Los datos correctos de la fuente correcta crean los modelos correctos

Las fábricas conectadas se están convirtiendo en algo habitual, ya que los fabricantes reconocen y aprovechan el poder que pueden desbloquear sus datos operativos. De hecho, la pandemia de COVID-19 obligó a muchas empresas a cambiar y adaptarse a la "nueva normalidad", siendo la base de estas iniciativas las capacidades de datos, es decir, la digitalización.

Al abrir la tapa de su tecnología, personas y procesos, y extraer estos datos operativos, muchos han descubierto innumerables capacidades y conexiones latentes que les ofrecen una mayor visión de la operación, la capacidad y la eficiencia de sus líneas de producción.

Pero con todos estos nuevos datos disponibles, la gran pregunta es: ¿Se utiliza esta información al máximo? ¿Están las empresas exprimiendo hasta el último byte de información útil y desplegándola donde y cuando puede marcar la diferencia, tomando las decisiones adecuadas en el momento adecuado?

¿Cuál es su fuente?

En muchos casos, la decisión correcta puede verse afectada por el lugar donde se toma la decisión, que es tan importante como la forma en que se toma la decisión. Cada caso de uso es diferente, ya que hay valor en resolver problemas en el dispositivo, el control, el edge y/o la nube.

El valor de la nube radica en tipos específicos de aplicaciones, como el intercambio de datos entre ecosistemas y la cadena de suministro, la agregación de datos y la visualización no en tiempo real (monitoreo de energía), aplicaciones de computación avanzada, desarrollo y entrenamiento de modelos de aprendizaje automático, por nombrar algunos.

Pero, por lo general, cuanto más lejos esté de la fuente de los datos, menos actualizaciones verá de los datos, lo que significa que podrían faltar valores de datos intermedios. Como resultado, los usuarios de la nube suelen ver solo un pequeño conjunto de posibles valores de datos y datos internos del dispositivo; los modelos de procesos, control y dispositivos no son visibles en absoluto.

En la mayoría de los casos, las decisiones deben tomarse lo más cerca posible de la fuente, es decir, en el borde, para mantener el contexto y la velocidad de los datos. La contextualización y la modelización en el borde permiten obtener información analítica más rica, y las soluciones basadas en el borde y en la nube pueden aprovechar lo mejor de ambos mundos para ofrecer mayor agilidad y producción.

Cuando se recopilan y analizan los datos más cerca de la fuente, se obtiene retroalimentación en tiempo real. Sin esta inmediatez, es posible que se construya un modelo o una simulación con capacidades y alcance limitados, porque no se sabe lo que no se sabe. Se necesita información que permita comprender la capacidad real, no solo la capacidad observada típica. Pero una solución de borde es solo una parte de la imagen.

Análisis de datos: límites y mitos

El análisis, la IA y el aprendizaje automático pueden ser herramientas poderosas cuando se usan junto con bibliotecas y expertos en la materia, quienes pueden comprender y desbloquear oportunidades y valores no vistos, y pueden proporcionar oportunidades para la optimización de procesos y predicciones futuras basadas en el comportamiento observado. Pero estas herramientas no se pueden aplicar de manera genérica debido a la gran variedad de aplicaciones posibles en el amplio espectro industrial.

El análisis de datos tampoco proporciona una imagen completa. Solo verá los datos que puede observar, por lo que las capacidades y limitaciones adicionales normalmente no son visibles y puede que no esté disponible un estado de imagen completa.

No hay suficientes rebanadas

Tomemos como ejemplo un camión de pizzas artesanales y los datos operativos que nos proporcionará. Funciona durante X horas, Y días a la semana, sirviendo Z pizzas, con un tiempo T entre el pedido y la entrega. Lo que no podemos "observar" son las capacidades del camión: ¿Cuántas horas al día podría funcionar? ¿Cuántas horas necesitan trabajar los empleados? ¿Están capacitados y a qué nivel? ¿Cuál es el número máximo de porciones? ¿Cuál es su alcance (y velocidad) entre ubicaciones? ¿Está bien mantenido? ¿Qué equipo (capacidades) hay en la cocina? ¿Se puede preparar otra comida?

El ejemplo del camión de pizzas ilustra cómo muchas empresas se enfrentan a una mezcla de datos y modelos, en los que algunos de los detalles no están disponibles de inmediato. Esto es especialmente cierto cuando se intenta examinar los datos de forma remota. Comprender los límites de los datos observables y considerar dónde se podrían recopilar e incluir datos adicionales, dará en última instancia una imagen más sólida de cualquier situación.

A esto se suman los múltiples retos en torno a la disponibilidad de datos, como la tasa de muestreo, la forma en que se expresan los datos y las limitaciones causadas por los recursos de comunicación de red, lo que da lugar a enormes lagunas en los datos.

¿Qué me conviene?

Necesita entender el problema que está tratando de resolver y el resultado que está tratando de lograr. Si necesita saber más y hacer más, es mejor comenzar con la analítica, que le dará información sobre dónde existen problemas, para que pueda crear una estrategia para resolverlos. Esto generalmente significa agregar sensores adicionales o construir modelos para modelar la solución. Estos modelos también pueden ser fundamentales para descubrir y explorar soluciones que nunca antes había probado.

Hay valor en resolver problemas en el dispositivo, el control, el borde y la nube, pero en todos los casos, debe tratar de usar las herramientas que mejor aborden sus necesidades. De hecho, incluso puede encontrarse implementando una solución híbrida.

Es crucial encontrar el equilibrio adecuado para desbloquear todo el potencial de una fábrica. El objetivo final debe ser aplicar el conocimiento del dominio y el modelado adecuado para crear una simulación precisa utilizando una imagen completa de los datos, ¡no solo lo que ya sabe!