Skip to main content

Inteligencia artificial en producción: Un punto de inflexión para productores con activos pesados

Las compañías con activos pesados están mejorando su tasa de producción, el consumo de energía y las ganancias gracias a soluciones de inteligencia artificial (IA) a medida.

En vista de la atención que ha recibido en los últimos tiempos, parecería que la inteligencia artificial (IA) es un nuevo descubrimiento. Pero en realidad, el concepto surgió a mediados de la década de los ’50. Debido a que estaba adelantada a la tecnología disponible en ese momento, languideció en el cajón de las “ideas interesantes” por años.

Hoy día, la inteligencia artificial se ha generalizado. Los sistemas de navegación de los automóviles, las aplicaciones de fitness, Alexa y Siri, Amazon, Netflix, los pronósticos del clima y la negociación de alta frecuencia están entre las aplicaciones de IA más comunes. En la actualidad, hasta productores con activos pesados, como las compañías de cemento, están lanzando proyectos piloto para determinar si la IA podría ser beneficiosa para sus actividades y de qué manera.

Tradicionalmente, estos productores han financiado las mejoras con inversiones de capital. La IA propone una alternativa más económica usando el software existente para analizar la enorme cantidad de datos que recopilan día a día y al mismo tiempo personalizando los resultados. Esto les permite obtener una mejor comprensión de las nuevas tecnologías y del valor que ofrecen.

Si bien las tecnologías de IA han logrado mejoras tangibles en funciones administrativas y de cadena de suministro, por ejemplo, hasta ahora han tenido escasa presencia en entornos de producción – lo cual es paradójico, ya que las plantas productoras de cemento han sido de las primeras en adoptar sistemas de automatización y control y llevan décadas empleando sensores digitales.

El escenario para la aplicación de IA por productores con activos pesados

Durante décadas, las compañías han estado “digitalizando” sus plantas usando sistemas de control distribuidos y de supervisión y, en algunos casos, controles avanzados de procesos. Pese a que esto ha mejorado sustancialmente la capacidad de visualización de los operadores, la mayoría de estas compañías no han seguido el ritmo de los avances en analítica y soluciones de soporte a decisiones que utilizan IA.

Los operadores aún se basan en su experiencia, intuición y juicio personal. Por ejemplo, los equipos de sala de control reducidos que se emplean en la actualidad deben monitorear manualmente una multitud de señales en distintas pantallas y ajustar las respectivas configuraciones. Al mismo tiempo, tienen que resolver problemas y ejecutar pruebas y ensayos, por mencionar solo algunas de las tareas que llevan su capacidad humana al límite. Como resultado, muchos operadores toman atajos y priorizan las actividades más urgentes que no necesariamente generan valor.

Esta fuerte dependencia de la experiencia dificulta el reemplazo de un operador calificado por otro al momento de su retiro. Dado que las variaciones en las calificaciones pueden afectar no solo el desempeño sino también las ganancias, la capacidad de la IA para preservar, mejorar y estandarizar el conocimiento se vuelve aún más importante. Además, al ser capaz de tomar complejas decisiones operacionales sobre puntos de ajuste, la IA está en condiciones de entregar resultados predecibles y consistentes en mercados con dificultades para atraer y retener operadores calificados.

En lo referido a la mejora operacional y la adaptabilidad dinámica, la inteligencia artificial puede superar a las tecnologías de soporte de decisiones convencionales. También, gracias a las nuevas herramientas de software de alto desempeño, el mayor poder de procesamiento y el abaratamiento de las memorias, la IA permite a las compañías crear y mantener sus algoritmos y propiedad intelectual internamente, lo cual resulta más económico, versátil y fácil de adaptar a los cambios constantes de equipamiento y en las condiciones del mercado. La IA puede automatizar por completo tareas complejas y proveer puntos de ajuste precisos y consistentes en modo de piloto automático. También requiere menos mano de obra de mantenimiento y – igualmente importante – puede ser ajustada rápidamente si la gerencia decide revisar la estrategia de fabricación o los planes de producción.

El caso de una compañía cementera que optimizó sus activos con IA

En respuesta a la creciente demanda, una compañía de cemento se embarcó en un proyecto para aumentar la tasa de producción a comienzos de 2016. Las mejoras de hardware habían generado una ganancia de 8 por ciento, y la instalación de una solución estándar de control avanzado de procesos otro 2 por ciento adicional. Pero el cliente deseaba mover la aguja aún más.

Para ello, nos convocó con la idea de diseñar e instalar optimizadores en tiempo real en los principales activos de la compañía – el horno, el molino de crudo vertical y la línea de acabado. Usando métodos de trabajo ágiles y un equipo combinado de científicos de datos y consultores digitales y analíticos de McKinsey, junto con expertos en ingeniería de procesos e ingenieros de planta de la compañía, creamos una solución basada en IA utilizando datos de procesos internos, una metodología estructurada innovadora y el software y la plataforma operativa de un socio externo.

Para este artículo ilustramos nuestro abordaje paso a paso para el molino de crudo vertical. Para diseñar e instalar los optimizadores de activos en tiempo real realizamos los siguientes pasos:

  • Capturamos millones de líneas de datos de cientos de variables de procesos
  • Preparamos y analizamos los datos usando herramientas y técnicas de analítica avanzada (AA)
  • Mapeamos los datos con los flujos de los procesos de automatización
  • Construimos el optimizador offline usando software de diseño y aplicando redes neuronales y otras técnicas y algoritmos de AA
  • Creamos la versión online del optimizador y la conectamos con el sistema de automatización y control a través de interfaces de datos
  • Nos conectamos en modo de piloto automático luego de una serie de tests y ensayos, con el optimizador de activos funcionando en forma autónoma sin intervención de un operador

Este mecanismo mejoró sensiblemente los beneficios en cuestión de semanas. Las evaluaciones de desempeño realizadas a los cuatro y a los ocho meses de la instalación demostraron que el optimizador de activos basado en IA había superado en rendimiento al sistema de control avanzado de procesos existente por un amplio margen, tanto en términos de tasa de alimentación como de consumo de energía específico (Gráfico 1). La activación de IA impulsó el desempeño de los activos y las ganancias del molino de crudo y el horno, además de asegurar la adhesión a los puntos de ajuste en forma segura y precisa.

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Dado que ahora los operadores pueden alternar fácilmente entre el modo de información visual en pantalla y el modo autónomo, han desarrollado una preferencia por el piloto automático, que les permite concentrarse en tareas complejas y dejar el ajuste para un desempeño óptimo en manos de la inteligencia artificial. El modo de piloto automático también garantizó la máxima captura de valor, ya que el sistema operó en forma continua e independiente de variaciones en la experiencia, la atención u otras influencias negativas.

Los resultados de la compañía de cemento confirmaron que los algoritmos y modelos creados con técnicas de analítica avanzada pueden mejorar sensiblemente el rendimiento, el consumo de energía y la tasa de producción de operaciones con activos pesados y aumentar las ganancias en forma inmediata. Específicamente, usando la información y el software existentes, la IA puede generar mejoras sin necesidad de invertir capital en nuevos equipos y por lo tanto generar retornos atractivos rápidamente. Además, la IA genera aprendizaje automático (ML) que puede ser transferido fácilmente a activos y plantas similares, aumentando su atractivo como inversión.

Las soluciones de optimización de activos ya han sido desarrolladas e implementadas exitosamente en industrias químicas, de metales, minería y otros entornos de fabricación pesada, donde demostraron su viabilidad y sus ventajas económicas para una amplia variedad de organizaciones con activos pesados. Con el aumento de la experiencia y las nuevas instalaciones, estimamos que los optimizadores de IA se desarrollarán y operarán aún más rápido, además de expandirse a un mayor número de plantas – y más y más compañías buscarán desarrollar sus propios sistemas para satisfacer necesidades específicas.

Qué necesitan los productores con activos pesados para independizarse con IA

El recorrido hacia la independencia con IA comienza por un piloto de demostración con fines de observación y aprendizaje, seguido de co-creaciones y, finalmente, auto-creación sin ayuda exterior una vez desarrolladas las competencias internas necesarias (Gráfico 2).

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Es importante tener presente que, más allá de los algoritmos de IA y ML, el éxito o el fracaso de los optimizadores de activos en tiempo real depende de las personas que los crean, usan y mantienen, desde los operadores que conducen los procesos, los ingenieros que aplican sus conocimientos para impulsar mejoras y los gerentes que supervisan los resultados hasta los altos ejecutivos. Un abordaje enfocado en las personas, holístico y orientado al futuro puede liberar un poder enorme cuando los individuos, las tecnologías digitales y la analítica avanzada trabajan en conjunto.

Para crear y mantener inteligencia artificial propia se necesita contar con las personas correctas. Diseñar, construir, conectar, mejorar y mantener una solución de IA como el optimizador de activos requiere personas con sólidos conocimientos y experiencia, una perspectiva amplia y habilidades interpersonales para trabajar colaborativamente en pos de un objetivo común. En vista de que el talento de ese calibre es muy demandado y por lo tanto escaso, las compañías pueden considerar opciones como capacitar a sus empleados actuales o recurrir a expertos externos.

Cualquiera sea su fuente de talento, existen determinados roles que la gerencia debe cubrir para garantizar el éxito con la IA (Gráfico 3).

We strive to provide individuals with disabilities equal access to our website. If you would like information about this content we will be happy to work with you. Please email us at: McKinsey_Website_Accessibility@mckinsey.com

Los gerentes de proyecto (traductores) calificados y expertos en creación de IA con habilidades técnicas, de negocios y de gestión de cambios tienen importancia crítica. Los traductores y los expertos en IA aportan conocimientos e insights para integrar ingeniería de procesos, ciencia de datos y expertise en negocios y gestión a la solución. También contribuyen una visión objetiva sobre el cambio transformacional y el proceso de incorporar las mentalidades y los objetivos del negocio a la solución.

Los expertos en áreas específicas, como ingenieros de procesos y de producción, conocen cómo se comportan los procesos y cómo configurar y operar las plantas. Un elemento particularmente relevante para la optimización de IA en tiempo real es que se los debe capacitar para trabajar en forma productiva con profesionales con otra perspectiva, como traductores, ingenieros y científicos de datos, y para proveer insights de utilidad para los modelos de optimización.

Formar un equipo interno sólido de especialistas en TI y datos es una prioridad, ya que su formación aborda los componentes clave de la IA: ciencias de la computación, bases de datos, arquitectura de datos, modelado, estadística, analítica y matemática. Dentro de este grupo debe considerarse a los ingenieros de datos, capaces de manejar y operar soluciones y protocolos de almacenamiento, y los científicos de datos, que interpretan y procesan la información y elaboran algoritmos y modelos para resolver problemas complejos con múltiples variables.

Para manejar big data eficientemente se requieren herramientas nuevas y poderosas de visualización, depuración, clasificación y diseño del modelo de datos. Si no fuera fácil hallar o retener a los mejores talentos, las herramientas de preparación de datos (data wrangling) y diseño de IA simples de usar pueden llenar ese vacío y, simultáneamente, mejorar el talento de ingeniería interno.

A diferencia de los lenguajes de código abierto como R o Python, estas nuevas herramientas de diseño de IA automatizan muchas tareas tediosas, como extracción, depuración, estructuración y visualización de datos y simulación de resultados. Tales herramientas no requieren conocimientos especializados de la ciencia de los datos, y pueden ser empleadas por ingenieros de procesos y otros usuarios con conocimientos tecnológicos básicos para crear modelos de IA satisfactorios.

El costo de oportunidad de no invertir en la adopción de IA

La inteligencia artificial representa un cambio de paradigma – de soluciones inflexibles, caras y basadas en principios básicos a alternativas adaptativas de auto-aprendizaje apoyadas en grandes volúmenes e datos y algoritmos de ML. Las primeras compañías en identificar el potencial de la inteligencia artificial, como Google y Amazon, han superado por lejos a sus pares y crecido agresivamente, en buena medida gracias a su capacidad superior para predecir y adaptarse continuamente a los cambios y generar mayor rentabilidad.

Para las empresas con márgenes volátiles y presiones del mercado de capitales, los desafíos y el costo de oportunidad de no adaptarse son altos. Los productores con activos pesados que no puedan leer, interpretar y usar los datos generados por sus propias máquinas para mejorar el desempeño en respuesta a las cambiantes necesidades de sus clientes y proveedores correrán el riesgo de perder la carrera contra sus competidores o ser adquiridos por ellos.

La buena noticia es que las plantas de industrias de procesos están capturando y almacenando consistentemente enormes cantidades de información lista para ser aprovechada en la creación de algoritmos. Esto implica que, si bien están retrasadas en el frente tecnológico, con la ayuda de expertos y otros recursos externos temporarios que actúen como enlace, los productores con activos pesados como las plantas de cemento podrán converger rápidamente.

Sobre los autores

Eleftherios Charalambous es Socio Asociado de McKinsey de la oficina de Atenas; Robert Feldmann es Experto SeniorGérard RichterChristoph Schmitz son Socios Senior, todos con base en la oficina de Frankfurt.

Los autores desean agradecer a Thomas Czigler, Olivier Noterdaeme, Patrick Schulze, Ken Somers y Joris van Niel por sus contribuciones a este artículo.

Related Articles