecimientos difíciles de detectar por el ser humano mediante revisión manual.

La compañía ucraniana Sciforce ofrece el ejemplo de un cliente que desea acelerar los algoritmos regulares de tratamiento de datos y aumentar la estabilidad del sistema. La compañía ha creado un proceso comercial de detección de anomalías que incluye tanto la detección de las anomalías actuales como también el pronóstico de las futuras. En calidad de modelo para esta detección, se utilizaron codificadoras automáticas y, para el pronóstico, se emplearon redes neuronales recurrentes. Los modelos han sido capaces de ofrecer un pronóstico preciso para un plazo de hasta 10 minutos.

Popularidad de los nuevos enfoques

Durante los últimos años, las redes neuronales y otros conceptos de aprendizaje automático se encuentran en gran auge. Estas ya se aplican en muchos ámbitos de la actividad económica, pero todavía no han llegado a la industria pesada. Este tipo de industrias todavía emplea los métodos tradicionales de control de procesos. Cuando el modelo de negocios de una empresa desde el principio está creado alrededor de datos de gran calidad, estos pueden ofrecer un importante valor. Otra situación se observa con las empresas de la industria pesada que tratan con activos físicos. Por ello, estas compañías tomaron mucha tiempo para tomar en cuenta los nuevos enfoques.

La mayoría de los proyectos todavía se encuentra en las etapas de experimento. Sin embargo, algunas grandes compañías ya se encuentran en el camino hacia la digitalización. Entre ellas están General Electric y Volkswagen Group. Las estrategias de estas empresas incluyen una multitud de proyectos relacionados con la inteligencia artificial. Estos proyectos están enfocados en obtener un resultado rápido de la implementación de la IA: En los años próximos, la mayoría de las compañías que comenzaron la digitalización se enfrentarán a los importantes desafíos que esta presenta.

Comparte en: