Saltar al contenido principal
Base de conocimiento

Por qué la IA en la fábrica fracasa sin datos operativos conectados

DBR77 Team8 min de lectura

En esta página

La IA en la fábrica fracasa sin datos operativos conectados porque un modelo solo puede priorizar, predecir o recomendar a partir de lo que ve. En la mayoría de las plantas, los hechos que necesita están en sistemas separados, con ID de máquina distintos, motivos de parada que faltan y ningún registro de lo que hicieron las personas después. Antes de que la IA pueda ayudar, una planta necesita eventos de máquina fiables, un modelo común de activos y órdenes, registros cerrados de las acciones y una vía que lleve cada recomendación de vuelta a una persona que pueda actuar.

A menudo el presupuesto de IA se gasta antes de que nadie revise los datos, y se culpa al modelo de un problema que está antes.

Por qué se estancan los pilotos de IA en las plantas

La tasa de fracaso es alta en todos los sectores. Un estudio de RAND de 2024, basado en entrevistas con 65 ingenieros e investigadores de IA, señala que, según algunas estimaciones, más del 80 % de los proyectos de IA fracasan, el doble que los proyectos de IT sin IA. Una de las cinco causas raíz que cita es que la organización carece de los datos necesarios para entrenar un modelo eficaz, y 30 de los 50 entrevistados del sector describieron problemas persistentes de calidad de datos.

Gartner llega a una conclusión parecida desde el lado de los datos. Prevé que hasta 2026 las organizaciones abandonarán el 60 % de los proyectos de IA que no cuenten con datos preparados para la IA, y el 63 % de las organizaciones no tiene, o no sabe si tiene, las prácticas de gestión de datos adecuadas para la IA.

En una planta, un científico de datos suele recibir una exportación puntual: valores de sensores de un sistema, órdenes de trabajo de otro, desecho de una hoja de cálculo. El modelo puntúa bien con ese histórico, después entra en producción y no cambia nada, porque los datos en vivo no coinciden con la exportación y el resultado acaba en un correo que no tiene responsable.

Un modelo sobre datos de vibración exportados señala desgaste de rodamiento en el compresor 2.

Comparación de un aviso de rodamiento de un compresor gestionado con datos exportados y en un flujo conectado

Cinco tipos de datos que necesita la IA operativa

La IA operativa necesita saber a qué pertenece un valor, qué hicieron las personas al respecto y qué pasó después.

Tipo de datosEjemploDónde suele estar hoyQué falla sin ellos
Eventos de máquinaEstados, recuentos, motivos de parada, valores de condiciónPLC, SCADA, una herramienta de IoT aparteEl modelo ve números, pero no paradas ni causas
ContextoID del activo, orden de trabajo, producto, lote de material, turno, rolMES, ERP, hojas de cálculoUn aviso no se puede asociar a una orden o a un lote
Acciones y resultadosÓrdenes de trabajo, inspecciones, no conformidades, notas de cierreCMMS, formularios de calidad, papelEl modelo nunca aprende qué consejo funcionó
PlanProgramación, cambios de formato, disponibilidad de materialAPS, ERP, el archivo propio del planificadorSe sugiere una buena solución en el peor momento
Conocimiento prácticoProcedimientos, registros de mantenimiento, causas raíz anterioresUnidades compartidas, archivadores, la cabeza de las personasLas respuestas son genéricas, no sobre su planta

La calidad de las etiquetas importa tanto como el volumen. En un estudio de Chalmers con datos brutos de OEE de 23 empresas y 884 máquinas, casi la mitad de las pérdidas registradas no se pudieron clasificar porque faltaban categorías de pérdida o estaban mal descritas. Un modelo entrenado con "desconocido" no aprende nada útil. Para saber qué señales de máquina merece la pena recoger en primer lugar, consulte Qué datos recoger de las máquinas.

Por qué el flujo importa más que el volumen

Muchas plantas responden al problema de los datos con un data lake, que ayuda a los informes pero recoge datos sin devolver ninguna decisión a planta. La IA operativa necesita un bucle: entra un evento, sale una recomendación, una persona la acepta o la rechaza, la acción queda registrada y el resultado vuelve como datos nuevos.

Ejemplo ilustrativo: una planta tiene cuatro compresores de aire. Un modelo predictivo, construido con datos de vibración exportados, señala desgaste de rodamiento en el compresor 2 y envía un PDF semanal al responsable de mantenimiento. El CMMS es un sistema aparte, así que nadie vincula el aviso a una orden de trabajo. Un técnico cambia el rodamiento el jueves durante una parada planificada y escribe en papel "ruido, rodamiento cambiado". Tres semanas después, nadie sabe decir si el modelo acertó, se adelantó o tuvo suerte, y la confianza en él cae.

En un flujo conectado, el mismo aviso abre una recomendación vinculada al ID del activo. Un planificador la aprueba como orden de trabajo, el técnico la cierra con sus hallazgos y una foto, y el cierre vuelve al modelo como resultado etiquetado. El modelo es el mismo en las dos versiones, pero solo el conectado recibe resultados etiquetados de los que puede aprender.

Una prueba de preparación para una línea

Haga esta prueba de sí o no en una línea antes de comprar o desarrollar cualquier IA.

  1. Una única lista de activos. La misma máquina tiene el mismo ID en los datos de máquina, en mantenimiento y en producción.
  2. Las paradas tienen motivo. "Desconocido" es una parte pequeña de los minutos de parada, y la lista de motivos lleva semanas estable.
  3. Los eventos llevan contexto. Una parada o un defecto se pueden asociar a una orden, un producto, un lote de material y un turno sin una búsqueda manual.
  4. Las acciones se cierran en un sistema. Las órdenes de trabajo y las acciones de calidad tienen un registro de cierre con lo que se hizo, no solo un estado.
  5. Cada resultado tiene un responsable. Cada tipo de recomendación tiene un rol designado que la recibe y un plazo para responder.
  6. Hay un camino de vuelta. El resultado de una acción se guarda donde el modelo puede leerlo.

Si cuatro o más son "no", dedique el próximo trimestre a los datos y al flujo, no a los modelos. A menudo el camino más rápido es conectar los sistemas existentes; Cómo unificar MES, WMS, QMS y CMMS sin sustituirlo todo muestra cómo.

Cómo funciona en DBR77 IRIS

DBR77 IRIS gestiona producción, mantenimiento, calidad, almacén y planificación sobre un único modelo de datos compartido, así que los eventos de máquina, las órdenes, las inspecciones y las órdenes de trabajo ya están vinculados cuando la IA los lee. Los datos de máquina vienen de DBR77 IIoT: la telemetría entrante se valida frente a esquemas definidos y se normaliza, los dispositivos se asignan a estaciones, e IRIS CMMS vincula cada estación con su activo.

El asistente de IRIS trabaja a partir de ese registro común. Responde a preguntas con datos de la planta en tiempo real y con bases de conocimiento creadas a partir de la documentación de sus máquinas, el historial de mantenimiento, los procesos y los productos, y cada cifra de una respuesta procede de una herramienta que ha leído sus datos. Las recomendaciones de Data & AI muestran en qué se basa su puntuación, una persona decide qué se hace con cada una e IRIS registra el resultado de las que se aplican. Donde el histórico de averías es escaso, DBR77 DT puede generar datos simulados. Una vez que existe esta base, Lo que la IA puede hacer realmente hoy en las operaciones de fábrica expone lo que la IA puede y no puede hacer.

Preguntas frecuentes

¿Necesitamos un data lake antes de empezar con la IA?

No para operaciones. La IA operativa necesita eventos en vivo conectados, contexto y acciones cerradas en las líneas donde quiere resultados.

¿Cuánto histórico necesita un modelo?

Depende del caso de uso. Priorizar incidencias abiertas o responder preguntas a partir de los procedimientos puede empezar con poco histórico. Predecir averías poco frecuentes necesita ejemplos etiquetados, y por eso los registros de cierre importan desde el primer día.

¿Podemos usar los datos que ya tenemos?

Normalmente sí, una vez vinculados. La mayoría de las plantas tienen los datos en bruto; lo que les falta es un único ID de activo, motivos limpios y registros de cierre.

¿Tienen que salir nuestros datos de la planta?

No, si sus políticas lo prohíben. IRIS puede funcionar en una nube privada o en su propio centro de datos, y en SaaS los datos de cada fábrica se mantienen separados. Durante el piloto, acuerde dónde se ejecuta el modelo de lenguaje que utiliza el asistente de IRIS.

Conclusión

Antes de financiar un modelo, haga la prueba de preparación de seis puntos en una línea. Si cuatro o más respuestas son "no", dedique el próximo trimestre a conectar los sistemas existentes, depurar los motivos de parada y cerrar las acciones en un sistema. Después dé a cada tipo de recomendación un responsable y un camino de vuelta, para que el modelo aprenda de lo que hicieron las personas.

Fuentes