{{{sourceTextContent.title}}}

Cómo crear una estrategia de IA industrial para el mantenimiento predictivo

{{{sourceTextContent.subTitle}}}

Pasos a seguir en la evaluación de los beneficios y desafíos de un proyecto de IA industrial.

{{{sourceTextContent.description}}}

Es difícil evitar que la constante exposición de la inteligencia artificial se plantee para revolucionar la forma de hacer las cosas en la fabricación, el transporte, la minería, la automoción y muchas otras industrias. Como resultado, las organizaciones a menudo desarrollan estrategias de IA e invierten en soluciones habilitadas para la IA, pero al final, gran parte del trabajo no cumple con las expectativas originales.

Por ejemplo, según PwC, sólo el 4% de los ejecutivos reportaron haber sido capaces de implementar exitosamente soluciones de IA, a pesar de que el 46% de los encuestados declararon que sus organizaciones habían intentado adoptar la IA.

A pesar de la publicidad de la IA, cuando se trata de desarrollar una estrategia de IA, las organizaciones deben recordar que sus decisiones deben ser impulsadas por el rendimiento esperado de la inversión. La pregunta clave que hay que hacerse al desarrollar cualquier estrategia de IA es qué tipo de beneficio -ya sea una reducción de costes, una mejora en el rendimiento o la capacidad de desbloquear nuevas oportunidades de crecimiento- pretende conseguir la empresa.

A menudo, podría resultar que la mejor decisión posible es esperar y posponer la implementación. Esto puede ser especialmente cierto si hay bloqueadores de tecnología que podrían ser eliminados en un futuro cercano a través del desarrollo natural de la tecnología, o la reducción de costos de la tecnología misma. En otros casos, podría tener más sentido seguir adelante.

Si bien las oportunidades y los desafíos que las empresas probablemente tendrán que afrontar al implementar soluciones de IA en cierta medida pueden depender de las especificidades dentro de una industria o tarea en particular, el enfoque general para evaluar las oportunidades de aprovechar la IA es bastante universal.

Para este artículo, nos centraremos en el escenario de mantenimiento predictivo como un ejemplo que discute las mejores prácticas asociadas con la creación de una estrategia de IA, a la vez que proporciona ejemplos concretos e ideas procesables.

Paso 1: Auditar sus datos

Uno de los mayores desafíos de aprovechar con éxito la IA para permitir el mantenimiento predictivo está relacionado con los datos. Las organizaciones que generan muchos datos a menudo están convencidas de que ya tienen muchos datos para construir modelos predictivos, y creen que están recolectando suficientes datos de entrada de suficiente calidad para que estos modelos sean precisos. En realidad, a menudo resulta estar lejos de la verdad.

El primer paso para las organizaciones es llevar a cabo una auditoría de datos e identificar qué tipos de datos tiene actualmente en su poder, dónde residen estos datos y cómo se recopilan. Esto determina si la cantidad, la calidad y la organización de datos son aceptables para la tarea de destino.

Paso 2: Crear una hoja de ruta

El siguiente paso es desarrollar una hoja de ruta del proyecto, teniendo en cuenta la arquitectura actual de los sistemas de recopilación y almacenamiento de datos, y la arquitectura óptima que sería óptima dados los objetivos (estas dos arquitecturas pueden tener a menudo diferencias significativas). Sólo después de que todas esas preguntas se hayan resuelto con éxito, puede comenzar el trabajo real, comenzando con el proceso de conexión a varias fuentes de datos que más tarde servirán como base de conocimientos para el modelo de aprendizaje automático.

pines de mapa de coche de adobe stock de informes de autoconducción artículoPara utilizar la logística y las aplicaciones de la industria del transporte como un ejemplo, uno podría mirar:

Los datos que están siendo capturados por los sensores ubicados en varias partes de las máquinas;

Documentación técnica relacionada con dichas máquinas;

Especificaciones técnicas de las piezas producidas

Documentación para el proceso de montaje;

Horarios de transporte;

Predicción meteorológica;

Órdenes de compra de equipos y otros conjuntos de datos que pueden mejorar la calidad de la predicción del modelo, siempre y cuando los datos necesarios se puedan recopilar de manera consistente y a un costo razonable.

En algunos casos, podría resultar que tanto la arquitectura existente como los conjuntos de datos tienen que ser completamente reorganizados, mientras que en otros casos, el trabajo se centrará en el ensamblaje de las piezas existentes en una nueva y más robusta configuración. Al final, la decisión sobre el enfoque que se debe tomar debe basarse siempre en un análisis exhaustivo basado en valores aplicable a un proyecto en particular.

Advertencia: No mire las inversiones pasadas

Sin embargo, es fundamental evitar concentrarse demasiado en las inversiones que antes se hacían en los sistemas y procesos existentes. Con demasiada frecuencia, las organizaciones se vuelven parciales y dependen en gran medida de su arquitectura de datos actual, y se resisten a cambios significativos.

Este es uno de los principales obstáculos para construir soluciones predictivas de primera clase - para la IA, la configuración óptima puede ser muy diferente de la que se desarrolló hace décadas y se construyó para propósitos completamente diferentes.

Por ejemplo, lo que los CIOs a menudo describen como el lago de datos en el que se mueven sus empresas, a menudo no es en realidad un lago de datos (al menos, no en la definición actual de la palabra) y, por lo tanto, no es una configuración apropiada para la plataforma infundida de IA orientada al futuro. En cambio, el proceso de toma de decisiones siempre debe tratar los requisitos del pasado como costes irrecuperables, y estar impulsado por los nuevos requisitos y objetivos necesarios para generar el retorno de la inversión adecuado.

Paso 3: Implementar la estructura

Una vez que se han definido las fuentes de datos y se han establecido los flujos de datos correctos, llega el momento de implementar la estructura del lago de datos que se utilizará como repositorio centralizado. Todos los datos deben ser estandarizados, mapeados y limpiados en consecuencia, asegurando que los datos históricos y de alimentación en vivo se adhieran al mismo formato y lógica, y sean capturados, procesados y luego retenidos de acuerdo con las políticas que se establecieron como parte de los pasos anteriores.

Paso 4: Habilitar las predicciones

una vez que el conjunto de datos esté listo, puede comenzar el trabajo para identificar las razones de las averías del equipo. En este punto, el objetivo es aprovechar los datos para descubrir patrones que ocurren cuando ciertas partes del equipo se acercan al final del servicio o requieren mantenimiento, y luego determinar los tiempos óptimos para realizar el mantenimiento y reemplazar las partes que necesitan ser retiradas.

Una vez más, es crucial tener en cuenta que el objetivo final es maximizar el retorno de la inversión, teniendo en cuenta el coste de llevar a cabo el mantenimiento y la posibilidad de las averías, así como los costes asociados.

Oportunidades de ahorro de costes

Hay bastantes oportunidades de ahorro de costes que pueden ser posibles aprovechando el modelado de mantenimiento predictivo habilitado por la IA, entre ellas:

Reducir los casos de gastos excesivos relacionados con la sustitución de piezas que todavía tienen vida útil;

Optimizar los programas de mantenimiento, mediante la identificación y posterior reducción de los gastos generales en equipos de reserva;

Identificar los tiempos óptimos para el mantenimiento preventivo, y así reducir las pérdidas asociadas a averías inesperadas de los equipos (asociadas a problemas sistémicos);

En algunos casos (por ejemplo, en el transporte), encontrar la cadencia de operación óptima para el equipo que permita reducir el desgaste y permitir un mejor combustible.

Último paso: Generar ideas

El paso final en el esfuerzo por introducir la IA en los procesos de negocio de la organización debe centrarse en la creación de un conjunto de servicios que proporcionen información procesable para el equipo de liderazgo de la organización y/o sus accionistas.

Conclusión

A pesar del enorme potencial de la IA para mejorar los procesos existentes y generar nuevos conocimientos para las empresas, es crucial señalar que la IA no debe ser tratada como una especie de multiherramienta universal capaz de resolver todo tipo de problemas.

Por una vez, siempre habrá casos en los que los seres humanos puedan seguir superando a la IA, especialmente si se tiene en cuenta el rendimiento de la inversión. Luego, algunos casos de uso vienen con limitaciones naturales que disminuyen el poder predictivo de la IA, simplemente porque no hay suficientes datos para probar hipótesis. En el caso del mantenimiento predictivo, un ejemplo en el que se produce este fenómeno sería intentar aprovechar la IA para predecir averías en equipos que en promedio sólo se rompen una vez cada 20 años.

Otras situaciones en las que los sistemas habilitados para la IA pueden producir resultados menos que perfectos incluyen casos en los que la instalación de sensores para la recopilación de datos resulta imposible o poco práctica, o en los que el equipo tiene que funcionar en entornos en constante cambio.

Incluso el simple hecho de pasar por el proceso de una auditoría preliminar necesaria para implementar cualquier solución de IA puede aportar mucho valor. Recuerde que el objetivo final de cualquier organización no es implementar un motor predictivo impulsado por la IA sólo por el mero hecho de hacerlo, sino más bien resolver un desafío empresarial específico. Por lo tanto, dedique tiempo a definir y comprender las limitaciones de la solución propuesta basada en la IA, compárela con un proceso impulsado por el ser humano y, por último, elija con conocimiento de causa el mejor proceso de la estrella del norte para seguir adelante.