Doxa 2012

¿Puede la IA crear fábricas totalmente automatizadas?

Por Daniel Kuepper, Leonid Zhúkov, Namrata Rajagopal, y Yannick Bastubbé

Inteligencia artificial y aprendizaje automático

Harvard Business Review

#Doxa #IA #fábrica #automatizar #inteligencia #artificial #aprendizaje #tecnología #obstáculos #objetivo #estrategias #operativa

Resumen. En un futuro próximo, la tecnología dejará de ser un obstáculo para las transformaciones que reducen drásticamente la necesidad de trabajadores humanos en las fábricas. A medida que la tecnología mejore, la decisión de perseguir este objetivo dependerá principalmente de las consideraciones económicas de la fábrica. Los fabricantes que adopten la automatización y demuestren agilidad a la hora de revisar sus estrategias operativas estarán mejor posicionados para sacar provecho de esta ola.

Durante las últimas décadas, el sector manufacturero ha esperado con entusiasmo la llegada de fábricas totalmente automatizadas. En ellas, la producción estaría perfectamente orquestada por una red de robots de alta tecnología, máquinas inteligentes y sensores, lo que permitiría hacer frente a la escasez generalizada de mano de obra y reducir significativamente los costos operativos. Con una mínima intervención humana, en teoría podrían funcionar en completa oscuridad, lo que les valió el apodo de “fábricas con luces apagadas”.

Hasta la fecha, los pocos esfuerzos destacados por crear este tipo de fábricas, como  las Speed ​​Factories de Adidas en Estados Unidos y Alemania,  la fábrica de herramientas Craftsman de Stanley Black & Decker en Texas y Tesla, donde el director ejecutivo Elon Musk dijo que “ la automatización excesiva… fue un error ”, han puesto en duda su viabilidad generalizada. Como resultado, algunos expertos de la industria recomiendan abandonar por completo el manual de estrategias de fábricas con luces apagadas.

Sostenemos que hacer esto sería un error. Y el crecimiento casi estancado de la producción manufacturera por hora trabajada en economías maduras como Estados Unidos (-0,4%) y Alemania (1%) desde 2018 subraya la necesidad de la automatización para lograr ganancias de productividad.

La buena noticia para los fabricantes es que, según nuestra investigación y experiencia práctica, creemos que se está produciendo un cambio significativo. Las barreras de entrada para la implementación que obstaculizaron los esfuerzos anteriores van a caer rápidamente en los próximos años. Los robots se están volviendo más capaces, flexibles y rentables, y los agentes corporales aportan el poder de la IA generativa al entorno de la fábrica. Los fabricantes deben prepararse para la inevitable disrupción, o corren el riesgo de quedarse atrás.

Transformar una fábrica existente en una fábrica sin luces

A nivel mundial, han surgido focos de innovación que demuestran la viabilidad a largo plazo de las fábricas que funcionan sin intervención humana. Pensemos en nuestro cliente, un proveedor de la industria automotriz con sede en Europa, que tomó la audaz decisión de transformar su planta industrial existente en una operación totalmente automatizada en la que los humanos actúan como planificadores, supervisores y encargados del mantenimiento.

La empresa se propuso lograr competitividad en cuanto a costos, lo que le permitió operar económicamente en un país de costos elevados y seguir atendiendo a los clientes en un plazo de dos días. Pudo reducir la mano de obra directa en un 100%, abordando de manera eficaz los problemas de escasez de talento que afectan a su industria, y la fábrica experimentó una mejora del 8% en el EBITDA. La iniciativa ahora se está ampliando a varios sitios de costos elevados en todo el mundo.

Para iniciar esta transformación, nuestro cliente abordó de manera proactiva los desafíos financieros y técnicos más comunes que enfrentan los fabricantes que operan sin intervención humana, y que se encuentran en todas las categorías de operaciones de fábrica:

Procesos predecibles.

La mayoría de los procesos de fabricación implican tareas repetitivas, lo que hace que sea técnicamente factible y rentable que los robots las realicen. Por ejemplo, los vehículos autoguiados pueden recorrer fácilmente el taller siguiendo rutas predeterminadas. Sin embargo, se necesita una mano de obra altamente calificada para instalar y mantener estos robots, lo que limita el potencial de reducción de los costos generales de mano de obra.

Procesos impredecibles.

Incluso en entornos estrictamente controlados, algunos procesos de fabricación siguen siendo intrínsecamente desestructurados. Los robots preprogramados a menudo no consiguen adaptarse a estas situaciones complejas e inesperadas. Por ejemplo, el control de calidad automatizado a veces no es capaz de identificar defectos que pueden haberse producido por primera vez. Esta falta de adaptabilidad a circunstancias imprevistas impide a los fabricantes confiar plenamente en la automatización.

Procesos no automatizables.

Debido a las limitaciones actuales de la tecnología, ciertos procesos complejos simplemente no se pueden automatizar. Por ejemplo, los robots tienen dificultades para “hacer kits”, el proceso de seleccionar y organizar varias piezas pequeñas para ensamblarlas. Estas piezas pequeñas son demasiado similares para que los robots las identifiquen fácilmente o demasiado diferentes para que los robots las agarren correctamente. Como resultado, todavía se requieren trabajadores humanos para completar estas tareas.

Para hacer frente a estos desafíos inherentes, nuestro cliente decidió adoptar un enfoque de “rediseño para la automatización” de sus procesos, productos y diseño. Esta revisión completa de las operaciones de la fábrica agregó nuevos pasos de proceso para mejorar la viabilidad de la automatización y, al mismo tiempo, eliminar las ineficiencias de los procesos orientados al ser humano. Por ejemplo, nuestro cliente ya no tuvo que sacrificar un valioso espacio en el piso para almacenar inventario que los humanos pueden ver y alcanzar. En cambio, construyeron áreas de almacenamiento verticales en el segundo piso a las que los robots pueden acceder y navegar fácilmente. Con el espacio liberado, instalaron más máquinas para aumentar la producción en más del 30 %. Básicamente, al reconstruir los procesos desde cero, descubrieron adaptaciones innovadoras, que incluyen:

Optimizar el uso del robot para minimizar costes.

El objetivo durante la transformación fue optimizar la cantidad de robots utilizados. Por ejemplo, nuestro cliente se enfrentó a una decisión clave desde el principio: si invertir o no medio millón de dólares solo para transportar piezas de plástico moldeadas a la estación de ensamblaje. El gasto era alto porque se necesitaba un robot especializado para cada tamaño de pieza. Para evitar este gasto, los ayudamos a rediseñar el proceso agregando una cinta transportadora que agrupaba las piezas de plástico de tamaño similar. Este nuevo paso redujo la cantidad de robots necesarios a la mitad, lo que mejoró significativamente el caso de negocios de la fábrica sin luces.

Aprendiendo a anticipar escenarios futuros.

Nuestro objetivo era entrenar a los sistemas de IA para que se prepararan para la incertidumbre antes de que comenzara la producción, en lugar de durante ella. Por ejemplo, nuestro cliente instaló un inspector visual automatizado para tomar imágenes y detectar problemas de calidad como rayones. Algunos defectos ocurren tan raramente que el sistema puede tardar años en aprender a detectarlos sin asistencia humana. Para abordar esto, generamos un gran volumen de imágenes artificiales o “sintéticas” de posibles defectos, simulando varias condiciones de iluminación para que coincidieran con lo que la cámara podría capturar. Este paso adicional nos permitió implementar un inspector visual completamente capacitado desde el día cero, eliminando la necesidad de supervisión hasta que el sistema se estabilice.

Ajustar el proceso para evitar la tarea.

Los flujos de procesos se pueden modificar para omitir tareas que aún no se pueden automatizar. Para nuestro cliente, ningún robot podía realizar de manera eficaz la preparación de los kits. Para eliminar esta tarea, establecimos un sistema de almacenamiento de cajas con etiquetas QR en colaboración con los proveedores. Cada caja contenía un único tipo de pieza, lo que permitía a los robots identificar de forma autónoma los códigos QR y recuperar las cajas en la secuencia exacta requerida para el ensamblaje.

Si bien la fábrica de automatización de nuestro cliente muestra el enorme potencial de este enfoque, hasta la fecha, esta transición no ha sido fácil para todos los fabricantes. Muchos perciben las barreras técnicas como demasiado prohibitivas para dar ese salto. A menudo dudan en hacer las inversiones necesarias, por temor a interrumpir las operaciones de toda su fábrica, a pesar de la promesa de importantes ganancias a largo plazo. Además, los avances tecnológicos incrementales no han fomentado una visión holística del potencial de la automatización. Sin embargo, esta mentalidad está a punto de cambiar drásticamente, democratizando el concepto de fábricas de automatización y haciéndolo más accesible a una gama más amplia de fabricantes.

La IA está reduciendo las barreras de entrada para las fábricas que funcionan sin luces

Estamos entrando en una transición que está derribando las barreras de entrada para los fabricantes de todos los tamaños. La automatización automática depende de robots que puedan percibir, planificar y realizar tareas casi al mismo nivel que los humanos. Hasta hace unos años, estos robots solo admitían interacciones unidimensionales planificadas previamente con el entorno de la fábrica, lo que restringía gravemente sus capacidades.

Esto está cambiando a medida que los agentes corpóreos están incorporando el poder de la IA generativa al mundo físico de la robótica. Ahora, los robots pueden percibir cambios en el taller a partir de sentidos multimodales que incluyen texto, audio, sensores y señales. En consecuencia, la IA puede generar planes simples e iterarlos para adaptarse a esta comprensión del mundo. En tiempo real, los robots pueden traducir este plan en acciones específicas y ejecutarlo; estos desarrollos son muy nuevos, pero muchos ya han ingresado en la línea de investigación y desarrollo de los fabricantes y están comenzando a aplicarse.

Simplicidad de instrucción.

La programación y la integración suponen entre el 50 y el 70% del coste de una aplicación robótica.  Se espera que las interfaces de IA generativa reduzcan significativamente este coste al proporcionar una interfaz de lenguaje natural para que incluso los trabajadores no técnicos puedan dar instrucciones a los robots. La transformación sería drástica: en lugar de un trabajador especializado por cada ocho robots, la fábrica solo necesitaría un trabajador no especializado por cada 25 robots. Ya han surgido aplicaciones industriales. Por ejemplo,  Sereact  ya ha puesto en marcha una interfaz de comandos de voz o texto, PickGPT, para interactuar con los robots mediante instrucciones sencillas como "Necesito preparar el pedido".

Versatilidad de tareas.

El enfoque tradicional de entrenar robots para tareas individuales se está volviendo obsoleto. DeepMind y más de 30 laboratorios de investigación demostraron que  la IA robótica generalista supera a los robots especializados en más del 50 %  en diversas tareas, como el enrutamiento de cables, la manipulación de objetos y la selección y colocación. Esta versatilidad reduce la necesidad de implementar numerosos robots, minimiza el tiempo de inactividad y mejora la eficacia general.

En la actualidad, fabricantes de automóviles como BMW, Mercedes, Honda, Hyundai y Tesla están explorando la versatilidad de tareas a través de humanoides de uso general. Por ejemplo, Figure AI, respaldado por Open AI, se está probando en BMW  en su taller de carrocería, chapa metálica y almacén. Sin embargo, la apariencia humanoide se vuelve costosa e innecesaria en entornos sin luz ni interacción entre humanos y robots. Por lo tanto, la tecnología está cambiando hacia diseños más económicos que mantengan la misma versatilidad. Por ejemplo,  Mimic  está construyendo manos humanoides sin piernas.

Adaptabilidad a la situación.

Los robots pueden identificar y adaptarse dinámicamente a los cambios en los entornos industriales. Por ejemplo,  el modelo de base robótica de Covariant  diseña sus propias estrategias para abordar tareas de selección y colocación complejas, como sacudir cajas para agarrar más fácilmente los artículos que se encuentran en su interior, lo que permite a los robots manipular más de 100.000 SKU nunca antes vistos en el almacén de un cliente el primer día. Los modelos de Covariant pueden adaptarse bien porque han aprendido de millones de conjuntos de datos multimodales del mundo real de robots que seleccionan objetos. Los modelos entrenados previamente nivelarán el campo de juego para los fabricantes al reducir el tiempo de configuración, aumentar la eficiencia con la adaptación sobre la marcha y generar confianza en general en configuraciones sin intervención humana.

Destreza similar a la humana.

La frontera de las tareas automatizables se está expandiendo rápidamente a medida que los robots se vuelven mejores imitando el comportamiento humano para una variedad de tareas.  Toyota Research Institute  está desarrollando un "jardín de infantes para robots" donde los teleoperadores humanos controlan manualmente los robots para realizar más de 200 habilidades humanas comunes, como usar herramientas y verter líquidos, mientras un modelo de IA generativa aprende estos comportamientos en segundo plano.  Google  demostró que los robots pueden incluso aprender habilidades de videos al trazar trayectorias de movimiento humano en ellos. Solo en el último año, las soluciones de automatización para el desafío de larga data de la fabricación de kits finalmente se están industrializando.  Daimler Truck  ahora se ha asociado con Sereact para implementar una solución impulsada por IA capaz de identificar y ajustar dinámicamente la estrategia de agarre en función del objeto.

Cómo empezar su transformación sin luces

Los fabricantes deberían centrarse primero en comprender y abordar sus puntos débiles actuales; de ese modo, podrán obtener resultados rápidos que ayuden a financiar el proceso que tienen por delante. Además, los fabricantes deberían realizar una revisión crítica de toda la transformación.

Repensar los criterios de inversión.

Si bien el período de recuperación de la inversión en los casos de uso de automatización individuales es crucial, considerarlo junto con las ventajas más amplias de la automatización sin intervención del personal brinda una imagen más clara de la verdadera propuesta de valor de una inversión. Por ejemplo, en su análisis de costo-beneficio, el equipo de finanzas de nuestro cliente incluyó el hecho de que la producción general aumenta en un 30 % si se logra la automatización sin intervención del personal.

Repensar la estrategia de implementación.

La implementación de una fábrica sin luces requiere coordinación entre las operaciones, el diseño de productos, la ingeniería y las compras. Estos equipos multidisciplinarios deben colaborar estrechamente para establecer ciclos rápidos de mejora para los robots recién implementados y refinar iterativamente sus soluciones.

Repensar la toma de decisiones.

Los robots generan un flujo continuo de datos digitales que se pueden capturar y analizar para ofrecer una transparencia sin precedentes a las operaciones de la fábrica. Esto permite tomar decisiones más inteligentes que reemplazan la intuición y las aportaciones humanas potencialmente poco fiables por un análisis integral de las causas fundamentales de todos los factores que afectan a la planta de producción.

...

En un futuro próximo, la tecnología dejará de ser un obstáculo para las transformaciones que impliquen un cambio radical. La decisión de perseguir este objetivo dependerá principalmente de las consideraciones económicas de la fábrica, no de los obstáculos técnicos. Los fabricantes que adopten la automatización y demuestren agilidad a la hora de revisar sus estrategias operativas estarán mejor posicionados para sacar provecho de esta ola.

Lea más sobre IA y aprendizaje automático o temas relacionados Estrategia de automatización y operaciones

Daniel Kuepper es director ejecutivo y socio principal de BCG, con sede en Colonia. Es miembro del BCG Henderson Institute.

Leonid Zhukov es vicepresidente de ciencia de datos en BCG, con sede en Nueva York. Es director del Laboratorio de Tecnología y Negocios del Instituto Henderson de BCG y del Instituto de Inteligencia Artificial de BCG.

Namrata Rajagopal es consultora de BCG, radicada en Mumbai, y embajadora del BCG Henderson Institute.

Yannick Bastubbe es director de BCG y reside en Berlín.