Una famosa introducción a algunas producciones de Disney cantaba que “el mundo es cascada de colores” y eso, que queda muy mono en una pantalla, es inexacto. Vivimos en un mundo que es una cascada de datos de la que nuestros encéfalos intentan obtener información relevante, no siempre con éxito.

La consciencia de que los datos son un activo económico toma cuerpo en empresas como Facebook, que se dedican a recabar datos de multitud de usuarios, organizarlos y clasificarlos, y servirlos en bandeja de plata a los anunciantes que buscan determinado público para sus productos.

La cantidad de datos que se generan a diario en el mundo es abrumadora. Y obtener información de ellos es cualquier cosa menos fácil, tanto por la capacidad que se requiere para manejar esa cantidad de datos como por el diseño e implementación de unos algoritmos que sean capaces de extraer información útil. Por eso Facebook gana dinero.

Pero no todo van a ser redes sociales. Actualmente se están desarrollando de forma masiva productos y servicios en los ámbitos del internet de las cosas, la robótica, el desarrollo de gemelos digitales [1]*, la fabricación aditiva (impresión 3D), la realidad aumentada y muchos otros. Todos tienen en común una cosa: datos, más datos y analítica de datos. Consideremos que una fábrica que sea algo más que un taller genera teras de datos por día.

El tratamiento inteligente de los datos está revolucionando la fabricación de cosas: es parte de lo que se llama la industria 4.0. Lo que se suele llamar Big Data, sería conveniente llamarlo mejor Huge Data, debido a la enorme cantidad de ellos que pueden recogerse y procesarse. Decíamos antes que cualquier fábrica emite teras de datos por día. Nos enfrentamos a unas cantidades de datos tan grandes, que es muy difícil procesarlos con un fin útil. Como si esto fuese poca dificultad nos encontramos con la granularidad del origen de los datos: diferentes procesos industriales obedecen a diferentes ciclos temporales, incluso muchos de ellos pueden no ser deterministas, lo cual implica la redefinición de las series temporales [2].

En una industria 4.0, además, hay que pensar en diferentes niveles de procesamiento de datos:

• A nivel de dispositivo/máquina/etapa. Los datos los proporcionan sensores y actuadores que interaccionan físicamente con el proceso. Esto va más allá de la internet de las cosas y requiere de desarrollos específicos que en algunos casos pueden requerir conexión con la nube (más abajo hablamos de ella). Tiene hasta nombre, edge computing, porque es la interfase entre el mundo físico y el digital.
• A nivel de línea de producción (conjunto de dispositivos/máquinas/etapas coordinadas que producen una cosa concreta). Las diferentes fases de una fabricación se comunican unas con otras creando la oportunidad de optimizar el proceso industrial. De nuevo tenemos nombre específico, fog computing, computación en la niebla que, como es sabido, es una nube pegada al terreno.
• A nivel de fábrica/empresa. Todas las líneas de producción deben coordinarse con los distintos departamentos de la empresa (compras, ventas, administración, personal, calidad, seguridad e higiene) generando multitud de interacciones cruzadas y más oportunidades de optimización. Aquí es donde entra el cloud computing [3], la computación en la nube, donde grandes cantidades de datos se extraen de diferentes fuentes y se procesan todas ellas en un servidor dedicado. Estas operaciones generalmente se enfocan hacia el direccionamiento de la empresa y de la producción.

¿Qué hacemos con todos estos datos? Buscamos en ellos la información que nos ayude a fines muy diversos como: fabricar mejor, vender mejor, optimizar la calidad y aumentar con todo ello el beneficio de la empresa [4]. Se recurre para ello a las ciencias de los datos, para ayudar a encontrar correlaciones, patrones y pautas en los datos.

Un ejemplo de vanguardia de edge computing. La fusión de lecho de polvo es la tecnología preferida para la fabricación de objetos metálicos de precisión y con geometrías complejas. Existen distintos procesos en función de la fuente de calor empleada (haz láser o de electrones) y del grado de fusión del material (sinterizado o fusión). El proceso más extendido para la fabricación de piezas metálicas es la denominada fusión selectiva por láser (Selective Laser Melting o SLM). Se pueden procesar mediante SLM materiales como aceros inoxidables, aceros de herramienta, aleaciones de titanio, aleaciones de base níquel y aleaciones de aluminio, entre otros.

Una cooperativa como Lortek usa para SLM una máquina que trabaja con 4 láseres simultáneamente. Monitorizar los datos en tiempo real es ya un ejercicio de emisión de gran cantidad de datos (big bata streaming), análisis de los mismos (data analytics) e inteligencia artificial con la idea de fabricar sin defectos. Respecto a esta última hay que decir que Lortek usa deep learning (aprendizaje profundo) desarrollando algoritmos de descubrimiento de conocimiento que aprenden desde cero. Estos algoritmos son capaces de detectar estados de estrés en el proceso, predecir la probabilidad de cometer fallos bajo ciertas condiciones, y hasta aconsejar cómo evitarlas.

Y esto solo en una máquina…

Notas:

[1] Un gemelo digital es una réplica virtual de un producto, servicio o sistema real que permite adelantarse a posibles problemas y experimentar sin correr riesgos antes de lanzar nuevas funcionalidades.

[2] Una serie temporal es una sucesión de datos medidos en determinados momentos y ordenados cronológicamente.

[3] El peatón común (un mamífero bípedo que vive conectado a intenet) piensa que Amazon gana dinero con sus grandes almacenes online. Gana, sí, pero muy poco, apenas un 2 % de margen. El gran negocio de Amazon es el cloud computing.

[4] Combiene recordar que las empresas se crean para obtener beneficios. Si no hay beneficios desaparecen y, con ellas, el empleo y los impuestos que pagan tanto la propia empresa como sus trabajadores. La persona informada se alegra de que las empresas tengan beneficios.

Sobre el autor: César Tomé López es divulgador científico y editor de Mapping Ignorance