ML en la fábrica: por qué la automatización del caos solo genera caos

Imagina que decidiste construir el calendario de trabajo perfecto para una fábrica enorme, pero en lugar de un cimiento tienes arenas movedizas hechas de notas en servilletas y fantasías de maestros de taller de los últimos diez años. Exactamente en esta trampa caen muchos directores de TI cuando deciden que el aprendizaje automático es una varita mágica capaz de calcular instantáneamente la complejidad de la producción. En teoría, todo se ve hermoso: alimentas el modelo con datos de pedidos pasados, y te devuelve el tiempo ideal para cada operación. En la práctica, sin embargo, resulta que la IA no solo se equivoca, sino que lo hace con una confianza aterradora, amplificando el caos que se ha acumulado durante décadas.

El problema de calcular la complejidad en la ingeniería mecánica no es simplemente una cuestión de matemáticas, es una cuestión de supervivencia empresarial. Todo depende de estas cifras: desde el costo de la pieza hasta la utilización de máquinas y el precio final para el cliente. Tradicionalmente, este trabajo lo realizan normalizadores, pero su trabajo suele ser subjetivo y lento. El deseo de reemplazarlos con un algoritmo es comprensible, pero ignora una ley fundamental del trabajo con datos: basura entra, basura sale. Si tus datos históricos reflejan no el tiempo real de trabajo, sino el tiempo que un maestro "escribió" en el informe para obtener una bonificación, entonces el modelo de ML aprenderá a "escribir," no a calcular.

Cuando un equipo de entusiastas comienza a entrenar modelos con datos "sucios," rápidamente descubren que los algoritmos clásicos comienzan a alucinar. Los modelos probabilísticos son excelentes encontrando patrones donde no los hay, o peor aún, tratando errores sistemáticos como verdad. El resultado es un "acelerador de errores." Donde un humano podría haber dudado al ver un número extraño, un sistema automatizado simplemente lo traga y produce un resultado que parece sólido pero no tiene nada que ver con la realidad del taller. Esto crea una ilusión de control que cuesta a la empresa más que la falta total de automatización.

¿Por qué sucede esto? Se ha desarrollado una brecha peligrosa en la industria entre quienes escriben código y quienes trabajan en las máquinas. Los científicos de datos a menudo perciben una fábrica como un conjunto de tablas en una base de datos SQL, sin preguntarse cómo llegaron estos números allí. Y llegaron a través de manos de personas que tenían sus propios incentivos, miedos y pereza. Si una empresa carece de una cultura de recolección de datos limpios y una metodología de estandarización unificada, entonces cualquier intento de pegar IA encima es solo una forma cara de lanzar polvo a los ojos de la gerencia. No estás resolviendo el problema, lo estás preservando en forma digital.

Un verdadero avance en la IA industrial no sucederá cuando inventemos una nueva arquitectura de transformadores, sino cuando las empresas se den cuenta de la importancia de la "higiene de procesos." Antes de entrenar un modelo, necesitas establecer un sistema de control objetivo, eliminar el factor humano del seguimiento del tiempo y, posiblemente, descartar el 90% de la basura digital acumulada. Este es un trabajo aburrido, largo e ingrato que no se puede vender como un "avance innovador," pero es exactamente este trabajo lo que separa las soluciones que funcionan de las presentaciones hermosas que nunca salen de la etapa piloto.

El punto clave: El aprendizaje automático no cura procesos torcidos, los amplifica. ¿Estás listo para admitir que tus datos son basura antes de gastar millones automatizándolos?