Todo lo que hemos aprendido de nuestra producción creando una Inteligencia Artificial

Datos, datos, datos. Cualquier inteligencia artificial basa su efectividad en el manejo de una enorme cantidad de información. También los algoritmos que estamos entrenando en el proyecto Teaming.Ai. Y eso ha tenido un efecto singular para Industrias Alegre. Porque, al trabajar para las máquinas, hemos profundizado en nuestro propio conocimiento. Y este es un valioso avance para nuestra compañía que nos encamina un poco más hacia la automatización.

todo-lo-que-hemos-aprendido-de-nuestra-produccion-creando-una-inteligencia-artificial

Como explicábamos hace unos meses en este artículo, nuestra empresa se encuentra inmersa en el proyecto europeo Teaming.AI, una investigación desarrollada junto a quince socios de ocho países europeos diferentes. La propuesta está encaminada a conseguir una inteligencia artificial capaz de predecir las desviaciones que suelen producirse en la maquinaria para inyección de plástico y evitar de esa forma el desperdicio de tiempo y recursos.

Un cambio de paradigma midiendo nuestros propios datos

Para que esta inteligencia artificial sea capaz de realizar sus predicciones de forma fiable, hemos tenido que indicarle primero de qué modo se está realizando la producción y, posteriormente, señalarle las piezas que han sido OK y las que se han etiquetado como incorrectas. También se le da un protocolo de inicio. Y el sistema, analizando los parámetros con los que esas piezas se inyectaron (muchísimos más de los que podría considerar un ser humano), va extrayendo sus propias conclusiones y, con el tiempo, es capaz de predecir posible errores y avisar a la planta productiva antes de que sucedan.

“Este planteamiento ha supuesto para todo el equipo de Industrias Alegre un cambio de mentalidad” dice Alejandro Espert, responsable de Ingeniería de Procesos y coordinador del proyecto en nuestra empresa. Y continúa: “¿Significa esto que antes no medíamos? En absoluto. Es que nuestra metodología de calidad implica hacer mediciones empíricas en torno a lo que está ocurriendo. Y cuando comprobamos que se están produciendo desviaciones, realizamos las correcciones oportunas porque sabemos que se van a producir piezas erróneas. Pero siempre es empírico. Y, aunque se realizan muchas mediciones, no tenemos datos en tiempo real porque nadie está midiendo constantemente a pie de máquina y por eso, ocasionalmente, se producen los errores”.

Ahora, al trabajar para el proyecto ha sido necesario estudiar en profundidad todo el proceso productivo y analizar muchos parámetros, los que antes medíamos y los que no se consideraban. Espert nos pone un ejemplo: “Hasta ahora, nosotros abríamos un molde y nos bastaba echar un vistazo a la pieza para saber que el proceso iba bien. Pero, para aportarle datos a la Inteligencia Artificial (que es nuestra tarea fundamental en el consorcio) ha sido necesario instalar una cámara termográfica que mida la temperatura de la pieza al salir del molde. ¿Qué temperatura tiene, 285 grados? Muy bien, pues sabemos que 285 es una temperatura correcta”. O sea que hemos trabajado para la máquina pero ahora también lo sabemos nosotros.

Del conocimiento intuitivo al conocimiento científico

Y en la medición hemos tenido el segundo gran desafío: el de determinar de qué modo se iban a recoger esos datos.

“Ha sido una tarea muy singular porque había que medir temperaturas, presiones, etcétera. Y eso ha supuesto hacerse muchas preguntas: ¿Tenemos que saber a qué temperatura está el polímero dentro de la cámara? Si es así, tenemos que colocar un sensor en el interior de la máquina, pero: ¿qué tipo de sensor debe ser?, ¿dónde se va a alojar?, ¿cómo funciona?, ¿de qué modo se conecta para el envío de datos?”

Qué medir, cómo hacerlo, cómo comunicarlo… Es decir, hemos pasado de contar con un puñado de datos y de apoyarnos en el gran conocimiento intuitivo del personal experto que trabaja con las máquinas a acumular de manera consciente un importante conocimiento de toda nuestra producción.

“Es un conocimiento que, en buena medida lo teníamos oculto y lo hemos podido extraer al participar en este proyecto”, comenta una vez más Espert. Y Amparo Vázquez, nuestra directora de I+D+i lo confirma: “Este proceso nos permite contar ahora con datos científicos y encaminarnos de forma más sólida hacia la automatización. Sabemos que al final es el ser humano el que decide en la fábrica, pero ahora contamos con más datos objetivos para controlar todo el proceso”.

El proyecto Teaming-AI sigue avanzando, ahora en manos de quienes están creando el software. Pero para nosotros ya ha tenido el enorme valor de conocernos un poco mejor, alimentar un Know-how con muchas décadas de recorrido y permitirnos avanzar en el territorio de la calidad y de la innovación.

Możesz być również zainteresowany