Los ingenieros de software llevan décadas utilizando depuradores y generadores de perfiles para detectar problemas ocultos en su código. Sin embargo, en el sector manufacturero, cuando un proceso se interrumpe o se ralentiza, a menudo solo contamos con un cronómetro y un portapapeles.
En el último episodio de «Humans in the Loop», Tulip , Rony Kubat, y el responsable de productos de IA, Mark Watabe, conversan con la directora de marketing, Madi Castillo, para analizar cómo está cambiando esta situación.
A partir de sus experiencias en los campos de la arquitectura, el cine y la ingeniería de software, el equipo analiza el surgimiento de la «observabilidad física»: el uso de modelos de lenguaje visual (VLM) para «describir» el mundo físico de la fábrica tal y como se hace con el código, convirtiendo el vídeo de un medio de almacenamiento pasivo en una herramienta activa para la mejora continua.
Vea el episodio completo a continuación:
La brecha contextual: cocinar para la abuela frente a la televisión
Los datos sin contexto no son más que ruido. Para explicar por qué, Mark y Rony recurren a una analogía universal: la cocina.
Si está preparando una comida para el centenario de su abuela, el proceso se caracteriza por el esmero, la tradición y, tal vez, un ritmo más pausado. Si está preparando esa misma comida para un concurso de televisión en directo, el proceso se caracteriza por la rapidez, la actuación y el estrés.
Un simple sensor de temperatura en la cocina marcaría 350 °F en ambos casos. No es capaz de distinguir la diferencia. Sin embargo, la realidad del funcionamiento es totalmente diferente.
«El arquitecto se enfrenta a la problemática de la escala, que es la escala humana... Lo mismo ocurre con los modelos de lenguaje grande (LLM). Queremos un contexto infinito, pero este no existe. Hay que diseñar un contexto de referencia para que la IA sepa hacia dónde dirigirse». — Mark Watabe
En el sector manufacturero, a menudo nos enfrentamos a esta «brecha de contexto». Disponemos de los datos de los sensores (la máquina está en funcionamiento), pero carecemos del contexto humano (¿quién la maneja?, ¿por qué tiene dificultades? y ¿cómo se comporta el entorno?). Para salvar esta brecha se necesita un nuevo tipo de sensor: uno que pueda ofrecer una visión global.
Introducción a la observabilidad física
Rony presenta el concepto del «Software Profiler», una herramienta que supervisa la ejecución de un programa y señala exactamente dónde se produce una ralentización o un fallo en el código.
En el ámbito de la planta de producción, la observabilidad física es el equivalente. No se trata solo de grabar vídeo, sino de utilizar la inteligencia artificial para comprender lo que ocurre en el vídeo.
Con el auge de los modelos de lenguaje visual (VLM), los fabricantes ahora pueden «consultar» sus grabaciones de vídeo. En lugar de que una persona tenga que revisar manualmente ocho horas de material para encontrar un atasco, pueden pedirle a un agente: «Muéstrame todas las ocasiones en las que la carretilla elevadora bloqueó el pasillo durante el turno A».
Esto permite a los responsables de operaciones «depurar» sus procesos físicos con la misma precisión con la que los ingenieros de software depuran el código.
De la vigilancia al apoyo: la metáfora de la «pino»
Una objeción habitual a la instalación de cámaras en la planta de producción es el temor al «Gran Hermano», es decir, que las grabaciones de vídeo se utilicen para sancionar a los trabajadores. Mark da la vuelta a este argumento con una metáfora personal: aprender a hacer el pino.
Si desea aprender a hacer el pino, la herramienta más útil que puede tener es una cámara. Grábese, no para que le juzguen, sino para ver lo que no puede sentir: ¿tiene la espalda arqueada? ¿Tiene los codos doblados?
Este es el núcleo de la IA centrada en el ser humano. Cuando la observabilidad física se utiliza correctamente, adapta el puesto de trabajo al trabajador, en lugar de obligar al trabajador a adaptarse al puesto. Identifica los puntos en los que la ergonomía es deficiente, las herramientas están fuera del alcance y el proceso supone un obstáculo para el ser humano, lo que permite una personalización masiva del flujo de trabajo para cada individuo.
Utilice una IA centrada en las personas para mejorar la producción mediante una plataforma de operaciones conectada
Descubra cómo los fabricantes utilizan Tulip recopilar datos de la planta de producción en tiempo real, estandarizar los flujos de trabajo y sentar las bases operativas que necesitan los sistemas de IA para mejorar la calidad, el rendimiento y la toma de decisiones.