Producción inteligente La IA en la fabricación: ¿Cuáles son los mayores potenciales actualmente?

Este año, la inteligencia artificial finalmente parece estar haciendo un avance en el mercado masivo. Que la IA cambiará profundamente la economía ha sido evidente desde hace tiempo. Según una estadística de 2018, se espera que la IA tenga un impacto positivo significativo en el PIB.

En 2018, se estimó que la contribución de la IA al PIB de EE. UU. era de aproximadamente $191 mil millones. Se proyecta que este número aumentará de manera constante en los próximos años. Se espera una contribución estimada de la IA de alrededor de $515 mil millones para el año 2025, mientras que se pronostica una cifra de aproximadamente $1.2 billones para 2030.

Pero especialmente en la fabricación, las aplicaciones de IA han tardado en arraigar. Una de las razones para esto es que las áreas de aplicación significativas - es decir, rentables - todavía son raras. En una encuesta de TÜV, el 50% de las empresas dijeron que no conocían ningún uso significativo para la IA en su empresa; el 42% no estaba seguro de lo que la IA podría hacer por ellas. Eso fue en 2020, es probable que los números hayan mejorado desde entonces. No obstante, en la producción en masa, los casos de uso prácticos todavía no se encuentran en cada esquina.

¿Dónde en la fabricación se pueden implementar aplicaciones de IA con buenos resultados con el estado del arte actual? En algunas áreas, las IA actuales traen el potencial para grandes aumentos de productividad, como en los siguientes cuatro:

Robótica

La mayoría de los robots industriales actualmente son bastante ciegos y torpes. Operan según reglas codificadas de manera rígida. Esto funciona para tamaños de lotes grandes en producción masiva estandarizada, como robots de soldadura en la fabricación automotriz.

Sin embargo, cuando el entorno o los productos varían más, los robots deben volverse más inteligentes. Por ejemplo, en la producción de bienes individuales y en la renovación o reciclaje de productos usados. Los robots basados en IA pueden aprender a tratar las piezas de manera diferente, por ejemplo, dependiendo de su diseño, condición o uso previsto. Otro caso de uso factible para la IA es la selección y colocación de piezas. El robot puede agarrar correctamente piezas almacenadas caóticamente en contenedores y volver a colocarlas sin necesidad de trabajo preparatorio manual.

Los llamados cobots también funcionan parcialmente con inteligencia artificial. Comparten el espacio de trabajo con los humanos; se mueven en los pasillos, por ejemplo. Para hacer esto, deben ser capaces de entender y reaccionar ante las situaciones presentes. Deben poder anticipar peligros y adaptarse a diferentes formas de trabajo de los humanos.

Control de calidad

El control de calidad es una de las áreas donde las soluciones de IA se han implementado de manera rentable durante algún tiempo. La tarea está predestinada para las capacidades de las IAs y especialmente para el popular subcampo del aprendizaje automático. En lugar de simplemente clasificar los componentes en buenos y malos según reglas estrictas, las IAs pueden detectar, clasificar y evaluar desviaciones, incluso aquellas que caen en áreas límite. Estas capacidades se pueden utilizar, entre otras cosas, para reducir las tasas de pseudo-defectos o preparar grandes cantidades de datos para la evaluación por inspectores humanos.

Lea también: ¿Son posibles las líneas de soldadura auto-optimizantes con IA?

Planificación de producción

En la planificación y programación de la producción deben tenerse en cuenta numerosos factores: situación del pedido, tipo y cantidad de artículos ordenados, fechas de entrega, inventario, precios y disponibilidad de materias primas y piezas a medio fabricar, disponibilidad de personas y máquinas, etc. Esto hace que la tarea sea muy compleja.

El software basado en IA puede evaluar muchos datos en tiempo real y hacer recomendaciones de planificación. También puede incorporar datos adicionales, como datos de mercado actuales, índices de la industria o datos históricos sobre el comportamiento de pedidos de los clientes. Al utilizar IA, los planificadores pueden simular diferentes escenarios y crear pronósticos para tomar mejores decisiones.

Parametrización de máquinas

Para tamaños de lotes pequeños o productos personalizados, se deben ajustar y coordinar los parámetros de cada máquina de producción. Con docenas de parámetros, esto lleva a largas interrupciones. Además, para piezas producidas con poca frecuencia, a menudo falta experiencia y primero se debe encontrar la configuración ideal.

La IA puede simplificar esta parte. Por ejemplo, reconoce similitudes entre productos y sugiere configuraciones adecuadas. O calcula la configuración general ideal basada en unos pocos parámetros predefinidos.

¿Cuál es la mejor manera para que las empresas identifiquen áreas de aplicación rentables para la IA? El impulso debe provenir idealmente del departamento de negocios, que conoce los procesos y problemas. Los proyectos impulsados puramente por la tecnología - "Tenemos que hacer algo con IA" - están generalmente condenados al fracaso.

Los responsables deben analizar sus propios procesos: ¿Qué tareas son repetitivas? ¿Qué tareas son relativamente monótonas y, por lo tanto, desafiantes para los humanos con el tiempo? En principio, tales procesos están predestinados para el uso de IA. Pero el trabajo de conocimiento digital también se puede automatizar cada vez más o al menos ser apoyado por IA.

Sin embargo, otros factores también deben ser correctos: Cuantas más interfaces tenga un sistema, más complicado se vuelve. Los sistemas aislados, por otro lado, son ideales, como las áreas de control de calidad o robótica descritas anteriormente. Luego, las empresas deben tener los datos de entrenamiento necesarios para una IA; el éxito de una solución de aprendizaje automático depende predominantemente de esto.

Finalmente, las empresas necesitan el conocimiento necesario y trabajadores calificados para la implementación. En la citada encuesta de TÜV, el 40% mencionó estos dos aspectos como los mayores obstáculos para un mayor uso de la IA. Si las empresas han identificado áreas de aplicación significativas para ellas mismas, esto al menos no debería fallar: los institutos de investigación y numerosos proveedores de servicios ofrecen modelos de IA genéricos y parcialmente preentrenados y proporcionan apoyo durante la implementación.

Instituto Fraunhofer de Ingeniería de Fabricación y Automatización IPA

Sr. Prof. Dr. Marco Huber, Jefe del Departamento de Inteligencia Cibernética Cognitiva

Sr. M. Sc. Tobias Stahl, Gerente de Proyectos/Estudiante de Doctorado del Departamento de Estrategia Corporativa y Desarrollo