El impacto de la IA generativa en el desarrollo de aplicaciones industriales

La inteligencia artificial generativa está irrumpiendo en el sector industrial con un enorme potencial, pero su adopción aún se encuentra en una fase incipiente. Aunque ya se han identificado aplicaciones clave en desarrollo de software, mantenimiento predictivo y optimización de procesos, su integración en entornos industriales todavía enfrenta desafíos en cuanto a regulación, fiabilidad y validación. Este informe recoge la visión de expertos de Schneider Electric, Microsoft y Accenture que analizan el estado actual de esta tecnología y sus perspectivas a corto y medio plazo, ofreciendo una visión realista sobre sus capacidades y las barreras que aún quedan por superar en su camino hacia la madurez.

PREGUNTAS

1. ¿Qué impacto se puede anticipar en el tiempo de desarrollo de aplicaciones industriales?

2. ¿Qué otras ventajas para las operaciones (mantenimiento predictivo, anticipación de eventos, generación de gráficos...) son previsibles con el uso de esta nueva tecnología?

3. ¿Es posible el uso de la IA generativa en la implementación de nuevos productos?

Fernando Sánchez Miravalles, Solution Architect - Area Manager de Schneider Electric

1. Actualmente ya contamos con pruebas de impactos muy significativos en el mundo de las aplicaciones que no son industriales. Podemos inferir que el impacto en el mundo industrial también será importante, reduciendo considerablemente los tiempos de desarrollo. Gracias a su capacidad para generar código, proponer soluciones y optimizar procesos, los desarrolladores pueden acelerar las fases de diseño, prototipado y pruebas. Además, la IA generativa puede automatizar tareas repetitivas y ofrecer sugerencias que permitan resolver problemas complejos con mayor rapidez. Esto no solo mejora la eficiencia del equipo de desarrollo, sino que también habilita una mayor innovación y adaptación a las demandas del mercado, resultando en una entrega más rápida y en productos de mayor calidad.

Aunque la previsión de impacto es que será importante, el mundo industrial presentará probablemente una velocidad de adopción más lenta y unos porcentajes de mejora de eficiencia menores a los del mundo no industrial. Desarrollar aplicaciones industriales presenta una serie de retos relacionados con la criticidad. En primer lugar, las aplicaciones industriales generalmente requieren cumplir con estrictos estándares de seguridad y regulación, dado que a menudo están vinculadas a operaciones críticas y pueden implicar riesgos significativos. Además, la necesidad de realizar pruebas exhaustivas y validaciones en entornos reales también alarga el proceso, ya que es crucial garantizar un rendimiento fiable bajo diversas condiciones operativas. Finalmente, las aplicaciones industriales suelen requerir una colaboración estrecha con expertos en el dominio y conocimientos especializados, lo que puede añadir tiempo al desarrollo y la implementación.

2. En el ámbito del mantenimiento predictivo, la IA generativa puede complementar a otras tecnologías para aportar valor. Por ejemplo, puede inferir conocimiento explícito a partir de la información contenida en los sistemas de gestión de mantenimiento. Esto, por un lado, habilita la posibilidad de implementar estrategias de mantenimiento prescriptivo a través de la recomendación de acciones específicas para diferentes casuísticas y, por otro, facilita el análisis de la causa raíz.

En términos generales, las interfaces con lenguaje natural permiten a los operadores y técnicos interactuar intuitivamente con sistemas complejos, lo que facilita la resolución de problemas y promueve la colaboración. Estas capacidades están allanando el camino hacia una gestión industrial más eficiente, resiliente y sostenible.

3. La IA generativa puede ayudar en diferentes fases de la implementación de nuevos productos. En las tareas relacionadas con la investigación y análisis de mercado, por ejemplo, ya se está usando de forma masiva. En cuanto a diseño y prototipado, la IA generativa puede facilitar el proceso de generación de ideas y mejorar la velocidad de generación de código. Puede optimizar diferentes procesos, como el análisis de grandes volúmenes de datos y sugerir mejoras, así como también puede ser útil para la realización de escenarios de simulación y para procesos de validación.

Con el propósito de aprovechar al máximo esta tecnología, es fundamental contar con datos de calidad y una infraestructura adecuada. Además, sigue siendo imprescindible la supervisión humana para establecer criterios y asegurar el rigor en los resultados. En cualquier caso, la evolución de la IA generativa se está acelerando y no sabemos cuáles son los límites. Lo que sí podemos afirmar ahora mismo es que la combinación de IA generativa con otras tecnologías no solo mejora la innovación, sino que también permite a las empresas ser más competitivas en un mercado en constante evolución.

Marco Piña, director de Ventas para Energía y Sector Industrial de Microsoft España

1. La adopción de herramientas respaldadas por IA generativa, como las integradas en Azure Machine Learning, tiene un impacto significativo en la reducción de los tiempos de desarrollo. Estas herramientas automatizan tareas complejas, como el ajuste de hiperparámetros o la selección de modelos óptimos, permitiendo a los desarrolladores enfocarse en soluciones específicas para su industria.

Además, las capacidades colaborativas y el acceso a librerías preentrenadas facilitan la creación rápida de prototipos y el despliegue de aplicaciones. Esto permite que los equipos técnicos aprovechen algoritmos ya optimizados, reduciendo el esfuerzo requerido en etapas iniciales del desarrollo. Con este enfoque, se agiliza el ciclo completo, desde la conceptualización hasta la implementación final, minimizando riesgos. De este modo, las empresas pueden llevar nuevas aplicaciones al mercado en menos tiempo, mejorando su capacidad de respuesta frente a las demandas dinámicas del sector.
 

2. La IA generativa aporta ventajas clave a las operaciones industriales, como el mantenimiento predictivo. Al combinar datos recopilados mediante Azure Data Lake con modelos avanzados desarrollados en Azure OpenAI Service, es posible prever fallos en maquinaria y programar intervenciones de mantenimiento antes de que ocurran incidencias. Esto ayuda a minimizar tiempos de inactividad, optimizar el uso de recursos y prolongar la vida útil de los equipos. 

Un ejemplo reciente de esta aplicación es la colaboración entre Siemens y Thyssenkrupp, quienes están utilizando la inteligencia artificial, específicamente Siemens Industrial Copilot impulsado por Azure OpenAI Service con GPT-4, para compensar la escasez de trabajadores cualificados en el sector. 

Este copiloto facilita el mantenimiento predictivo al permitir la comunicación con los dispositivos durante su funcionamiento, identificando problemas y sugiriendo soluciones, lo que también ayuda a los ingenieros y operarios a programar y operar maquinaria compleja de forma más eficiente.

En las tareas de anticipación, la capacidad de analizar grandes volúmenes de datos en tiempo real permite identificar patrones y tomar decisiones preventivas de manera mucho más eficiente. Gracias a la integración con soluciones como Microsoft Fabric, los datos pueden transformarse en información procesable a través de análisis avanzados, generando informes automáticos y dashboards interactivos que brindan una visión clara y detallada de los indicadores clave de rendimiento.

Además, estas herramientas facilitan la detección temprana de anomalías y permiten realizar ajustes en tiempo real, mejorando la seguridad y la eficiencia global de las plantas industriales. Este enfoque centrado en datos refuerza la toma de decisiones estratégicas, promoviendo operaciones más ágiles y resilientes.

3. La IA generativa desempeña un papel fundamental en la implementación de nuevos productos. Herramientas como Azure OpenAI Service y Azure Machine Learning permiten diseñar, probar y optimizar productos con mayor rapidez y precisión. Por ejemplo, en la fase de diseño, los modelos generativos pueden sugerir mejoras estructurales o de rendimiento basándose en datos históricos. 

Durante el desarrollo, la IA facilita la simulación de escenarios y el análisis de posibles fallos antes de la producción masiva, reduciendo así los costes y acelerando el tiempo de comercialización. Además, al combinar estas capacidades con herramientas de gestión de datos como Microsoft Fabric, las empresas pueden garantizar que cada paso del proceso de implementación esté respaldado por datos precisos y accionables.

David Revilla, Managing Director en el área de Industria X de Accenture 

1. La integración de IA generativa en las plataformas industriales promete reducir significativamente el tiempo de desarrollo de aplicaciones. Por ejemplo, la generación automatizada de código a través de asistentes de IA puede acelerar la creación de nuevas funcionalidades y la personalización de sistemas SCADA y DCS.

A través de la automatización de tareas como la escritura de scripts, la integración de datos y la validación de sistemas, la IA generativa puede reducir significativamente el esfuerzo manual necesario para la programación y la puesta en marcha de nuevos sistemas.

Además, la IA puede facilitar la creación de interfaces más intuitivas y adaptativas, mejorando la interacción usuario-máquina sin necesidad de desarrollar desde cero cada detalle de la interfaz. Esto no solo acelera el tiempo de desarrollo, sino que también mejora la eficiencia en la fase de implementación.

Más allá de las tareas que se desarrollan íntegramente en los entornos de desarrollo de los sistemas industriales, la IA permite reducir tareas básicas en la fase conceptual de los proyectos: caracterizar los activos, organizar los modelos de planta e incluso describir y documentar las funcionalidades y el diseño que permite a los programadores o de nuevo a la IA, generar el código y la algoritmia necesaria.

2. El uso de IA generativa en las operaciones industriales puede ofrecer varias ventajas adicionales.

Si hablamos de mantenimiento predictivo puede analizar grandes volúmenes de datos en tiempo real para detectar patrones y anomalías. A medida que el sistema aprende de los datos históricos y de las condiciones operativas actuales, puede predecir fallos o necesidades de mantenimiento antes de que ocurran, optimizando los tiempos de inactividad y reduciendo costos operativos.

Además, gracias a su capacidad de procesar y analizar datos en tiempo real, puede prever eventos no deseados, como sobrecargas, fallos en máquinas o incluso desviaciones en la producción. Los sistemas pueden generar alertas automáticas o incluso proponer acciones correctivas antes de que los problemas afecten a la operación.

Por último, la IA generativa es capaz de crear visualizaciones y gráficos de datos altamente personalizados y hacerlo en tiempo real. A medida que los sistemas de control almacenan datos, pueden generar gráficos dinámicos, paneles de control interactivos y resúmenes automáticos que mejoran la toma de decisiones a operadores de planta, supervisores o planificadores de la producción. En definitiva, ayudando a la toma de decisiones a todos los niveles de la cadena de producción.

3. Tiene un gran potencial en la implementación de nuevos productos, especialmente en fases de diseño y desarrollo; sin duda, en el ámbito del PLM, la aplicabilidad y los beneficios del uso de la IA generativa son muy relevantes. En el sector de la manufactura, esta tecnología puede acelerar la creación de prototipos, optimizar el diseño de productos y realizar simulaciones para predecir el comportamiento de los productos bajo diferentes condiciones.

En la fase de diseño, puede sugerir formas y estructuras para componentes o productos que sean más eficientes desde el punto de vista material y funcional. Además, puede analizar importantes cantidades de datos sobre materiales, procesos y requisitos del cliente para ofrecer soluciones de diseño innovadoras que, de otra manera, podrían no haber sido consideradas.

También puede generar pruebas virtuales para validar el diseño de un nuevo producto antes de fabricar un prototipo físico, lo que reduce los costes y los tiempos asociados con la creación de nuevos productos.

En resumen, la IA generativa no solo agiliza el desarrollo de productos, sino que también mejora la calidad y la innovación, lo que es esencial en sectores altamente competitivos como el industrial.

----

Este artículo aparece publicado en el nº 561 de Automática e Instrumentación págs. 44 a 47.