Abrir publicación

Diccionario de la Industria 4.0

Cuando una empresa quiere iniciarse en la Industria 4.0, sus responsables van a encontrarse con una serie de conceptos que tienen cierta complejidad técnica y que, en muchas ocasiones, no están suficientemente bien explicados o no lo están en un solo sitio. Con la finalidad de facilitar la comprensión y ahorrar búsquedas en lo relativo al vocabulario que se maneja en el sector, publicamos este diccionario básico de la Industria 4.0 en el que explicamos brevemente los conceptos más habituales.

Industria 4.0: Este concepto requiere de una explicación en sí mismo. Cuando nos referimos a Industria 4.0 no sólo estamos hablando de la incorporación de una serie tecnologías en los diferentes procesos industriales o empresariales, sino que se trata de un concepto global que va más allá de la suma de sus partes. El objetivo fundamental de la Industria 4.0 es la mejora de la rentabilidad y la competitividad de las empresas mediante la incorporación de una “capa digital” que engloba todos los aspectos de la producción y la gestión, aportando tecnologías digitales en todos los eslabones de la cadena de valor. Hablamos del marketing digital, de la comunicación con los clientes por medios digitales y chatbots, de la aplicación de la Inteligencia Artificial en los distintos aspectos de gestión y producción, de la simulación 3D y el gemelo digital, de los algoritmos predictivos, machine learning, Internet of Things, Big Data y muchas otras herramientas que interactúan de forma cooperativa, tanto entre sí como con los seres humanos, simplificando la toma de decisiones y dotando a la empresa de una mayor capacidad de respuesta y aprovechamiento de los recursos.

Internet of Things (también IoT o Internet de las cosas): Utilización de la conectividad de banda ancha (fibra óptica, 4G, 5G) para que las máquinas se comuniquen directamente entre sí, sin necesidad de pasar por operadores humanos. Esto abarca desde los vehículos autónomos a la comunicación entre robots, cobots, sensores, servidores de  datos o aplicaciones industriales. La arquitectura distribuida de Internet garantiza una comunicación fluida entre máquinas sin necesidad de contar con grandes servidores centrales, de tal modo que cada máquina u objeto en general se comunica con quien necesita y cuando lo necesita, bien para recibir o para transmitir datos.

Inteligencia Artificial (IA): Sistemas de computación basados en algoritmos y árboles de decisión que son capaces de imitar (no de sustituir) ciertas capacidades de razonamiento de los seres humanos en determinadas situaciones. Por ejemplo, la IA se utiliza en las cámaras de muchos teléfonos móviles para determinar por sí mismas cuál es el mejor nivel de luz, brillo, intensidad de color y enfoque para una foto en función de los elementos que aparezcan en ella y las condiciones ambientales. La Inteligencia Artificial es una tecnología concebida para la cooperación con los seres humanos en aquellas decisiones que las máquinas pueden tomar de forma más rápida y eficiente. Además, los sistemas de IA pueden “aprender” hasta cierto punto de la experiencia, lo que les permite mejorar su desempeño con el tiempo.

Chatbot: Se trata de una aplicación de la Inteligencia Artificial y la Industria 4.0 a las relaciones con los clientes. Permite que éstos establezcan una conversación con una máquina, bien mediante voz o a través de chat escrito, utilizando un lenguaje natural que ésta es capaz de reconocer y dar una respuesta. Reduce los tiempos de espera, ayuda al usuario guiándolo cuando tiene un problema a cualquier hora del día y nos permite disponer de un servicio 24 horas/7 días por un coste asequible. Los asistentes virtuales de las grandes tecnológicas, como Siri, Alexa o Google Assistant, son ejemplos de la aplicación de la Inteligencia Artificial a los chatbots.

Cobots: Abreviatura de “Cooperative Robot”. Se trata de robots industriales diseñados para interactuar con humanos y funcionar como sus asistentes, a diferencia de los grandes robots industriales tradicionales que deben operar en entornos aislados. Además, los cobots pueden cooperar y comunicarse entre sí de forma similar a como lo hace un enjambre de abejas o (algque ya se aplica en muchas plataformas logísticas), de tal forma que no se interfieren entre ellos ni con los humanos que tienen alrededor.

Gemelo digital (Digital Twin): Un gemelo digital es una copia virtual de un entorno real. Puede aplicarse a líneas de producción, fábricas, empresas completas, edificios, ciudades, etc. El gemelo digital presenta, mediante realidad virtual o realidad aumentada, los datos proporcionados por multitud de fuentes de información (máquinas, sensores, ordenadore, seres humanos, etc) y permite interactuar con ellos, tanto en tiempo real (visualización de datos “tocando” un elemento con un gesto, si se trata de un entorno de realidad virtual en 3D) como simulando distintos escenarios (qué sucede si cambio elementos de sitio, si incremento el ritmo de producción, qué máquina debo sustituir, dónde estarán los cuellos de botella…) Sus aplicaciones son casi infinitas.

Machine learning: Capacidad de las máquinas o sistemas de información de “aprender” de la experiencia. Este aprendizaje puede ser dirigido por los seres humanos sometiendo al sistema a entrenamiento, puede ser automático o puede basarse en “ensayo y error”. Habitualmente los sistemas de machine learning utilizan, en mayor o menor medida, las tres formas de aprendizaje. El coche autónomo es el mejor ejemplo de ello: Primero ha habido que entrenarle para que sepa qué son las marcas viales y las señales de tráfico, después ha tenido que aprender solo en situaciones reales (controladas por un operador humano) y preguntar cuando se le presenta algo que no entiende, y después se le ha permitido circular en modo automático para acumular experiencia que es muy complicada de programar previamente (interacción con peatones, comportamientos imprevistos de otros vehículos, etc).

Big Data: El Big Data es el nombre que se leda la explotación y cruce de gran cantidad de datos procedentes de fuentes diferentes para obtener resultados que no era evidentes a simple vista, o directamente resultados nuevos. La mayoría de empresas cuentan con gran cantidad de información que no explotan de forma adecuada. Además de su aspecto comercial y de relación con los clientes (algo que las grandes tecnológicas y corporaciones ya hacen para ofrecernos ofertas personalizadas a nuestras necesidades o intereses) el Big Data permite cosas tan interesantes como optimizar los stocks, adaptar los ritmos de producción, predecir el comportamiento del mercado o mejorar el mantenimiento preventivo, entre otras muchas aplicaciones.

Realidad Virtual y Realidad Aumentada: Se trata de dos tipos de interface de comunicación con los sistemas digitales por parte de los seres humanos. Mientras que la Realidad Virtual no proporciona un entorno completamente digital en el que podemos “entrar”, por ejemplo usando gafas 3D y reconocimiento de gestos, la Realidad Aumentada utiliza dispositivos electrónicos para superponer una capa digital al mundo real, de tal modo que podemos acceder a datos “sobreimpresos” sobre lo que estamos viendo. Ninguna de las dos tecnologías es nueva, pero ha sido necesario el desarrollo de redes de comunicación ultrarrápidas y el incremento exponencial de la potencia de computación para que ambas puedan desarrollar todo su potencial.

Fabricación aditiva e impresión 3D: Se trata de procesos de fabricación que no requieren moldes o patrones físicos para fabricar componentes. La impresión en 3D, que ya permite fabricar piezas del tamaño que se quiera y casi a partir de cualquier material en polvo o moldeable, es el máximo exponente de este sistema de fabricación que ya se utiliza en la industria aeroespacial, automoción, arquitectura o la fabricación de componentes industriales y electrónicos. El “molde” es un diseño virtual en 3D que una máquina o conjunto de máquinas son capaces de fabricar por sí solos a partir de materias primas como el plástico y los materiales compuestos, el hormigón o incluso ciertos metales.

 

Probablemente no en este diccionario no están todos los términos relacionados con la Industria 4.0 (necesitaríamos una enciclopedia), pero sí los que se manejan más habitualmente. En futuras entregas de nuestro blog iremos ampliándolo con términos nuevos.

Abrir publicación

Machine learning: Una herramienta básica de la Industria 4.0

Cuando hablamos de machine learning nos referimos, en general, a la habilidad de determinadas máquinas y, por tanto, de los sistemas informáticos que las gobiernan, para “aprender” de la experiencia. La computación moderna está basada en algoritmos (fórmulas matemáticas con muchos factores) que pueden llegar a ser muy complejos, y en “árboles de decisión” en los que se contienen instrucciones para la toma de decisiones del tipo “si X alcanza cierto valor haz esto” o “si sucede A, haz B” (dicho de una forma tremendamente simplificada).

Las técnicas de machine learning permiten a esos algoritmos no sólo tener en cuenta los datos de entrada que recibe, sino analizar si el resultado final es el adecuado (según unos parámetros previamente fijados) y tener en cuenta esos resultados cuando el algoritmo vuelva a ejecutarse. Se trata, por tanto, de un tipo de inteligencia artificial.

Hasta no hace mucho tiempo, las máquinas se limitaban a ejecutar las instrucciones que se les daban sin tener en cuenta el resultado final. Es decir, ante un desajuste era un operador humano quien tenía que intervenir, bien en la máquina en sí o en su programación, para corregir el problema. Como máximo, por ejemplo los robots industriales, estaban preparados para detenerse si se producía un error o había algún fallo en los datos o componentes de entrada. Es decir, un robot soldador en una cadena de producción de automóviles estaba programado para soldar unos puntos concretos previamente programados, pero no era capaz de saber si la soldadura estaba bien o mal. Como mucho, podían detenerse (y con ellos toda la cadena) si detectaban que la carrocería a soldar estaba mal colocada.  Pero no eran capaces de aprender.

Los sistemas basados en machine learning están diseñados para aprender de tres modos distintos:

  1. Aprendizaje supervisado: En este caso hay un “entrenamiento” supervisado por un operador humano. Por ejemplo, si quiero que un robot distinga entre perros y gatos, tendré que proporcionarle los datos que le ayuden a identificar qué es un perro y qué es un gato, y decírselo mediante “etiquetas”. Ejemplo: Mostrarle imágenes de muchos perros y gatos distintos, etiquetadas cada una como “perro” o “gato”, de tal modo que cuando el sistema tiene la cantidad suficiente de datos puede reconocer por sí solo a un perro o a un gato por similitud.
  2. Aprendizaje no supervisado: En un modelo de aprendizaje no supervisado, siguiendo el ejemplo anterior, le proporcionamos al sistema fotos de perros y gatos, pero no le decimos nada sobre ellos. El sistema aprende a reconocer que existen dos categorías distintas (aunque no sabrá cómo se llaman) y será capaz de, cuando le mostremos una foto que no ha visto nunca, decirnos si es A o B. Si el sistema es capaz de conectarse a distintas bases de datos externas (por ejemplo, internet), buscará similitudes con las imágenes que ha visto, palabras relacionadas con ellas y acabará poniéndoles nombre: “perro” y “gato” sin que nadie se lo haya dicho.
  3. Aprendizaje por refuerzo: El sistema aprende de la experiencia, no sólo de los datos que se le proporcionan (datos de entrada) sino de si sus decisiones han sido acertadas o erróneas (datos de salida). Las decisiones erróneas “penalizan” al sistema para no volver a repetirlas, mientras que las decisiones correctas lo refuerzan.

El papel del Machine Learning en la industria 4.0

La capacidad de aprender no sólo está ya presente en los robots industriales, sino en muchas aplicaciones informáticas: Google y Facebook son un buen ejemplo de cómo, a través de la exposición continua a las búsquedas, preferencias e interacciones del usuario, son capaces de realizar un “retrato robot” de cada uno de nosotros y de nuestros gustos. Aunque no se lo digamos, conocen nuestra edad, nuestro sexo, lo que nos gusta comer, beber, nuestros viajes favoritos, quién nos cae bien y quién no y centenares (si no miles) de datos más que se utilizan para mostrarnos, tanto en los resultados de búsquedas como en la publicidad, lo que realmente nos interesa ver.

Obviamente, los algoritmos de Google o Facebook son extremadamente complejos y requieren de una potencia computacional descomunal. Sin embargo, los procesos industriales (tanto en fabricación como en servicios) se desarrollan en entornos mucho más controlados, donde los datos de entrada no son tan numerosos. Esto permite simplificar los algoritmos y árboles de decisión y requiere mucha menos capacidad de computación, lo que los hace accesibles a muchas empresas en sus aplicaciones cotidianas. Por ejemplo, un almacén robotizado ya es capaz de decidir, en función de las dimensiones y volumen del objeto a almacenar, la forma más eficiente de hacerlo ocupando el mínimo espacio posible. Esto permite almacenar más productos en menos espacio, algo que ya aplican no sólo fábricas, sino establecimientos comerciales que manejan muchas referencias distintas, como las farmacias.

Los sensores son la clave

Un sistema automático basado en Machine Learning no puede aprender si no dispone de datos de entrada. Obviamente, de nada sirve tener un sistema inteligente si tenemos que alimentarlo de datos de forma manual. Para ello, la automatización industrial requiere de sensores de muy distinto tipo: cámaras que permiten reconocer formas y objetos, sensores de ubicación y posición en el espacio, sensores de presión, temperatura, sensores LIDAR (por ejemplo en los vehículos autónomos) y un largo etcétera. Estos sensores son los “sentidos” de un sistema basado en Machine Learning.

Todos estos sistemas auxiliares que posibilitan el funcionamiento adecuado de un sistema inteligente no es sólo que ya estén disponibles, sino que han experimentado una reducción muy significativa de su coste en los últimos años. Esto, junto con los avances en conectividad, permite que la aplicación del Machine Learning sea ya posible fuera del selecto círculo de las grandes corporaciones.

¿Qué beneficios aportan estos sistemas a una empresa?

Muchos y muy diversos. En comparación con los sistemas automáticos tradicionales, los basados en Machine Learning han demostrado ser más versátiles y adaptables, reducen espectacularmente la tasa de errores, son capaces de interactuar en entornos en los que hay seres humanos y entre sí y, sobre todo, son capaces de realizar con eficiencia tareas que eran impensables para un robot hace sólo unos años. Todo esto les convierte en una pieza clave del incremento de productividad derivado de la implantación de la Industria 4.0.

 

 

 

Abrir publicación

Inteligencia Artificial: La ciencia aplicada a la industria y la toma de decisiones

Cuando hablamos de inteligencia artificial a todos nos vienen a la memoria películas de Hollywood, desde la malvada Skynet de Terminator a la no menos malvada Matrix. Hay que decir que este tipo de películas de ciencia-ficción están mucho más cerca de la ficción que de la ciencia.

Entonces, ¿a qué nos referimos cuando hablamos de inteligencia artificial? Estamos hablando, básicamente de matemáticas. Los ordenadores son terriblemente eficientes haciendo cálculos a velocidades inimaginables para un ser humano. La inteligencia artificial no es más que la aplicación a cualquier ámbito en el que se requiera realizar muchos cálculos de forma muy rápida de fórmulas matemáticas (algoritmos) muy complejos realizados por ordenadores o, mejor dicho, por microprocesadores.

Un ejemplo práctico que muchos ya llevamos en el bolsillo son los smartphones con cámaras que utilizan la inteligencia artificial para ajustar automáticamente los parámetros de la cámara en función de la iluminación, de si aparecen personas u objetos, de si están en movimiento, etc, para obtener la mejor imagen de entre todas las combinaciones posibles.

La inteligencia artificial viene de la mano del incremento exponencial de la potencia de cálculo de los microprocesadores. Algoritmos que hace tan sólo unos años sólo podían ser ejecutados en centros de supercomputación están hoy al alcance de ordenadores o servidores que cualquier empresa puede tener.

La aplicación de la inteligencia artificial a la toma de decisiones en la empresa

Uno de los aspectos más interesantes de la inteligencia artificial es su capacidad predictiva. Prácticamente todos los grandes operadores de mercados financieros utilizan esta tecnología para predecir la evolución del mercado en tiempo prácticamente real, de tal forma que los ordenadores controlan las carteras de valores y, en función de los datos con los que cuenta el algoritmo, toman la decisión de comprar o vender dichos valores.

La inteligencia artificial es uno de los pilares básicos de la Industria 4.0. Hasta ahora, la toma de decisiones estaba basada principalmente en el análisis “forense” de lo que ya ha ocurrido. Nos referimos a las habituales reuniones estratégicas de las empresas en las que se analizan los resultados del mes o del trimestre y a partir de ahí se toman decisiones para planificar el siguiente periodo. Pero el gran inconveniente es que se están haciendo proyecciones hacia el futuro de cosas que ya han sucedido, confiando en que la tendencia se va a mantener o va a cambiar en función de un número limitado de datos, pero casi nunca en tiempo real ya que resulta muy complejo hacerlo.

Sin embargo, si sabemos que los ordenadores son mejores que los seres humanos en el análisis de datos y la toma de decisiones, ¿por qué no aprovechar esa posibilidad? La Industria 4.0. proporciona herramientas, como la robotización y la sensorización de la producción, que generan datos en tiempo real. Lo mismo sucede con la logística, con los pedidos o muchos otros parámetros que son fundamentales en el buen gobierno de una empresa. Un algoritmo de inteligencia artificial puede manejar de forma simultánea una enorme cantidad de datos diferentes, incorporarlos a un modelo matemático (el “gemelo digital”) que reproduce fielmente el funcionamiento de la empresa y realizar predicciones a partir de ellos, algo que un ser humano, por muy experto en estrategia que sea, no es capaz de hacer al mismo nivel.

¿Significa eso que debemos dejar el gobierno de la empresa en manos de los ordenadores? Rotundamente no. Las empresas que nos dedicamos al desarrollo de la Industria 4.0 no planteamos ese escenario. Lo que estamos planteando es la cooperación de las neuronas biológicas de los seres humanos con las neuronas digitales de las máquinas. La planificación estratégica sigue siendo (y lo será por mucho tiempo) patrimonio de las personas. Pero la inteligencia artificial es una valiosísima herramienta que nos permite, gracias a las técnicas de simulación, predecir diferentes escenarios a partir de una situación dada con un alto grado de fiabilidad. Preguntas del tipo:

  • ¿Cuándo necesitaré incrementar mi capacidad de producción y en qué aspectos de mi empresa debo hacerlo?
  • ¿Hasta dónde debo incrementar esa capacidad (o reducirla, si fuera ese el escenario)?
  • ¿Está mi empresa correctamente dimensionada en cuanto a personal y equipamiento para hacer frente al plan estratégico?

…y otras muchas similares pueden ser respondidas con mucha más facilidad y, sobre todo, de forma mucho más precisa gracias a la inteligencia artificial. Y en una empresa, en cualquier empresa, no quedarse corto ni pasarse de largo implica una mejora automática de la productividad al tiempo que un importante ahorro en costes e inversiones.

De la misma forma, existen modelos matemáticos que permiten simular la previsión de la demanda que facilitan resultados para ajustar, balancear y optimizar stocks, garantizando niveles de servicio increíbles.

Hasta ahora, la aplicación de la alta tecnología que representa la inteligencia artificial sólo estaba económicamente justificada en grandes corporaciones, dado lo costoso de su implantación. Pero, como hemos dicho al principio, la tecnología necesaria ya no es tan costosa, por lo que cada vez son más las empresas que saldrían ganando en la ecuación coste/beneficio si implantaran las tecnologías de inteligencia artificial, robotización, sensorización, simulación y gemelo digital entre otras) que propone la Industria 4.0. Y en un futuro muy próximo, las empresas que no lo hagan estarán perdiendo el tren de la productividad.

NORLEAN es mucho más que una empresa especialista en simulación. Somos un equipo multidisciplinar (Ingenieros – Expertos en operaciones productivas, Expertos en Negocio, Marketing & Ventas, Analistas de Datos, Tecnólogos, Matemáticos y Financieros), tenemos clara la dirección en la que se mueve la tecnología aplicada al mundo de la empresa y nos hemos propuesto como misión democratizar el acceso a esa tecnología para que no sólo se beneficien de ella las grandes corporaciones. Porque el futuro ya es presente, aquí y ahora.

 

Abrir publicación

El gemelo digital, una pieza clave en la Industria 4.0

Prácticamente todo el mundo en los círculos empresariales ha oído hablar de transformación digital e Industria 4.0. Sin embargo, si preguntamos un poco más a fondo, mucha gente entiende la digitalización como algo puramente informático: la eliminación de papeles, la implantación de ERPs y otros tipos de software, la comunicación por medios digitales o, como mucho, la robotización.

Cuando hablamos de Industria 4.0 estamos hablando de algo mucho más profundo, de una nueva revolución industrial que no es “para el futuro”, sino que ya está en marcha. Se trata de un tren que las industrias no pueden perder, so pena de ver como su competitividad queda definitivamente lastrada.

Para definir mejor qué es la Industria 4.0, nada mejor que seguir el ejemplo de los grandes. La consultora internacional Gartner, una de las líderes mundiales en programas de innovación tecnológica y análisis de tendencias (no es casualidad que su sede esté en Stanford), ha definido un decálogo de tecnologías básicas de la Industria 4.0. Se trata de tecnologías que ya están disponibles y aplicables:

1. Inteligencia Artificial (IA): Algoritmos que llevan a cabo acciones de forma autónoma, aprendiendo de los errores y maximizando las posibilidades de éxito en la función o tarea que tienen encomendada. Algo que hasta hace poco tiempo estaba reservado a las grandes corporaciones como Google, y que hoy ya tenemos en muchos objetos de uso cotidiano, como las cámaras de los smartphones.

2. App inteligentes: Aplicaciones interactivas que utilizan esos algoritmos de IA para interactuar con el usuario. Algo que también tenemos ya en muchos aparatos de uso diario (Siri o Alexa son ejemplos prácticos) pero que tienen aplicaciones en todos los ámbitos de la empresa, eliminando tiempos muertos y mejorando la eficiencia.

3. Objetos inteligentes: (Internet de las Cosas, o IoT): Del mismo modo que con las aplicaciones, los objetos y máquinas también están utilizando cada vez más estos algoritmos, además de la conectividad con internet. En 2019 habrá más objetos conectados a la Red que personas. Estos objetos pueden comunicarse entre sí de forma remota, cooperar entre ellos para ejecutar tareas y obtener información directamente de la Red.

4. Gemelo digital: La creación de “gemelos digitales”, que son réplicas virtuales de diferentes procesos productivos o de la empresa en su conjunto, permite llevar a cabo simulaciones de diferentes escenarios (por ejemplo: quiero introducir robots en mi cadena de producción, ¿cuántos necesito y dónde me compensa hacerlo?). El gemelo digital es un modelo aplicable a fábricas, edificios, ciudades…
La ventaja principal del gemelo digital es que dota a la empresa u organización de una capacidad de anticipación sin precedentes hasta ahora, especialmente cuando se desarrollan en 3D y se utilizan tecnologías inmersivas como la realidad virtual o la realidad aumentada. El gemelo digital es más que una herramienta, es un nuevo concepto de gestión de sistemas (ecosistemas) complejos como los que se dan en la producción industrial, la construcción y gestión de edificios o las smart cities.
5. Cloud to the Edge: Las cantidades de datos que se generan son demasiado grandes para ser gestionadas por un solo servidor, además de suponer una inversión continua en actualización de sistemas y espacio de almacenamiento digital. La nube es la opción, tanto en almacenamiento de datos como en sistemas punteros como la computación distribuida (cloud computing).

6. Plataformas de conversación: Una empresa es, sobre todo, un conjunto de personas que necesitan comunicarse de forma eficiente. El correo electrónico ya ha demostrado sus limitaciones en este aspecto, por lo que cada vez más empresas incorporan sistemas de gestión de proyectos y de intercambio de información, que permiten la realización de documentos y proyectos cooperativos y mejoran la eficacia de la comunicación interna, asegurándose de que ésta llega a la persona adecuada en el momento adecuado para tomar la decisión correcta.

7. Experiencia inmersiva: Todo lo que podamos hacer con gestos naturales, dejaremos de hacerlo con teclados. Hoy nadie concibe un teléfono móvil con teclado físico, y lo mismo está sucediendo con el resto de sistemas informáticos. En este sentido, la realidad virtual y la realidad aumentada cobran todo el protagonismo, al permitir visualizar e interactuar con el sistema de forma mucho más natural y fluida.

8. Blockchain: La tecnología blockchain, que ya están incorporando los bancos y las compañías aseguradoras, supone una auténtica revolución en la confidencialidad, seguridad e inviolabilidad de las transacciones. Al tratarse de sistemas distribuidos, son prácticamente invulnerables a los ataques, una de las crecientes preocupaciones de todas las empresas. Blockchain será un elemento básico de ciberseguridad en poco tiempo.

9. Modelo controlado por eventos: Constituye la “capa digital” del negocio. La modelización, para ser efectiva, requiere ser simple. Si digitalizar supone complicar más las cosas, entonces no funcionará. Por eso se requiere de interfaces gráficas sencillas, adaptadas a cada necesidad de tal modo que un simple toque desencadene una cadena de respuestas que permita disponer de información en tiempo real de lo que está sucediendo. Para ello, es vital contar con una serie de sensores informan al sistema de lo que ocurre en cada momento, lo que permite al modelo digital adaptarse a cada circunstancia.

10. Riesgo y confianza adaptativos: La gestión de la seguridad debe ser continua, basada en niveles de confianza y flexible. Si es demasiado rígida será contraproducente ya que ralentizará la puesta en marcha de nuevos procesos. Si gestionamos el riesgo de forma laxa estaremos creando brechas de seguridad. Por eso el riesgo debe ser monitorizado continuamente y los sistemas, interfaces y autenticaciones deben poder cambiar en función del nivel de riesgo en cada momento. Es obvio que una empresa bajo ataque debe responder instantáneamente blindando sus sistemas, pero hasta ahora eso se realizaba de forma manual. Gartner propone una estrategia que, en base a la monitorización del nivel de riesgo, adapte automáticamente los sistemas de seguridad.

En NORLEAN somos pioneros en la creación de gemelos digitales en 3D, utilizando tecnologías inmersivas de realidad virtual que permiten tanto la simulación de escenarios diferentes como la gestión en tiempo real del sistema con datos procedentes de distintos sensores, aplicaciones y maquinarias. Es decir, permiten no sólo visualizar el conjunto del ecosistema, sino también sumergirse e interactuar con él. En próximas publicaciones entraremos más a fondo en nuestro modelo de gemelo digital. En NORLEAN no esperamos al futuro, sino que somos motores de cambio tecnológico para que el futuro se haga realidad hoy.

Volver arriba