"¿Es demasiado tarde para que los fabricantes implementen la IA?"
"¿Cómo están capacitando los fabricantes a sus empleados para utilizar la IA?"
Hace poco recibí estas preguntas de un periodista que cubre el sector manufacturero. Mi primer pensamiento fue que muchos fabricantes están lejos de tener que capacitar a sus empleados. Todavía están tratando de descubrir cómo entrenar a sus sistemas de IA, si es que siquiera introdujeron la IA. Mi segundo pensamiento fue que las impresiones de la gente sobre cómo se está utilizando la IA en la industria manufacturera (y en otras industrias) probablemente no coincidan con la situación actual de la industria.
Si bien los fabricantes saben que la IA representa una oportunidad importante para impulsar la automatización y la eficiencia, muchos aún se encuentran en las primeras etapas de implementación de la IA . Otros, como Ford , introdujeron casos de uso de IA atractivos que ya están mejorando el control de calidad y disminuyendo los retiros de productos.
La razón por la que existe un nivel tan amplio de adopción de la IA entre los fabricantes no es que las empresas no vean su potencial, sino que una implementación exitosa de la IA requiere cambios fundamentales en la forma en que almacenan y gestionan los datos en las máquinas, los departamentos y las ubicaciones, a menudo en todo el mundo.
También se necesita una infraestructura construida desde cero para dar soporte a nuevos casos de uso, algunos que pueden predecir y otros con los que ni siquiera soñaron. Todo esto comienza con una estrategia de IA holística. La capacitación de los empleados sobre nuevos sistemas y procesos viene mucho después.
Basándome en mi trabajo con algunos de los principales fabricantes del mundo, acá presento una visión general de lo que implica una implementación de IA bien pensada.
Crear la infraestructura de datos que respaldará la IA.
Una de las mayores ventajas que ofrece la IA a los fabricantes es su capacidad de sintetizar grandes cantidades de datos organizacionales (que se necesitan décadas) en una fracción del tiempo que le llevaría a los humanos hacerlo. Sin embargo, lograr esto depende de la cantidad y calidad de los datos a los que los sistemas de IA puedan acceder.
Para muchos fabricantes tradicionales, este es un requisito previo abrumador, teniendo en cuenta que la consolidación de datos implica recopilar datos de múltiples ubicaciones dispares en toda la organización. Por ejemplo, cada máquina de cada planta puede funcionar con su propio software del que los fabricantes necesitan extraer datos. Luego deben vincularlo con datos de otros equipos y fuentes de datos en las fábricas y los sistemas de TI empresariales en otras partes de la empresa.
Sólo entonces podrán construir e implementar una nueva infraestructura de datos (ya sea en la nube u otro formato digital) que pueda contener todos estos datos en un solo lugar y hacerlos accesibles a cualquier herramienta o sistema en cualquier parte de la organización.
No es de extrañar que este enfoque desde cero pueda llevar años y muchos fabricantes apenas estén empezando. El fabricante alemán de envases médicos Gerresheimer, por ejemplo, anunció que planea conectar sus servidores de aplicaciones y producción para construir un repositorio de datos centralizado.
La buena noticia es que, una vez completado este paso inicial, los fabricantes rara vez tienen que repetirlo. Por haber trabajado con fabricantes, sé que la mitad del tiempo que solían dedicar a proyectos de análisis de datos se destinaba a recopilar datos, mientras que la otra mitad se dedicaba a configurar aplicaciones de IA y aprendizaje automático. Aquellos que desde entonces introdujeron una nueva infraestructura de datos ahora dedican todo su tiempo a crear e implementar nuevos casos de uso de IA y aprendizaje automático.
Cree casos de uso de IA que pongan los datos a trabajar en el proceso de fabricación.
Los casos de uso de IA serán diferentes para cada organización, pero es probable que algunos beneficien a fabricantes de todas las industrias.
Por ejemplo, al trabajar con uno de los mayores fabricantes de automóviles de Estados Unidos, utilizamos la IA visual para automatizar el control de procesos en la planta de producción. La empresa ahora puede analizar la precisión de las piezas producidas en una línea de estampación que prensa 900 piezas por hora. Esto crea una gran cantidad de datos, incluidas imágenes de cada pieza producida. Estos datos se utilizan luego para optimizar aún más el proceso, mejorando la eficiencia y la calidad a medida que la IA se vuelve más inteligente.
La IA visual también se puede aprovechar para inspeccionar materiales y otros productos de los dispositivos a medida que se producen. Y cuando se combina con tecnología robótica, puede ir un paso más allá y eliminar cualquier pieza defectuosa que identifique de la línea de montaje en tiempo real. Esto reduce drásticamente la cantidad de tiempo que los trabajadores de la fábrica dedicarían a estos procesos de otro modo.
Los fabricantes también pueden utilizar la IA para el mantenimiento predictivo si utilizan sus amplios datos históricos. Al comparar el rendimiento actual de las máquinas con patrones conocidos de dispositivos en buen y en mal estado, la IA puede identificar anomalías de rendimiento y pronosticar problemas en los equipos antes de que se produzcan. Esto puede, en última instancia, reducir el tiempo de inactividad de las máquinas y, por lo tanto, aumentar la producción.
La educación de los empleados es esencial, y se realiza en el momento adecuado.
Para responder a las preguntas que recibí sobre cómo los fabricantes están capacitando a sus empleados para usar la IA, la mayoría de ellos todavía no lo están haciendo. La mayoría todavía se centra en completar las dos áreas anteriores de su trayectoria en IA.
Una vez que estén listos para implementar sus casos de uso de IA y centrar su atención en la capacitación de los empleados, dos áreas críticas en las que deberían centrarse son:
1. Enseñar a los empleados cómo mantener la calidad de los datos.
2. Cómo analizarlo e interpretarlo eficazmente al utilizar herramientas de IA.
Se trata de dos conjuntos de habilidades que incluso los empleados con más conocimientos técnicos simplemente no tendrán, ya que aún no trabajaron con las soluciones de IA específicas de los fabricantes.
Los empleados que interactuarán directamente con la IA también deben tener un conocimiento sólido de ingeniería de señales. En otras palabras, deben saber cómo escribir entradas de IA generativas que produzcan el resultado deseado. Esta habilidad requiere a partes iguales de capacitación y práctica.
Estas nuevas habilidades crearán un entorno en el que los empleados estarán preparados y podrán comenzar a supervisar nuevos sistemas y herramientas de IA tan pronto como los fabricantes los implementen.