La Explosión de los Datos alcanza a la Ingenieros
Machine Learning en la Práctica Industrial
Photo by geralt on Pixabay
Durante la última década la capacidad de cómputo de los ordenadores ha crecido hasta tal punto que ya es posible abordar problemas que antes era inviable resolver con la tecnología disponible.
Estamos hablando del Big Data, el nuevo marco tecnológico surgido a raíz de dicha evolución en la capacidad de cálculo de los sistemas informáticos. Cuando decimos Big Data nos referimos al procesamiento en tiempo real de millones de datos. Unos de los ejemplos más cercanos es el de las redes sociales, donde los usuarios comparten información con millones de otros usuarios y pueden tener comunicación cruzadas entre ellos, prácticamente sin límites en el volumen de información intercambiada.
Sobre dichos datos se aplican algoritmos cuyos fundamentos teóricos vienen de la década de los 90 y anteriores. De los algoritmos más sencillos, caso de la regresión logística, a los más complejos y exigentes computacionalmente, caso de las redes neuronales. Así, la implementación práctica en las empresas cuyo negocio se basa en el procesamiento de cantidades ingentes de información no ha sido posible hasta la década pasada. Como ejemplo conocido por todos tenemos los sistemas de recomendación de música y contenidos multimedia, cuya construcción proviene del aprendizaje de las interacciones que el usuario tiene con las aplicaciones en móviles, tablets y televisión.
La agrupación de estos algoritmos constituyen el marco tecnológico que denominamos Aprendizaje Automático, o en su denominación más familiar en inglés, Machine Learning.
¿Pero qué tiene todo esto que ver con nuestra práctica diaria como Ingenieros Industriales? Mucho, como vamos a ver a continuación.
Debemos ser conscientes de que la Industria- de forma generalizada- va a remolque de las nuevas tecnologías, dadas las modificaciones requeridas en elementos físicos y los costes de inversión para su implantación. Máquinas de mecanizado, bancos de ensayo, robots que ejecutan operaciones de remachado, suelen estar controlados por software, si bien están muy lejos a nivel de arquitectura de lo que requieren los sistemas que trabajan con Big Data.
La implementación de un software que haga uso del Aprendizaje Automático para la mejora y optimización de procesos productivos, tienen dos hándicaps a nivel de integración en los medios de producción.
El primero de ellos se refiere a los dispositivos físicos que han de adquirir la información del entorno: temperatura, humedad, nivel de carga en máquinas, desgaste de motores, etc. Es decir, es necesario sensorizar masivamente los medios productivos para obtener datos que luego puedan ser procesados por algoritmos de Machine Learning. Es evidente la dificultad que esto supone desde el punto de vista de la adaptación técnica de los equipos, y de la propia inversión económica.
Toda la infraestructura que ha de montarse tiene que ver con lo que conocemos como Internet de las Cosas (IoT), es decir, sensorizar los elementos físicos y generar un flujo continuo de datos a través de los sistemas informáticos. Esta implementación del IoT requiere, por tanto, de una profunda modificación de dicha infraestructura.
El segundo hándicap es la integración a nivel de software de las técnicas de Aprendizaje Automático en los procesos productivos, que requiere de potentes servidores y, sobre todo, de analistas de datos que implementen dichos algoritmos y los mantengan funcionando con el flujo de datos permanente que producen los sensores. Estos corresponden al perfil profesional conocido como Científico de Datos, para el cual ya hay titulaciones específicas también en las Universidades españolas.
Finalmente, y como ejemplo práctico de implantación en la Industria, podemos mencionar el relativo al Mantenimiento Predictivo. Los dos niveles previos, Mantenimiento Reactivo y Mantenimiento Preventivo están plenamente integrados en la práctica industrial.
El tercer nivel de mantenimiento, que llamamos predictivo, nos permite optimizar los niveles de producción y reducir costes de operación mediante la anticipación de los fallos habituales que se producen en motores, máquinas de mecanizado, robots, etc.
Aplicando el Aprendizaje Automático al Mantenimiento Predictivo, estaremos entrenando algoritmos con datos reales extraídos de los sensores. Los algoritmos aprenderán el funcionamiento tanto de los elementos individuales como de la propia factoría a nivel de sistema, algo difícilmente modelizable mediante formulación teórica y modelos numéricos, dada la cantidad de variables involucradas. Así, nuestros sistemas operarán la planta conociendo el detalle de cómo funciona como un todo. Dicho sistema es capaz de predecir fallos comunes, pudiendo programarse la intervención del personal de mantenimiento con antelación.
Éste es el reto, y realizando un adecuado análisis técnico y económico puede llevar a la empresa al punto de decisión de acometer la integración del Aprendizaje Automático en sus procesos productivos. Como resultado tendremos la reducción de costes operativos, el aumento de la producción, y el consiguiente incremento de los beneficios empresariales.