La IA industrial abarca cinco niveles: del reconocimiento de piezas al control de procesos

Una pieza pintada llega a la cinta transportadora, pero su etiqueta ya no se puede leer. Los trabajadores tienen que consultar la documentación y la línea pierde tiempo. En el ejemplo de la planta de prensas y bastidores de KAMAZ que recoge el artículo de Habr, se encargó esta tarea a una cámara y un sistema de reconocimiento: identificar la pieza a partir de una imagen y enviar el resultado al sistema de producción. Es un punto de entrada claro para la IA: hay una demora concreta y una acción que ayuda a eliminarla.

Para los desarrolladores y los responsables de producto, lo más útil aquí es la secuencia de implantación. Primero, entender qué se mide exactamente y cómo funciona el proceso. Después, determinar qué decisión mejoraría el trabajo. Y solo entonces elegir el modelo y su grado de autonomía. El artículo reúne ejemplos industriales, pero no ofrece mediciones comparables de su eficacia, por lo que conviene leerlo como un análisis de enfoques.

El sensor comunica una cifra; el contexto le da significado

Imaginemos un motor cuya vibración ha aumentado. Se podría enviar al operario una advertencia sobre una posible avería. Pero quizá el motor simplemente haya pasado a trabajar con otra carga, para la que esas lecturas son normales. Sin información sobre el régimen de funcionamiento, el sistema alertará a las personas con frecuencia, con motivo o sin él.

Por eso, cada medición necesita ir acompañada de la hora, el régimen del equipo y las condiciones en las que se obtuvo. También hay que tener en cuenta las interrupciones de comunicación, los errores de medición y los cambios en los propios sensores. Para el equipo, esto supone un trabajo muy concreto: acordar la estructura de los eventos, comprobar las marcas de tiempo, describir los regímenes de funcionamiento y establecer reglas para tratar los datos ausentes.

El artículo incluye un ejemplo ilustrativo de SIBUR: el descenso de las lecturas de temperatura y de sus oscilaciones se relaciona con la acumulación de coque en las rejillas del reactor. A primera vista, podría parecer un error de medición. Para convertir esa observación en una señal útil, hace falta conocer el proceso industrial. No basta con buscar valores inusuales.

Esta preparación también determina la calidad de la validación del modelo. Si se mezclan las fases normales de aceleración de los equipos con el funcionamiento en régimen estable, la evaluación resultante dirá poco sobre la utilidad del sistema en producción.

Cinco niveles, cinco productos distintos

El primer nivel es el reconocimiento: qué pieza está delante de la cámara, si el equipo está funcionando o si se ve algún defecto. El segundo es el diagnóstico y la predicción: qué significa una desviación y si puede provocar una parada. El tercero son las recomendaciones al operario. El cuarto es la selección de parámetros del proceso teniendo en cuenta sus limitaciones. El quinto es el control autónomo.

Estos niveles resultan útiles para definir el alcance del producto. Un sistema que detecta una zona sospechosa en una imagen y otro que cambia el régimen de una máquina necesitan datos, interfaces y métodos de validación diferentes. Que el reconocimiento funcione bien no demuestra por sí solo que el sistema esté preparado para asumir el control.

Veamos el ejemplo de una extrusora en la producción de polipropileno. Según la descripción del artículo original, el modelo de SIBUR analiza la telemetría, advierte del riesgo de obstrucción y puede recomendar un ajuste de la presión de las cuchillas. El beneficio aparece si el operario recibe la advertencia con suficiente antelación y tiene tiempo de actuar de forma adecuada.

En un producto así, conviene medir la antelación de las advertencias, el número de falsas alarmas y el de paradas que no se anticiparon. La recomendación debe explicar qué indicadores activaron la alerta y qué se propone cambiar. El operario puede disponer de información que el sistema no haya recibido, por ejemplo, sobre tareas de mantenimiento en curso o limitaciones del equipo.

Cómo elegir el primer proyecto

Un buen candidato es una tarea recurrente con datos disponibles y un resultado verificable. Por ejemplo, reconocer piezas que los empleados identifican ahora manualmente. Antes de empezar el desarrollo, conviene registrar el tiempo inicial de la operación y la frecuencia de errores; de lo contrario, después de la puesta en marcha será difícil saber si el trabajo ha compensado.

El siguiente paso es comprobar la solución en distintos turnos, regímenes de funcionamiento y condiciones de captura de imágenes. El material sobre la monitorización de la producción de aluminio menciona expresamente los reflejos, los destellos del sol y las balizas luminosas de los vehículos: el sistema debe distinguirlos de las señales de una alteración del proceso. Son precisamente estos detalles los que suelen determinar la calidad de la implantación.

Para el control autónomo, los criterios son más estrictos: hacen falta límites para las acciones permitidas, un mecanismo de intervención humana y un comportamiento claramente definido ante la pérdida de datos. La afirmación de que «el modelo no se equivoca» no lo demuestra sin condiciones de ensayo ni estadísticas.

La conclusión práctica para el equipo: elegir una fuente de pérdida de tiempo o un tipo de fallo, vincular los datos con las condiciones en las que se produce y comprobar si el resultado ayuda a tomar una decisión. Tiene sentido ampliar las facultades del modelo después de esa validación.