Explicación de la preparación de los datos de fabricación para la IA

La preparación de los datos de fabricación es el estado en el que los datos operativos no solo son precisos, sino que también están contextualizados, lo que significa que cada dato (por ejemplo, la temperatura) se etiqueta automáticamente con su contexto (identificación del trabajador, orden de trabajo, estado de la máquina) en el momento de su creación, lo que permite que los modelos de IA puedan utilizarlos de inmediato sin necesidad de una limpieza manual.

Durante años, se dijo a los fabricantes que, para prepararse para la inteligencia artificial, necesitaban «big data». Por ello, invirtieron millones en crear lagos de datos, vertiendo terabytes de lecturas de sensores en la nube.

Hoy en día, la mayoría de esos lagos son, en realidad, «pantanos de datos». Los datos están ahí, pero son inutilizables. ¿Por qué? Porque una lectura de vibración de 0,54 mm/s no significa nada para una IA a menos que lo sepa ¿qué? el producto estaba en funcionamiento, quién estaba manejando la máquina, y si Se suponía que la máquina debía estar parada.

La preparación de los datos no tiene que ver con el volumen, sino con el contexto. Sin ella, su estrategia de IA se estancará en la fase piloto.

En el ámbito del consumo, los datos se contextualizan de forma natural. Una transacción con tarjeta de crédito incluye, integrados en el archivo, datos sobre el usuario, el comerciante, la fecha y la hora, y la ubicación.

En el sector manufacturero, los datos se encuentran fragmentados a lo largo de la pila ISA-95:

• El PLC (a nivel de máquina) conoce la temperatura.
• El sistema ERP (a nivel empresarial) tiene constancia de la orden de trabajo.
• El MES (nivel de ejecución) conoce al operador.

Para un modelo de IA, se trata de tres idiomas que no guardan relación entre sí. Esto es lo que se conoce como «brecha de contexto».

Cuando se alimentan a una IA con datos sin procesar y sin contexto, se corre el riesgo de que surjan ambigüedades.

Si un operador le pregunta a un asistente de IA, «¿Por qué se detuvo la línea 1?», y la IA solo ve un Amperios del motor: 0 señal, podría interpretar erróneamente que se trata de un fallo mecánico.

Sin embargo, si ese dato se hubiera contextualizado con un Estado: Cambio_programado etiqueta, la IA identifica correctamente el suceso como un procedimiento estándar. El contexto marca la diferencia entre una información útil y una mentira peligrosa.

Para pasar de un caos a una estrategia, su arquitectura de datos debe abordar tres niveles concretos:

1. Estructura (el esquema semántico)

Los sistemas heredados utilizan etiquetas poco claras como PLC_Tag_101 o Registro_4002. Para ello, es necesario que una persona asigne manualmente cada punto.

Los datos preparados para la IA utilizan un modelo semántico (por ejemplo, Planta/Área/Línea/Horno_1/Temperatura). De este modo, cuando una IA busca «temperatura del horno», la encuentra al instante en todos los sitios web, independientemente de si el horno es de Siemens o de Allen-Bradley.

2. Contexto (los metadatos)

Este es el eslabón perdido más importante. Los datos de las máquinas deben enriquecerse con el contexto humano.

• Datos sin procesar: «La máquina se detuvo a las 10:00 de la mañana».
• Datos contextualizados: «La máquina se detuvo a las 10:00 de la mañana durante el cambio de producción realizado por el operador John para el producto X».
• Apps la mejor forma de recopilar estos datos centrados en las personas, ya que registran de forma natural el «quién, qué y por qué», junto con el «cuándo» de la máquina.

3. Acceso (El Protocolo)

Las integraciones tradicionales punto a punto (consultas SQL, llamadas a API) resultan demasiado rígidas para la IA. Generan dependencias muy estrechas.

La IA requiere una arquitectura Pub/Sub (como MQTT/Sparkplug), en la que los datos se publican en un broker central. Esto permite que un agente de IA simplemente se «suscriba» a un flujo de datos sin necesidad de que el departamento de TI desarrolle una integración personalizada.

La solución arquitectónica al «Context Gap» es el Espacio de Nombres Unificado (UNS).

Piense en el UNS como el sistema nervioso central de su fábrica. En lugar de conectar cada aplicación a cada máquina, todos los sistemas envían sus datos a un centro de control, organizados según una jerarquía clara.

• La máquina publica: Línea 1/Horno/Temperatura: 400
• La aplicación publica: Línea 1/Horno/Estado: Activo
• La IA se adhiere a Línea 1/Horno/N.º y las ve ambas al instante.

Al implementar un UNS, se garantiza que el contexto se aplique en tiempo real, lo que hace que sus datos estén «listos para la IA» en el mismo instante en que se generan. Esto permite patrones de RAG (generación aumentada por recuperación), en los que la IA puede consultar el estado actual de la fábrica para responder a preguntas en tiempo real.

La mayoría de las iniciativas de preparación de datos se centran exclusivamente en los sensores de las máquinas. Esto constituye un error fatal. Los sensores pueden indicar lo que ha ocurrido, pero rara vez explican el motivo.

• Un sensor de vibraciones le indica que el motor ha fallado.
• Solo el operario sabe que falló porque «la materia prima estaba húmeda».

Si excluye esta perspectiva humana de su conjunto de datos, su IA nunca aprenderá a identificar las relaciones causales. El uso de aplicaciones sin código para recopilar los registros, las observaciones y las acciones de los operadores es esencial para entrenar modelos de IA que comprendan la realidad completa de la producción.

Una objeción habitual es: «Mis máquinas tienen 30 años; no disponen de API».

No es necesario sustituir los equipos antiguos para que sean compatibles con la IA. Basta con integrarlos.

• IoT : El hardware económico puede conectarse a los PLC heredados para extraer datos y convertirlos a protocolos modernos como MQTT.
• Visión artificial: En el caso de las máquinas que carecen de puertos de datos, la visión artificial puede «leer» los indicadores analógicos o las torres de luz y digitalizar esa señal.
• El «App Wrapper»: si una máquina está completamente desconectada, coloque una Tulip junto a ella. El operador, al introducir manualmente «Inicio de ciclo» y «Fin de ciclo», actúa como sensor digital.

Comparación: cargas útiles sin procesar frente a cargas útiles preparadas para IA

Para visualizar la diferencia, observe cómo lee un sistema de inteligencia artificial un paquete de datos.

Si desea preparar sus instalaciones para Frontline Intelligence, comience por aquí:

1. Deje de almacenar datos sin procesar: si los datos no incluyen una marca de tiempo ni etiquetas de contexto, no los guarde. Son un lastre, no un activo.
2. Aplique una estrategia de borde: procese los datos de alta frecuencia en el borde. Prepare los datos localmente (añada contexto) antes de enviarlos a la nube.
3. Adopte un estándar semántico: elija una convención de nomenclatura (como MQTT Sparkplug B) y cúmplala.
4. Digitalice el «porqué»: sustituya los registros en papel por aplicaciones para que el contexto humano quede digitalizado y sea accesible para la IA.