IA: Detrás

La inteligencia artificial integrada en los sistemas de visión puede guiar las decisiones en robótica en aplicaciones de recogida y colocación y llenado, al mismo tiempo que realiza controles de calidad en los productos.Imagen cortesía de Festo Norteamérica

En un artículo editorial en el sitio web del Grupo Asesor ARC, la Directora de Investigación Marianne D'Aquila pregunta: "¿Por qué fallan las implementaciones de inteligencia artificial?" Ella responde diciendo que "implementar IA en la fabricación puede ser desafiante, si no desalentador, ya que requiere una comprensión de los objetivos comerciales y la integración de IA con los procesos y sistemas existentes".

D'Aquila continúa agregando que "generalmente es abrumador determinar un punto de partida efectivo para cualquier proyecto de transformación digital, incluida la implementación de IA". Ella dice que sin ideas claras sobre cómo desarrollar competencias digitales analíticas sólidas, las empresas a menudo experimentan el colapso de los proyectos y pilotos de IA, lo que lleva a la percepción interna de que estos proyectos son una inversión desperdiciada.1

¿Podrían algunas de estas fallas ser el resultado de morder más de lo que se puede masticar? Por ejemplo, la IA no tiene que ser una implementación completa, condenada al fracaso, que abarque todas las operaciones de la planta, desde los ingredientes entrantes hasta el procesamiento, el empaque y luego la salida, lo que puede no producir los resultados esperados. Quizás una alternativa que valga la pena sea buscar aplicaciones que cuenten con IA integrada, por ejemplo, monitorear el uso de energía, inspeccionar visualmente la calidad del producto o predecir fallas en las máquinas. Los proveedores de software y automatización ya están incorporando IA en estas aplicaciones y se ha demostrado que funcionan.

Este concepto es similar a algunos de los nuevos software de gráficos basados ​​en IA que funcionan como una aplicación independiente o como complemento de Adobe Photoshop o Affinity Photo. Los complementos basados ​​en IA que uso actualmente me permiten hacer el trabajo de manera más rápida, precisa y eficiente, y no tengo que preocuparme por la programación de IA ni por modificar la aplicación host. El desarrollador de la aplicación de complemento ya ha hecho el trabajo pesado. Descubrí que el software basado en IA simplemente funciona mejor que sus contrapartes anteriores de software no basado en IA.

Entonces, pensé en preguntarle al ChatGPT basado en IA: "¿La inteligencia artificial se convertirá en parte de las aplicaciones de software de modo que los usuarios no sepan que la aplicación usa IA?" Después de todo, parece natural preguntarle a un sistema de IA qué "piensa" sobre el tema.

ChatGPT respondió: "Sí, es muy probable que la inteligencia artificial se convierta en una parte integral de las aplicaciones de software de tal manera que los usuarios no se den cuenta de su uso. Esto se debe a que la IA tiene el potencial de mejorar y automatizar varias tareas en las aplicaciones de software. , haciéndolos más eficientes y efectivos.

"Por ejemplo, la IA se puede usar en aplicaciones para mejorar las interfaces y experiencias de los usuarios, proporcionar recomendaciones personalizadas y automatizar tareas rutinarias. A medida que estas capacidades se integran más en las aplicaciones de software, es posible que los usuarios ni siquiera se den cuenta de que se está utilizando la IA.

"De hecho, esto ya está sucediendo en muchas aplicaciones que usan IA detrás de escena, como asistentes virtuales, chatbots y motores de recomendación. Estas aplicaciones están usando IA para mejorar su funcionalidad sin que sea obvio para el usuario que están interactuando con un sistema de IA".

Entonces, ¿por qué no aprovechar las aplicaciones cuyos desarrolladores han incorporado IA para hacer que partes de su planta funcionen de manera más eficiente y fluida?

Cuando se le preguntó, D'Aquila de ARC Advisory Group nombró cuatro categorías generales para las aplicaciones de IA, siendo la cuarta una que quizás no haya considerado, pero que es igualmente importante.

"Los procesadores de alimentos y bebidas buscan cada vez más soluciones basadas en inteligencia artificial para mejorar su planificación de ventas y operaciones", dice John Dwinell, presidente de Peak Technologies/Peak Analytics. Hay una conciencia cada vez mayor de los beneficios potenciales de la IA en la industria de alimentos y bebidas, y muchos procesadores están buscando activamente soluciones basadas en IA para ayudar a optimizar sus operaciones. Sin embargo, aún puede haber cierto escepticismo o incertidumbre en torno a la efectividad y aplicabilidad de la IA en ciertas áreas.

La IA puede ser intimidante a veces, y es por eso que es importante asociarse con alguien que entienda su negocio y tenga la capacidad de democratizar la adopción de nuevas tecnologías y conectarla a procesos comerciales críticos y KPI, agrega Dwinell.

Festo North America fabrica dispositivos inteligentes para la automatización neumática y eléctrica que se utilizan para controlar todo tipo de equipos de proceso, que son ricos en datos y se pueden utilizar para el análisis de datos. "Tenemos puertas de enlace (hardware y software) que extraen modelos de datos de hardware/fuentes de terceros y nuestros dispositivos inteligentes y utilizan MQTT y Node-RED para contextualizar los datos y ponerlos a disposición en un corredor de MQTT para su consumo", dice Frank Latino, gestión de productos automatización eléctrica. "Tenemos una herramienta de software AI/ML para analizar los datos para aplicaciones de mantenimiento predictivo, calidad y sostenibilidad".

"Nuestra solución de software, Festo AX, es independiente de cualquier fabricante de hardware, incluso de los componentes de Festo", dice Lea Bayer, experta en ventas digitales. "Puede analizar datos fuera de línea y en tiempo real y ayuda a mejorar el OEE de la producción".

"En general, aplicaríamos AI/ML a aplicaciones de alimentos o bebidas para predecir fallas mecánicas de equipos, pérdidas de calidad y consumos inusuales de energía", dice Latino. "Por ejemplo, el procesamiento de aves tiene mecánica en cada paso del proceso. La IA se usa para detectar alteraciones del proceso en cilindros neumáticos. Para aplicaciones de llenado, la IA se usa para detectar cambios en boquillas y válvulas para controlar líquidos, helados, etc."

"Los datos de proceso recopilados a través de IIoT se pueden agregar para crear indicadores clave de rendimiento (KPI)", dice Gian Paolo De Salvo, gerente de la industria para la gestión de operaciones de fabricación en la industria de procesos, Siemens Digital Industries Software. Los KPI de OEE mostrarán los tiempos de inactividad de las máquinas y el motivo de cada falla, los intervalos de tiempo en los que las máquinas funcionaban a baja velocidad y el porcentaje de desechos. Además, es crucial brindar el contexto de producción de estos problemas de proceso, es decir, qué tipo de empaque manejaba una máquina empacadora en un momento dado o qué producto llenaba la llenadora en unidades de consumo. "Nuestra solución de gestión de operaciones de fabricación (MOM) puede ofrecer toda esta visibilidad y soporte para profundizar en el análisis de la causa raíz del proceso y los problemas de producción", añade Di Salvo.

La IA puede desempeñar un papel clave en el análisis de los KPI de OEE para respaldar la mejora continua, por ejemplo, configurando alertas automáticas para notificar a los operadores sobre desviaciones en el comportamiento del equipo o el porcentaje de desecho del producto e identificando comportamientos y correlaciones entre diferentes dominios, como proceso, producción y calidad. .

El enfoque de Grey Solutions se ha centrado en los sistemas de visión avanzados, principalmente en el área de inspecciones de calidad, según Greg Powers, vicepresidente de cosas geniales de Gray Solutions, miembro de la Asociación de integradores de sistemas de control. "El software de automatización de inspección visual (VIA, por sus siglas en inglés) va más allá de las capacidades de la visión artificial tradicional para detectar anomalías y defectos, incluso cuando los productos tienen variaciones naturales. Con el uso de la tecnología de IA de visión comprobada, los fabricantes pueden escalar la producción, reducir el desperdicio y adaptarse a los cambios de la fuerza laboral mientras logran incluso niveles más altos de control de calidad Para agregar a esto, también estamos utilizando sistemas de visión para identificar oportunidades para cambiar los parámetros de control, como la velocidad de la banda o la temperatura del horno en función de que los alimentos estén demasiado cocidos o poco cocinados.

"La mayoría de las áreas en las que nos hemos centrado están en proceso", agrega Powers. "Los sistemas de visión con AI/ML ya se han establecido en las áreas de empaque. El uso de esta misma tecnología en el procesamiento se está volviendo más popular al eliminar muchos más desperdicios y desperdicios. La mayoría de las aplicaciones en las que nos hemos enfocado están orientadas a la calidad, lo que incluiría clasificación, clasificación e inspecciones. Estas mismas soluciones se utilizan para predecir cuándo podría ocurrir un tiempo de inactividad en función de las tendencias pasadas utilizando algoritmos de datos avanzados".

"La IA puede ayudar a sugerir acciones correctivas para evitar el desperdicio de un lote de producción completo", dice Kevin Hoorne, gerente de industria CP&R para fabricación digital, Siemens Digital Industries Software. En función de los resultados de los parámetros de calidad de un lote proveniente del laboratorio, la IA puede aportar eficiencia y evitar la pérdida de lotes al sugerir la acción correctiva que se debe tomar para que los resultados de los parámetros de calidad de ese lote vuelvan a estar dentro de las especificaciones. De la misma manera, incluso para lotes de buena calidad con todos los parámetros de calidad dentro de las especificaciones, la IA puede analizar datos contextualizados provenientes del taller y vincularlos a parámetros de calidad para optimizar los parámetros de la máquina para la producción futura. De esa manera, cada lote producido puede acercarse al lote dorado hasta que este finalmente se convierte en el estándar.

"Del mismo modo, en Siemens creemos que la verdadera calidad solo puede lograrse conectando la generación temprana de ideas con la realización final en la fabricación", agrega Hoorne. "Aquí es donde también hemos estado trabajando en el uso de IA durante el desarrollo temprano de productos en alimentos y bebidas. Cuando se trabaja con productos formulados, la acción a tomar para optimizar una fórmula hacia parámetros menos cuantificables como el sabor y la suavidad no es tan sencilla. Esto es donde hemos establecido casos de uso exitosos aprovechando la IA para hacerlo posible de una manera eficiente, ahorrando tiempo y dinero y permitiendo que las empresas sean las primeras en comercializar un producto mejorado".

Mantener la calidad a través de un alto rendimiento puede ser un desafío, dice Alexander Epple, jefe de soluciones industriales IIoT de Siemens Digital Industries Software. "Apoyamos esto con nuestra solución Quality Prediction Hub, que utiliza el aprendizaje automático en datos de máquinas y procesos para predecir problemas de calidad a lo largo del proceso de empaque para automatizar los procesos de inspección de calidad, detectar problemas lo antes posible y proporcionar información que indique los factores determinantes de los problemas de calidad, lo que puede ser utilizado por los operadores para optimizar la configuración de la línea".

Los procesadores de alimentos esperan mejorar la OEE, y AI/ML puede ayudar en estas aplicaciones. "La principal motivación de usar software de inteligencia artificial/aprendizaje automático es mejorar los procesos de producción y la OEE", dice Bayer de Festo. "Nuestros clientes a menudo tienen un punto crítico en su producción, y ninguna solución convencional como el monitoreo de condición puede ayudar. Esperan, además de la detección de fallas, una solución que pueda integrarse fácilmente y sin problemas en su arquitectura y procesos existentes. Festo AX debe ser visto como parte de su trabajo diario".

"Esperamos más capacidades integradas de los proveedores de equipos", dice Gray's Powers. "Máquinas inteligentes que pueden hacer ajustes en función de los datos que se capturan aguas abajo, utilizando algoritmos más avanzados para hacer estos ajustes. Estamos haciendo esto ahora, pero obtener los datos correctos de los proveedores de equipos y qué parámetros podemos ajustar siempre es un desafío".

¿Por qué un desafío? "Ellos (los proveedores de equipos) dudan en proporcionar estos [datos] a las empresas de fabricación con el riesgo de perder cierto control sobre sus soluciones y ventaja competitiva (IP)", dice Powers. "Las empresas de procesamiento de alimentos que han podido superar estos obstáculos han visto una reducción en el desperdicio, una mejor calidad y menos tiempo de inactividad en el equipo".

Donde AI puede ayudar a un procesador depende de establecer prioridades. "Las áreas de enfoque siempre dependerán de los desafíos más apremiantes de los clientes, que pueden diferir significativamente entre empresas", dice Epple de Siemens. "Por ejemplo, el mantenimiento predictivo puede ser más importante para las empresas con equipos más antiguos que para las que tienen maquinaria nueva. Asimismo, la importancia de predecir y evitar los picos de consumo de electricidad diferirá con la intensidad de la energía, el costo local de la energía, etc. Por lo tanto, proporcionamos una cartera de soluciones predictivas para los desafíos más comunes y herramientas fáciles de usar para que los clientes detecten anomalías o hagan predicciones basadas en sus datos de producción".

¿Cuánto debe esperar gastar un procesador en herramientas basadas en IA? "Desde la perspectiva del producto, depende en gran medida de la marca y el posicionamiento en el mercado", dice Hoorne. “Es como una cita de un proveedor de IA que afirma: 'Tenemos una solución para aquellas empresas para las que vale millones ser los primeros en el mercado en lugar de ser los segundos'. Y para algunos fabricantes de CPG y los productos innovadores que lanzan al mercado, este es el caso. Para otros, sin embargo, ser un segundo en el mercado es más que suficiente".

Por lo tanto, corresponde al procesador determinar las áreas de enfoque donde la IA podría aportar valor, agrega Hoorne.

Cumplir con las expectativas requiere paciencia, ya que la IA tiene que "aprender" lo que se espera de ella, por así decirlo. A veces, los fabricantes esperan ver ganancias y beneficios inmediatos en estas soluciones, pero no siempre es así, dice Gray's Powers.

"AI/ML necesita grandes cantidades de datos para analizar. Se necesita tiempo para recopilar e identificar estos patrones iniciales para que los algoritmos puedan actualizarse. Eventualmente, el sistema se puede ajustar y los beneficios llegan rápidamente y se necesita poco o ningún tiempo adicional. en los algoritmos. La mayoría de las ganancias están en la reducción de desperdicios, menos tiempo de inactividad, pero incluso en mano de obra", dice Powers.

"Gran parte del trabajo que se ha hecho en AI/ML es para reemplazar algo que el trabajador ha estado haciendo, especialmente en las inspecciones de calidad", agrega Powers. "Muchas veces, el sistema detectó más defectos de los esperados, lo que permitió una mejora en la calidad general del producto durante el proceso de fabricación. Es muy importante comprender los datos que deben recopilarse y comenzar a recopilarlos. Una vez que los datos se ha recopilado, utilícelo para hacer un aprendizaje inicial. Esto ahorrará tiempo durante el proyecto en general".

En una aplicación OEE ejecutada por Festo, se reconoció la mejora. "Nuestra solución redujo los tiempos de inactividad no planificados, aumentó la disponibilidad y redujo el reproceso y el desperdicio, por ejemplo", dice Latino. "Es posible que se necesiten algunas iteraciones para mejorar un modelo de datos y reducir los falsos positivos. Es por eso que usar un equipo experimentado agrega valor. Su experiencia ayuda a obtener el modelo correcto lo antes posible en la fase de puesta en marcha".

¿Ha alcanzado la IA la etapa de niño pequeño, o está caminando o corriendo? “Veo que la IA se vuelve más fácil de implementar al introducirla directamente en los dispositivos que controlan los procesos”, dice Latino.

"Hemos probado nuestro software durante muchos años ayudando a los clientes a mejorar los procesos de producción y la OEE", dice Bayer de Festo. "Trabajamos con muchas empresas de la industria alimentaria y proporcionamos soluciones de IA estandarizadas, por ejemplo, paletizadores o máquinas llenadoras. Puedo decir con confianza que superamos la etapa de niños pequeños con nuestra solución de software hace mucho tiempo".

"Las tareas de visión artificial ahora requieren un análisis muy complejo que va más allá del alcance de los sistemas de visión tradicionales", dice Gray's Powers. "Como resultado, la demanda de tareas de inspección de alta calidad en el espacio de fabricación de alimentos ha crecido exponencialmente. La creciente necesidad de garantizar la calidad de los productos alimenticios fabricados ha excedido el alcance de las técnicas de sistemas de visión tradicionales, que eran ampliamente incapaces de realizar tareas humanas. -como tareas de inspección. Los sistemas de visión han hecho grandes avances en IA, y con más empresas que suministran herramientas de IA, el mercado se ha disparado. A medida que implementamos más tecnología en otras áreas como el mantenimiento predictivo, la IA se vuelve más tangible. esta área y explotará en los próximos 10 años".

D'Aquila de ARC Advisory Group enumera tres áreas de crecimiento para la IA:

"Los patrones y los algoritmos pueden residir en la nube y luego enviarse a un sistema de recepción en las instalaciones que lleva a cabo las acciones o proporciona más algoritmos operativos", dice Powers. "Pueden existir algunos desafíos de infraestructura reales para llevar los datos a la nube. Dado que la seguridad cibernética es una gran preocupación para muchas empresas, sacar los datos de las plantas a la nube se vuelve aún más difícil. Los grupos de TI dudan en abrir canales de puertos para que los datos sean recogidos del equipo".

"Muchos en el espacio de procesamiento luchan con las preocupaciones de seguridad de la nube", agrega D'Aquila. "Irónicamente, asegurar la nube se eleva a la cima como el desafío más importante cuando se piensa en la transformación digital en la planta de producción. Las principales conversaciones de investigación de ARC han revelado que aquellos que han hecho el cambio a la nube en realidad se sienten más seguros.

"También mencionaron la escalabilidad como un beneficio de migrar a la nube, lo que les permite ampliar o reducir la potencia de procesamiento y el almacenamiento según sea necesario sin tener que invertir en hardware costoso en las instalaciones", dice D'Aquila. "La nube puede ser mucho más rentable con el tiempo y no requiere un mantenimiento constante en el sitio".

“En general, las soluciones en la nube se pueden actualizar más fácilmente desde un proveedor, por lo que las últimas versiones siempre están disponibles para el usuario”, dice Latino. "Los servicios de alojamiento generalmente brindan la protección más reciente para la seguridad. La ejecución en tiempo real depende de la aplicación. Si es necesario, entonces es posible ejecutar en un controlador de borde. Pero el software puede ser lo suficientemente flexible como para detectar anomalías en el borde y definición del modelo, la base de datos, etc. puede estar en la nube donde hay más recursos (es decir, memoria) disponibles".

[1] "¿Por qué fallan las implementaciones de inteligencia artificial?" Marianne D'Aquila, ARC Advisory Group, www.arcweb.com, consultado el 1 de mayo de 2023

"La inteligencia artificial/aprendizaje automático reduce errores y desperdicios", FE, 9 de mayo de 2022

"La IA ayuda a controlar los sistemas de automatización de invernaderos", Ingeniería I+D, FE, 3 de junio de 2022

"Las técnicas de detección en tiempo real basadas en AI/ML convierten el arte de la vinificación en ciencia exacta", Engineering R&D, FE, 12 de julio de 2022

"Obtención de resultados consistentes de la fermentación", FE, 10 de septiembre de 2021

"Encontrar nuevos métodos basados ​​en IA para aumentar la productividad requiere datos digitales", FE, 13 de febrero de 2020