El concepto de industria 4.0 ha ampliado el horizonte de la inteligencia de negocio. Nuevos orígenes de datos, hasta ahora no considerados, nos permiten obtener más información y aportar valor al sistema analítico. También han aparecido nuevos enfoques y usos, como la monitorización en tiempo real y el mantenimiento predictivo, que amplían las posibilidades de la analítica.
La evolución del modelo industrial hacia un entorno digitalizado ha traído consigo la aparición de nuevos actores dentro del mundo de la analítica. Una de las bases que sustentan esta evolución es el Internet de las Cosas (IoT, por sus siglas en inglés). La disponibilidad de sensores cada vez más económicos, el aumento de infraestructuras de comunicaciones, el abaratamiento de los sistemas de almacenamiento, así como la facilidad de escalado de estas soluciones han permitido la rápida implantación de este tipo de sistemas dentro de entornos industriales, de tal forma que se ha aportado una nueva capa de conocimiento al sistema de información.
En un entorno como el actual, la aparición de estos nuevos niveles de conocimiento permite obtener una ventaja competitiva, siempre que seamos capaces de dar significado a toda esa información; no se trata de qué dispositivos sensorizamos, ni de cuáles son los datos que obtenemos, sino de lo que recopilamos obtener de esa información. Los factores de éxito de este tipo de proyectos se basan en la potencia de las herramientas (que integran analítica y predicción), la rapidez de despliegue, la capacidad de adaptación a cualquier necesidad y el ahorro obtenido.
La capacidad de representación analítica
de la información es prácticamente ilimitada
Tratar y almacenar
Una parte importante del auge de la industria 4.0 es la capacidad de analizar la información obtenida de manera inmediata, para permitir tomar decisiones en tiempo real (edge data integration). Ser capaz de distinguir entre un comportamiento normal o uno anómalo puede suponer un ahorro de costes y tiempo que debemos tener en cuenta, y ese nuevo escenario analítico ha cambiado la forma de trabajo a escala operacional. Para los analistas también ha supuesto una evolución, pues han pasado de trabajar con una base de datos a hacerlo con un streaming de datos, de utilizar información de negocio a entornos muy influenciados por el hardware.
Pero no solo estamos hablando de la analítica en el edge, sino también del análisis predictivo. Ser capaces de desplegar modelos, dentro de la propia máquina o del hardware asociado a cualquier sensor, puede dar un control total sobre el futuro comportamiento de la cadena de producción, también permite desviaciones de calidad, evitar paradas por incidencias mecánicas o programar tareas de mantenimiento automatizadas.
Otro de los factores que entran en juego en los proyectos de industria 4.0 es el tratamiento del dato. Los retos en este sentido pasan por distinguir entre el dato relevante y el redundante, definir si necesitamos conservar la información o si ya se ha extraído todo el significado posible, e incluso definir el nivel de agregación. También hay que considerar el uso que le daremos a la información, sobre todo si estamos hablando de un proyecto de analítica en tiempo real o de análisis predictivo, y el modelo de almacenamiento, teniendo también en cuenta las múltiples opciones de almacenamiento cloud disponibles en la actualidad. Aunque, en este caso, tendremos que romper las barreras relacionadas con el miedo a la pérdida de control sobre los datos comprometidos.
En este sentido, siempre habrá que tener presentes las restricciones legales (por ejemplo, el RGPD) y las relativas a las comunicaciones, restricciones que exigen que se garantice el almacenamiento de los datos en caso de problemas de conexión, para lo cual hay que asegurar que el ancho de banda permita un streaming de datos fluido.
Mostrar los datos
Una vez recibidos y almacenados los datos, debemos explotar la información obtenida. Las opciones son múltiples y la capacidad de representación analítica de la información es prácticamente ilimitada, desde un dashboard de monitorización en tiempo real y gestión de alarmas a través de herramientas de decisión hasta la presentación de información histórica de la evolución de un sensor o de los indicadores de alarma.
En este punto es donde aparece una de las barreras más destacadas en este tipo de proyectos, ya que se necesita conocer en profundidad el poder de representación de cada plataforma, así como su capacidad para tratar los datos, modificarlos y representarlos a la velocidad adecuada. Dada la multitud de opciones, es importante analizar las restricciones técnicas de cada plataforma, las ventajas que plantea cada una de ellas y las limitaciones intrínsecas del proyecto (soluciones on-premise o cloud, velocidad de refresco…).
Uno de los factores clave en los proyectos
de industria 4.0 es el tratamiento del dato
Predicción
En cualquier proyecto de industria 4.0 uno de los factores clave es la capacidad de análisis predictivo que se pueda integrar a través de la aplicación de modelos en el edge, que describimos anteriormente, sistemas expertos, algoritmos básicos o soporte a machine learning. Dependiendo de las necesidades del proyecto, podemos necesitar una simple proyección temporal, un análisis de tendencias o, en casos más extremos, la aplicación de algoritmos de redes neuronales o deep learning. Es aquí donde sale a relucir el conocimiento de las distintas plataformas y la experiencia en resolución de proyectos.
Hay que tener en cuenta que la información necesaria para el aprendizaje de un modelo estará disponible después de que se haya establecido la sensórica. De esta forma, es necesaria una correcta programación de las distintas fases del proyecto, que permita la adquisición de un conjunto de datos de test y validación acorde al modelo que se necesita desarrollar.
La capacidad del científico de datos de reflejar las necesidades de negocio en modelos predictivos robustos, y con un alto grado de acierto, será clave. La tendencia actual es la de dividir el rol de científico de datos en dos: por una parte, el perfil responsable de abstraer las necesidades de negocio (citizen data scientist); por otra, el perfil técnico que es capaz de escoger el algoritmo adecuado a cada necesidad y parametrizarlo de la forma correcta.
Soluciones Analíticas
Existe una multitud de soluciones que permiten el desarrollo de proyectos de industria 4.0, sea cual sea su rango. La tendencia actual es la de ofrecer herramientas de analítica en cloud, como pueden ser SAP Analytics Cloud, Microsoft Power BI y Qlik Sense Cloud. Estas plataformas tienen un coste asociado muy contenido, no necesitan infraestructuras y son muy flexibles en cuanto a licenciamiento. También permiten un acceso multiplataforma (navegador web, móvil, tablet), ofrecen un look and feel moderno y agradable y una elevada facilidad de uso.
Por otra parte, también es importante tener en cuenta los servicios cloud modulares (Amazon Web Services, Microsoft Azure, Google Cloud), que permiten la adaptación a cada caso con los módulos que sean necesarios, pagando solo por lo que usamos; además, hay que considerar las herramientas específicas para el mantenimiento predictivo, como por ejemplo SAP Predictive Maintenance and Service o SAS Asset Performance Analytics.
