¿Podremos aplicar inteligencia artificial generativa al mundo industrial?

Sus aplicaciones en el mundo empresarial están empezando a materializarse, pero a día de hoy es mucho más su potencial que su impacto concreto lo que la lleva a acaparar titulares. De hecho Garner clasifica en este momento la IA Generativa en el punto más alto del ‘Pico de expectativas sobredimensionadas’.

Desde GFT creemos que hay muchas posibilidades de que así sea, y estamos trabajando con Google Cloud para mostrar algunas de sus aplicaciones. El pasado mes de Agosto presentamos conjuntamente en el Google Next 23 (el evento anual donde Google Cloud muestra las últimas innovaciones, productos y soluciones), una demostración de lo que se puede llegar a conseguir en el mundo industrial uniendo 2 tecnologías punteras de Google Cloud:

• Gooogle Cloud Manufacturing Data Engine (MDE), que es la solución integral de Google Cloud para recopilar, procesar, contextualizar y almacenar datos de fabricación con el objetivo de mejorar la eficiencia, la calidad y la productividad.
   
• PaLM que es un modelo de lenguaje grande (LLM) desarrollado por Google que ha sido entrenado en un conjunto de datos masivo de texto y código. Es el motor de Bard, la herramienta de IA Generativa de Google para el público general.

En esta demo, presentamos Cymbal Fabrication, una fábrica ficticia con una serie de máquinas conectadas a unos PLCs y que una instancia de MDE recoge y almacena en Google Cloud.

En el caso que presentamos en este artículo, tomaremos el rol del Quality Manager de la estación de pintura, y veremos cómo somos capaces de navegar y analizar los datos de la máquina sin necesidad de tener los conocimientos de un analista de datos ni un científico de datos.

A nuestra responsable de calidad le preocupa la calidad de la estación de pintura, así que va a utilizar la extensión de GenAI de MDE, donde mediante lenguaje natural va a investigar el posible problema de calidad. En el video que se encuentra a continuación podemos ver cómo lleva a cabo esta investigación. Primero quiere tener una visión general de la calidad de los productos de esta línea por lo que pide un “grafico de la distribución de la calidad de la pintura”. Esto debería confirmar o descartar con datos reales su sospecha de que algo no está del todo bien. A continuación va a preguntar por los “factores que más contribuyen a la calidad”.

Esto ayudar a comprender la relación entre los datos capturados por los sensores de la máquina y la calidad medida por la estación de inspección de control de calidad. La respuesta muestra que vale la pena investigar la viscosidad y la humedad del aire. Por último pide “un gráfico tridimensional de la calidad frente a los factores que más contribuyen” y puede observar que hay un claro pico de calidad alrededor de 100cps de viscosidad.  Con esta información llama al ingeniero de operaciones y trazan conjuntamente un plan de mejora.

Hemos visto una pequeña muestra de las posibilidades de la Inteligencia Artificial Generativa combinada con un framework de captura y procesamiento de datos industriales. El uso del lenguaje natural, unido a la potencia síntesis de estos algoritmos nos hacen ser optimistas respecto a su introducción en entornos industriales.