es.wedoany.com Noticia: Los fabricantes de alimentos y bebidas están eliminando sistemáticamente los desperdicios de producción y previniendo cuellos de botella de capacidad mediante la estandarización de datos y tecnologías de aprendizaje automático. Según los datos del informe "Estado de la Manufactura Esbelta 2023" (State of Lean Manufacturing), solo entre el 10% y el 15% de las empresas en Estados Unidos aplican sistemáticamente los principios de manufactura esbelta, obteniendo ventajas competitivas significativas y retornos financieros. El núcleo de la manufactura esbelta y Six Sigma siempre ha sido centrarse en la optimización de procesos, el empoderamiento del personal y la resolución de problemas reales, en lugar de aumentar ciegamente la inversión de capital.
Hoy en día, mientras continúan aumentando la inversión en automatización, los fabricantes de alimentos y bebidas están fortaleciendo su competitividad a largo plazo mediante la estandarización de datos en las fábricas. El aprendizaje automático ya se aplica en escenarios como el empaquetado, el mantenimiento predictivo y la limpieza in situ (CIP), identificando con precisión las fuentes de desperdicio y generando soluciones de optimización. Markus Guerster, fundador y CEO de MontBlancAI, señala que en la era del aprendizaje automático, la gestión esbelta no puede limitarse a construir modelos algorítmicos, sino que debe integrar los conocimientos de datos en los flujos de trabajo diarios. La IA debe estar profundamente vinculada con las reuniones de producción, los procedimientos de mantenimiento de equipos y los ciclos de mejora continua; de lo contrario, no podrá generar valor duradero para la empresa. John Oskin, vicepresidente senior de SmartSights, indica que en los últimos 15 a 20 años, la mayoría de los fabricantes de alimentos y bebidas han invertido fuertemente en automatización de hardware, pero la estandarización de datos rara vez se incluyó en la planificación estratégica inicial. En 2024, Michael Warter, vicepresidente senior y director de información de Ruiz Foods, un gigante de alimentos congelados, anunció que la empresa está impulsando un importante proyecto de estandarización de datos para el departamento de I+D. En el pasado, los datos estaban dispersos en sistemas aislados, y lograr una integración profunda es crucial para romper los silos de datos y eliminar la dependencia de hojas de cálculo. Las medidas iniciales ya han mostrado resultados en cumplimiento normativo y trazabilidad de productos. Comentó que la junta directiva inicialmente no comprendió el profundo impacto de la inteligencia artificial en la producción, pero ahora el equipo ejecutivo reconoce que los principios de manufactura esbelta, la reducción de desperdicios de producción y el futuro desarrollo de la IA están estrechamente relacionados.
David Ariens, fundador del medio y consultoría de la industria IT/OT Insider, afirma que la manufactura esbelta y Six Sigma proporcionan metodologías sistemáticas para eliminar desperdicios y controlar la variabilidad de los procesos de producción. Ahora, esta misma metodología puede trasladarse al ámbito de la gestión de datos: reducir el consumo en la búsqueda, limpieza y contextualización de datos, y construir una infraestructura subyacente para evitar tener que construir desde cero cada nuevo caso de uso. Actualmente, las nuevas plantas de alimentos en EE. UU. muestran una clara tendencia centrada en los datos (Data-first). Bob Rice, vicepresidente de ingeniería de Control Station, señala que hace 20 años, el objetivo principal al construir una planta era "hacer funcionar los equipos". Hoy en día, los grandes proyectos establecen estándares operativos extremadamente altos desde el inicio de la planificación, exigiendo alcanzar niveles de capacidad predeterminados al inicio de la producción, e incluso realizan análisis de datos antes de comenzar la construcción. Sin embargo, priorizar los datos no significa construir un modelo completo de aprendizaje automático en toda la planta. Ariens añade que muy pocas empresas construyen una "Ontología de Manufactura" (Manufacturing Ontology) completa, es decir, un modelo de alto nivel legible por máquina que define las relaciones de mapeo entre equipos y procesos, las cuotas de consumo de materiales en cada etapa y la correspondencia de recetas de procesos de producción por lotes, entre otras lógicas subyacentes. Guerster considera que el principal desafío actual para implementar proyectos de datos con aprendizaje automático radica en la coordinación interorganizacional: diferentes líneas de producción o plantas suelen tener sus propias normas de nomenclatura de señales, unidades de medida, frecuencias de muestreo y metadatos contextuales, y los departamentos de TI y OT a menudo trabajan de forma aislada. Ariens enfatiza que si TI y OT no pueden coordinarse, ninguna tecnología avanzada podrá salvar la estrategia de datos.
La transformación digital empresarial debe comenzar con pequeños pasos, enfocándose en obtener resultados rápidos (Quick Wins). Guerster indica que antes de iniciar un proyecto de datos, es necesario aclarar el valor comercial. Las empresas exitosas suelen elegir escenarios con un alcance claro y directamente vinculados a indicadores clave de rendimiento (KPI) cuantificables. Oskin respalda la estrategia de "avanzar con pasos pequeños y rápidos, con iteraciones ágiles", sugiriendo planificar uno o dos proyectos de IA que puedan mostrar resultados en una semana o un mes, centrados en un equipo clave, una línea de producción principal o un indicador crítico. Marc Bertrand, de SmartSights, compartió un caso en un seminario web: un cliente utilizó el Análisis de Importancia de Características (Feature Importance Analysis) y el Análisis Prescriptivo (Prescriptive Analysis) para identificar con éxito los cuellos de botella de capacidad en la línea de empaquetado y reducir significativamente los desperdicios. El Análisis de Importancia de Características identifica con precisión las variables más influyentes, ayudando a construir modelos de datos eficientes e interpretables. El objetivo principal del cliente era establecer indicadores clave de rendimiento como el Tiempo Medio Entre Fallos (MTBF), o evaluar el valor del centro de la máquina en el cuello de botella de la línea de empaquetado. La tecnología ABLE de SmartSights realizó un Análisis de Causa Raíz (Root Cause Analysis) en las atadoras, enfardadoras y paletizadoras de la línea, identificando con precisión el equipo con mayor impacto en la línea general según las posibles causas. Al mismo tiempo, el equipo del proyecto utilizó métodos de Análisis Prescriptivo para modelar completamente la línea de empaquetado, introduciendo un KPI clave llamado "Tasa Efectiva" (Effective Rate) para los cuellos de botella de capacidad. Este indicador se calcula multiplicando la disponibilidad del equipo por la tasa promedio de la línea de producción, y se utiliza para medir con precisión la producción real por minuto. Bertrand señaló que, aunque los datos de ambos algoritmos eran correctos, los resultados eran muy engañosos: según el análisis, se debía priorizar la paletizadora, pero el verdadero problema estaba en la atadora. Gracias a la comprensión profunda proporcionada por el modelado de aprendizaje automático, la empresa encontró un equilibrio, aumentando simultáneamente el límite superior de velocidad y la tasa operativa real de ambos equipos, superando con éxito el cuello de botella de capacidad en ese centro de producción.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
