Los procesos empresariales están aprendiendo a hackearse solos

La fábrica es una maravilla de la automatización. Con solo pulsar un botón, parece que todo el lugar funciona solo. Pero aunque las fábricas actuales utilizan flujos de trabajo automatizados, el cambio de procesos sigue siendo mayoritariamente manual. Cuando surgen demandas en un entorno industrial, los gerentes e ingenieros deben interrumpir la automatización para actualizar los procesos que hacen funcionar las máquinas.

Ahora, gracias a los algoritmos de aprendizaje automático, un software inteligente puede analizar los datos de diversas fuentes (sensores de las máquinas o cambios en las cadenas de suministro, por ejemplo) y rediseñar los procesos en tiempo real.

En nuestra encuesta (que aún no se ha publicado) a casi 170 organizaciones industriales, el 96% de los encuestados estuvo de acuerdo o totalmente de acuerdo en que el aprendizaje automático automatiza la gestión de los cambios en los procesos dentro de su organización. En general, más de la mitad de los encuestados atribuyeron directamente las mejoras significativas, a menudo exponenciales, de los procesos empresariales a los procesos mejorados por el aprendizaje automático.

Al observar a los primeros en adoptarlo, hemos descubierto que el cambio automático de procesos se presenta en tres formas principales: se autoadapta, se autorrepara o una combinación de las dos. Algunas organizaciones ya están implementando elementos de automatización del cambio de procesos, mientras que otras están desarrollando tecnologías que sientan las bases de la misma. A continuación presentamos ejemplos de empresas que lideran la campaña.

Los procesos de autoadaptación mejoran la personalización

Los fabricantes de automóviles saben que los clientes están cada vez más interesados en personalizar sus coches. Pero, ¿cómo pueden adaptarse los procesos para permitir una personalización rentable? Andreas Nettstäter, que dirige los proyectos de investigación europeos en el Instituto Fraunhofer de Flujo de Materiales y Logística (IML), afirma que una nueva iniciativa de Fraunhofer llamada Smartface Consortium aborda este desafío.

Smartface está probando sensores integrados y estaciones de trabajo inteligentes en las plantas de fabricación de automóviles para crear una especie de línea de montaje autoadaptable que pueda modificar los pasos de su proceso para adaptarse a las exigencias de las diversas características de la automoción. En lugar de una línea de montaje de extremo a extremo, los coches se barajan en rutas optimizadas y no lineales entre las estaciones reprogramables que realizan de forma flexible las tareas de fabricación de un automóvil según las especificaciones.

Pronto, dice Nettstäter, los vehículos eléctricos y otros coches con numerosos sistemas digitales se individualizarán aún más que los coches actuales. «Tenemos que deshacernos de las líneas de producción estáticas en las que solo se puede fabricar un coche y una configuración», afirma, y añade que la industria de la automoción en Alemania ya puede soportar más de un millón de configuraciones de un modelo de automóvil, a diferencia de las empresas estadounidenses, japonesas y coreanas, que solo producen tres configuraciones estándar.

Además de la personalización, otra ventaja de las líneas de montaje autoadaptables es la robustez. «Si una estación tiene un fallo o se avería, las demás también podrían hacer lo que se debería haber hecho en esta estación de montaje», afirma Nettstäter. La investigación de Fraunhofer IML confirma los resultados de nuestra encuesta, en la que el 92% de los encuestados estaba de acuerdo o totalmente de acuerdo en que los procesos basados en el aprendizaje automático podían optimizarse por sí solos sin la intervención humana. Estos procesos de autoadaptación están impulsando una nueva generación de líneas de montaje rentables que satisfacen las demandas de los consumidores de productos altamente personalizados.

Los procesos de autorreparación resuelven sus propios problemas

Nuestra encuesta muestra que el 79% de los encuestados está de acuerdo o totalmente de acuerdo en que los procesos basados en el aprendizaje automático pueden realizar una especie de autorreparación en tiempo real. Una empresa llamada Sight Machine ha desarrollado análisis de aprendizaje automático para resolver diversos problemas en líneas de montaje complejas. El software puede detectar problemas ocultos en los procesos existentes y optimizar la calidad de los productos.

El enfoque de la empresa automatiza una gran parte de los procesos de reparación de máquinas, lo que ayuda a la organización a producir mejores productos más rápido. Más de dos tercios de los encuestados señalaron que el aprendizaje automático ha acelerado la entrega de productos físicos al menos 2 veces, y el 9% de las organizaciones ha visto una mejora de 10 veces.

En un ejemplo particularmente ilustrativo, Sight Machine se ha asociado con Shannon Precision Fastener, una empresa que fabrica tuercas, pernos y tornillos para los principales suministros de automoción. Para mantener la calidad de sus productos, Shannon utiliza las herramientas de Sight Machine para analizar el flujo de granos del metal en las piezas que produce. (En los tornillos fuertes, el flujo de grano es paralelo a la superficie exterior.)

Además de detectar los cierres de mala calidad, el análisis modifica el proceso de fabricación de Shannon a mitad de camino para evitar que se produzcan más piezas defectuosas. Shannon ha tenido tanto éxito que muchos de sus socios ya no se molestan en inspeccionar al recibir sus cierres.

Incluso los datos recopilados después de la producción de los productos pueden ser útiles para que los procesos aprendan a repararse solos. Por ejemplo, los sensores de los aviones pueden monitorizar las piezas de los aviones y los fabricantes de neumáticos pueden controlar el desgaste de los neumáticos desde lejos. Todos estos datos están listos para ser utilizados por los procesos de fábrica que se supervisan y reprograman para mejorar la calidad en función de los productos que ya se han fabricado.

Los robots adaptativos actualizan los proyectos de construcción en tiempo real

Los grandes proyectos de construcción, como el extenso y caro Big Dig de Boston, pueden hacer que los costes se descontrolen rápidamente a medida que se producen acontecimientos inesperados. El cambio automatizado de procesos ofrece una forma de ayudar a eliminar algunos factores que provocan sobrecostes y tiempo. En Ámsterdam, una empresa llamada MX3D está experimentando con elementos del cambio automático de procesos mientras desarrolla una nueva forma de construir un puente. Actualmente, la empresa imprime en 3D la estructura sobre un canal con la ayuda de robots, sensores y análisis de datos impulsados por el aprendizaje automático. El proyecto está demostrando una nueva forma de pensar la resolución de problemas en medio de proyectos complejos.

Tim Guertiens, director de tecnología de MX3D, explica que el puente de su empresa comenzaba a ambos lados del canal y se imprime hacia el centro (estará terminado en 2017). El aprendizaje automático permite que las impresoras se adapten sobre la marcha, y esta es la clave. ¿Y si, por ejemplo, el suelo de un lado se hunde un poco debido a fenómenos ambientales o geológicos? «Si eso ocurre durante la construcción», dijo Guertiens, «podremos compensarlo con el puente para asegurarnos de que se unen en el centro, no a 20 centímetros de distancia. Por eso queremos recibir comentarios constantes y poder cambiar el proceso de impresión a medida que avanzamos».

Una vez más, las capacidades de autorreparación y adaptación en tiempo real del aprendizaje automático pueden cambiar la forma en que los equipos de construcción gestionan los ajustes sobre la marcha, ahorrando tiempo, materiales y dinero.

En todos los sectores, pronto veremos un cambio hacia la captación de las ventajas superiores de la automatización, en la que los procesos ya no necesitan repararse manualmente. Las máquinas inteligentes reprogramarán y rediseñarán los procesos por sí mismas en tiempo real. El futuro gira en torno al cambio de procesos impulsado por la IA.