Hace ya un tiempo, leía a un reportero asombrado por la velocidad de Tesla para levantar una de sus fábricas de coches. Aunque el mérito no es pequeño, todos los que hayamos vivido la realidad de una planta sabemos que un reto mucho mayor es llenarla. Desde que los japoneses popularizaron el método JIT, los procesos tienen que ir como un reloj, y las recetas son infinitas. El COVID fue el último ingrediente para que ese reloj se convirtiera en una veleta. Con estas incertidumbres, tenemos que decidir cómo mejoramos y automatizamos la operativa diaria. Estancarse no es una opción.
Así que hoy comparto una lista de 10 puntos importantes para que, si estás pensando en automatizar con IA algún proceso de tu línea, puedas elegir bien por dónde empezar. Piénsalo así: nosotros llevamos 6 años peleándonos para que ese modelo experto eche a andar. Estas experiencias han sido dolorosas de conseguir, pero dulces de disfrutar, y aunque muchas parezcan obvias, en el fragor del desarrollo caemos en estos errores igualmente. ¿Preparados? ¡Listos!
1. El proyecto debe tener un ROI claro, aunque sea pequeño
Si es tu primer proyecto y coges cualquier proceso solo con el objetivo de aprender la tecnología, es muy probable darse por satisfecho completando solo la parte del algoritmo, o programando lógica. La realidad es que implementar IA con éxito implica entender de inicio a fin cada operación necesaria, y sin un incentivo claro (una mejora real para la planta) es fácil tirar la toalla cuando el progreso se ralentiza. Tiene que haber un premio por el que luchar.
2. Si tiene ROI, busca el más rápido y sencillo
El otro extremo es elegir el proyecto que más retorno aporta, y en ocasiones ese valor viene acompañado de una dificultad alta. Generalmente es mejor empezar por la vía inversa: partir de lo más fácil (que tenga ROI) hacia lo más difícil. Pero recuerda que no todo es dinero medible. Un proceso que preocupa a tu cliente, que puedes enseñarle como inversión visible, también afecta a la estrategia, y bien vale el esfuerzo.
3. No plantees un proyecto de IA como un "todo o nada"
Ya que hablamos de dificultad, no te exijas a ti mismo un 10 para aprobar. Muchos proyectos, con muchas funcionalidades y desarrollos, se plantean con un único objetivo final, cuando por ejemplo se pueden usar las cámaras para hacer un histórico de las piezas que van pasando, medir el tiempo de funcionamiento de la máquina, o detectar solo algunos defectos, no todos. Si la recompensa está a 9 meses vista, los inicios suelen desanimar y acabamos con un juguete caro. Recompensa sin hitos intermedios, uno se quema.
4. Empieza por las detecciones simples
A brocha gorda, lo más fácil actualmente es detectar la presencia o ausencia de objetos, o clasificar objetos claramente diferentes (como un pistón y un martillo). Para mediciones, detección de dígitos complejos o clasificaciones difíciles (grietas pequeñas, golpes) el volumen de datos necesario sube bastante:
Tipo de tarea | Imágenes necesarias aprox. |
|---|---|
Presencia/ausencia, objetos muy distintos | 50 a 100 |
Mediciones, dígitos complejos, defectos sutiles (grietas, golpes) | 200 a 500, o más |
5. Crea piezas de prueba
En estas aplicaciones de aprendizaje los datos mandan, y tener pocas muestras a la semana hará que avancemos muy lento. Si puedes usar piezas que se puedan modificar para representar los patrones que buscas detectar, en cuestión de minutos habrás acelerado meses el proyecto. Pero cuidado: no puedes sacar 50 fotos de la misma pieza sin variación, porque la IA no aprendería el patrón, solo memorizaría ese objeto concreto.
6. Un dato que no te permite tomar acción no es un dato
Otra obviedad que se suele pasar por alto. Algunos sistemas presentan problemas de visión relativamente fáciles (OCR, detección de productos pasando a gran velocidad), pero exigen actuadores complejos: un robot para marcar con rotulador, pistones de expulsión especiales. A veces esta parte "tonta" (la mecánica) puede ser igual de cara que la visión con su cómputo. Por eso, intenta tener un área descubierta y con elementos mecánicos simples.
7. Hardware vs. software
Hay proyectos que requieren mucho material, otros muchas horas humanas de ajuste, y algunos ambas cosas. Busca tener al menos 1 de las 2 opciones simple: un proyecto con 1 cámara (aunque exija mimo en el análisis), o muchas cámaras que buscan un mismo defecto sencillo. Así es mucho más gestionable que combinar complejidad alta en ambos frentes a la vez.
8. Rápido, preciso y pequeño: un triángulo un poco caro
Normalmente, los tiempos de ciclo de la IA oscilan entre 200 milisegundos y 1 segundo. Si quieres pasar piezas más rápido que eso, reconocer defectos con mucha precisión (10 píxeles/milímetro) en un área muy grande o muy pequeña, estás eligiendo una combinación que casi nunca sale barata. Analiza si uno de los tres parámetros (velocidad, precisión o tamaño del área de escaneo) se puede relajar: notarás una reducción significativa en el coste, porque aliviar uno de ellos suele permitir usar tecnología menos avanzada o más estándar.
9. Equipo
Imprescindible, sí o sí: tiene que haber un miembro de cada equipo o departamento afectado por el sistema. Producción, calidad, innovación... cada uno desea un sistema que puede afectar al resto de la planta. Lo ideal es que cada representante exponga sus intereses, objetivos y expectativas de funcionamiento desde el principio. No quieres pasar un mes afinando un algoritmo para descubrir que la precisión con la que detecta defectos es tan alta que frena piezas aceptables, y tener que desactivar todo ese esfuerzo. Ojalá no pasara, pero pasa.
10. Reutilización
El primer proyecto es un reto, pero los siguientes se simplifican un montón, sobre todo si se parecen entre sí: eso reduce costes y mejora la viabilidad del proyecto siguiente. Si tu candidato comparte muchos aspectos con futuros proyectos previstos, eso se merece al menos un punto extra a su favor a la hora de elegir por dónde empezar.
Preguntas frecuentes
¿Cuántas imágenes hacen falta para empezar un proyecto de IA en planta?
Depende de la complejidad: desde 50-100 para detecciones simples (presencia/ausencia) hasta 200-500 o más para defectos sutiles o mediciones de precisión.
¿Es mejor empezar por el proyecto que más dinero ahorra o por el más fácil?
Casi siempre por el más fácil que además tenga ROI, no por el que más retorno teórico ofrece. Un proyecto complejo mal ejecutado desanima más de lo que enseña.
¿Qué pasa si el sistema es demasiado preciso y rechaza piezas buenas?
Es un riesgo real si no se involucra a todos los departamentos afectados desde el diseño del proyecto: calidad, producción e innovación deben acordar el criterio antes de afinar el modelo, no después.
¿Se puede automatizar sin comprar hardware nuevo?
En algunos casos sí, si el proceso ya cuenta con cámaras o sensores aprovechables, pero conviene evaluar desde el inicio si el reto está más en el hardware, en el software, o en ambos, para no subestimar el esfuerzo.
En resumen
La IA tiene la capacidad de mejorar gran cantidad de procesos, si se aplica con cabeza. Y la mejor forma de aprender cómo se "aplica con cabeza" es empezar suave, pero definido, sin poner requisitos que frenen el progreso, pero con hitos que convenzan a todo el equipo de las pequeñas mejoras e información de la que se puede aprender. Por eso hemos recogido estos 10 puntos concretos con los que calificar un proyecto y elegir un buen punto de partida.
En futuros artículos veremos cómo desarrollar el proyecto ya elegido, con consejos, reglas y herramientas, para tener una visión completa, de principio a fin, a la hora de encarar proyectos con esta tecnología. Sobre todo, para potenciar nuestros entornos de trabajo y ayudar a nuestros equipos. ¡Nos necesitan!
¿Cuál de estos 10 puntos te falta por resolver en tu proyecto?
Cuéntanos en qué punto estás y te ayudamos a elegir el mejor proceso por el que empezar.