¿Qué vas a encontrar en este artículo?
- ¿Cómo la revolución de los datos ha influido en sus proyectos?
- ¿Cuáles concepciones erróneas tiene la gente con relación a la inteligencia artificial?
- ¿Cuáles son los desafíos que vienen a futuro en la ciencia de datos?
Se comenta con frecuencia que los datos son el petróleo del siglo XXI. En efecto, son muy parecidos a una materia prima, pues corresponde trabajarlos. Esto es, identificar las fuentes en donde se encuentran, extraerlos, transmitirlos, procesarlos, interpretarlos y almacenarlos. Toda una logística.
En Fracttal, en varias conversaciones y mesas redondas con algunos de nuestros clientes, les hemos preguntado qué opinan al respecto. Puntualmente, cómo la revolución de los datos ha influido en sus proyectos de mantenimiento.
Las respuestas, aunque diversas, convergen hacia unas impresiones claras acerca de cómo debemos aproximarnos a los datos y luego cómo podemos aprovecharlos.
¿Cómo la revolución de los datos ha influido en sus proyectos?
Lo primero que nos han dicho es que necesitan unos datos correctamente procesados. Esto implica invertir o detenerse en la calidad del dato para luego poder utilizarlo. Se resume elegantemente en una frase: «datos de valor y valor de los datos».
Por ejemplo, si tomamos las vibraciones triaxiales de un motor eléctrico, primero habrá que eliminar el «ruido», que en este caso refieren a todas aquellas vibraciones registradas que no correspondan a la vibración del motor. También pudiéramos concentrarnos solamente en el eje vertical de las vibraciones, como otro caso ilustrativo.
Después del talento humano, el recurso más importante de una organización son sus activos. De ahí que los datos para gestionar las personas y activos, y su relación entre ellos, sean igualmente importantes. Aunque ya se conocía esa realidad, la verdad es que a partir del año 2020 la mayoría de los gerentes en las empresas pudieron profundizar sobre ello. Desde entonces, han podido aprovechar el ímpetu de la transformación digital como una oportunidad para crecer. Sobre todo si la empresa es de base tecnológica.
Se entiende, pues, que los datos surgen de la necesidad de interconexión, comunicación, interoperabilidad. Incluso, con el tiempo se descubre que recogemos datos que no se utilizan después. Esto también es parte del proceso de depuración y calidad de los mismos. Al final, el objetivo de recoger y procesar toda esta información es optimizar la toma de decisiones y ser lo más objetivos posibles. Por fortuna, justamente en lo que respecta a la interpretación de los datos, podemos apoyarnos con la inteligencia artificial.
¿Cuáles concepciones erróneas tiene la gente con relación a la inteligencia artificial?
Una falsa concepción que tiene el mercado en general es que la IA supuestamente resuelve las cosas sin que el usuario intervenga en lo absoluto, allende los temores entretenidos, pero infundados, de la ciencia ficción. Por mencionar otro ejemplo, cuando vamos a un hospital y una máquina realiza el diagnóstico de un paciente. Antes, en el proceso, pudo haber sido imprescindible la presencia de un ser humano, pero ahora lo hace todo la máquina. Sin embargo, el diagnóstico no termina de estar completo hasta que un médico lo revise y lo ponga en contexto.
El contexto, que en el fondo son datos de índole cualitativa, es el aporte humano del cual no podemos separarnos.
En este sentido, nos falta divulgación de dichos conocimientos para que seamos conscientes de que estamos rodeados de IA en la cotidianidad. También los estamos de machine learning, que aunque no lo percibamos, se aplica directamente en las redes sociales que usamos y hasta en las operaciones bancarias, al día de hoy ya digitalizadas. Aun así, el componente humano es imprescindible.
¿Cuáles son los desafíos que vienen a futuro en la ciencia de datos?
Un mito que hay que desmentir es que las empresas pequeñas no pueden optar a los beneficios de la ciencia de datos, muy especialmente a las opciones de mantenimiento predictivo que hay en el mercado. Creen que no pueden asimilar estos métodos o tecnologías porque aún usan papel y lápiz en sus procesos. En realidad, sí es posible, y hasta aconsejable: sólo habría que ver cada uno de los procesos de su gestión del mantenimiento, examinar cada caso por separado.
Las posibilidades de tomar decisiones de mantenimiento a partir de la toma e interpretación de los datos, sea para mantenimiento predictivo, o para fines de mantenimiento basado en condición, no es asunto solamente de las grandes empresas. También es aplicable exitosamente en PyMES. La tecnología se ha venido democratizando (lo vemos con el correo electrónico o Zoom), que al principio eran pensadas como soluciones muy sofisticadas, cuando en su usabilidad no lo son.
La premisa base es mejorar la rentabilidad y los procesos, y todas las empresas, independientemente de su tamaño, tienen el derecho a ello. En el caso puntual del mantenimiento predictivo, los costos nos acercan a una solución SaaS, con resultados que puedan ser inmediatos y demostrables, de fácil usabilidad y rápida interpretación de los datos recogidos.
Aunque un fuerte motivante para adoptar estas innovaciones es observar cómo la competencia las adopta primero que nosotros, la transformación digital debe asumirse proactivamente; desde un enfoque intencional que persiga capacitar a la organización sobre IA, machine learning y las inmensas posibilidades del mantenimiento en la industria 4.0.
Mantenimiento predictivo con Fracttal
Se podría decir que hay una separación entre dos mundos: el personal técnico que toma los datos y el personal técnico que los analiza. Por fortuna, la tecnología nos puede ayudar a tender puentes entre ambos, sin que sea necesaria una sobre especialización de uno u otro.
Desde el punto de vista del mantenimiento predictivo, la inquietud general del equipo de mantenimiento se resume en conocer la confiabilidad, disponibilidad y degradación de los activos. A su vez, se comprende que la toma metódica de datos de las variables de estos activos y algunos modelos matemáticos son los que permiten construir las curvas y proyecciones de dichos indicadores.
Las soluciones de análisis de datos que se encuentran en el mercado son bastante complejas. Consisten en paquetes estadísticos de varios grados de dificultad. Típicamente, las áreas de confiabilidad de las empresas de alto nivel son las que pueden permitirse ese presupuesto, conformadas además por profesionales especializados.
Otra forma de abordar los datos y construir los modelos de confiabilidad es a través de inteligencia artificial, lo cual simplifica mucho el trabajo. Sin embargo, suelen ser altamente no-lineales, por lo que la manera que se propagan los errores las convierte en herramientas muy útiles para la predicción a corto plazo, pero no tanto para eventos de 3 o 6 meses.
Con Fracttal se conjuga lo mejor de los modelos matemáticos e inteligencia artificial en un mismo sistema. La solución de Fracttal propone un ciclo de trabajo, en el que primero se recogen los datos a partir de órdenes de trabajo, historiales y/o sensores IoT. Luego, el módulo de mantenimiento predictivo hace un análisis automático, del que después el área de mantenimiento de la empresa saca una conclusión acerca de la tarea que debería realizarse sobre el activo.
En pocas palabras, se toman datos directamente de los activos, se extraen todas las señales, se transforman en gráficos de tendencia, se hacen proyecciones y finalmente se traza la curva de confiabilidad. Toda la información concentrada estará reportada inmediatamente en el sistema de gestión del mantenimiento de Fracttal.
Con nuestra experiencia y soluciones sabemos que la predicción es un proceso, no un evento puntual. Mientras más predecimos en el tiempo, más nos acercamos al acierto. Se trata de un proceso continuo. Pero, a la vez, la mejor predicción de falla es aquella que sabotea la predicción, es decir, aquella que la evita.
Podemos explicar nuestro enfoque y modelos matemáticos a detalle, incluyendo la fácil usabilidad del módulo de mantenimiento predictivo, a través de una demo. Solicítala para conversar más a fondo.