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.

 

 

 

Volver arriba