Poniendo los datos a trabajar para alimentar la IA

La mayor parte de las empresas cuentan con infinidad de datos de sus procesos recogidos durante años. Pedro Medina, de Haystack Data Solutions, dio una charla en el marco del congreso IFT FIRST en que puso de relieve que, en este momento en que la IA está en candelero, muchas empresas ya cuentan con lo más importante y que ahora se trata de sacar partido de esos datos. 

El texto que sigue es la traducción del artículo publicado en Food Technnology Magazine.

Los fabricantes de alimentos que buscan ahorrar energía ya disponen de uno de los ingredientes más importantes: los datos.

Motores, compresores, sistemas de refrigeración, controladores lógicos programables (PLC) e historiales de planta ya generan flujos de información operativa. El reto, según Pedro Medina, fundador de Haystack Data Solutions, reside en convertir esa información en algo que los equipos de planta puedan utilizar para tomar decisiones.

Durante su intervención en el evento y exposición anual IFT FIRST, Medina describió la gestión energética como un punto de partida práctico para la inteligencia artificial (IA) industrial, especialmente para los fabricantes de alimentos y bebidas de tamaño mediano.

En lugar de comenzar con conceptos futuristas como plantas totalmente autónomas, se centró en utilizar los datos de planta existentes para identificar desperdicios, detectar problemas en los equipos y mejorar las decisiones operativas.

Muchas plantas, según explicó, no necesitan esperar a una nueva generación de sensores de Internet de las Cosas (IoT) para empezar.

Los datos ya almacenados en los sistemas de registro histórico de la planta —que recopilan y almacenan datos operativos de los equipos y procesos de producción— pueden enviarse a sistemas en la nube para su análisis. Lo que suele faltar es una capa de inteligencia que contextualice esos datos y conecte el rendimiento de los equipos con el consumo de energía.

El aprendizaje automático tradicional y la IA generativa pueden desempeñar diferentes funciones en este sistema. El aprendizaje automático puede ayudar a identificar anomalías e ineficiencias, mientras que la IA generativa puede traducir los hallazgos a un lenguaje sencillo y ayudar a los operadores a comprender por qué se produce un problema.

El valor, afirmó Medina, reside en facilitar la interpretación y el uso de los datos de la planta, no simplemente en recopilar más datos.

Las posibles aplicaciones abarcan desde la predicción del estado de los motores y la detección de fugas de aire comprimido hasta la gestión de la demanda y la evaluación comparativa del consumo energético.

Medina también destacó que no todas las mejoras de eficiencia requieren IA. Simplemente medir dónde se consume energía y modificar el comportamiento operativo puede generar ahorros.

“No siempre se necesita IA. No se necesita lo llamativo”, dijo Medina. “A veces, lo básico sigue siendo lo que aporta mayor valor”.

Dos ejemplos ilustran dónde los sistemas más avanzados pueden aportar valor.

Ahorros en un proceso de limpieza

En una aplicación de limpieza in situ de Unilever citada por Medina, se utilizaron sensores espectrales para detectar el estado de los líquidos en tiempo real e identificar cuándo se había alcanzado el punto final de limpieza.

El sistema ajustaba factores como los niveles de detergente, la temperatura y el tiempo del ciclo. Medina informó de una reducción del 10 % en el consumo combinado de energía y agua, un ahorro anual de 114 000 dólares por línea y ciclos de limpieza un 20 % más rápidos.

Ahorros en refrigeración industrial

Un segundo ejemplo involucró la refrigeración industrial en una planta de alimentos congelados.

Un operador virtual basado en IA evaluaba continuamente combinaciones de compresores, condensadores y evaporadores para determinar la forma más eficiente energéticamente de mantener una temperatura determinada. 

Medina afirmó que el sistema generó un ahorro energético del 17%, un ahorro anual de 130 000 dólares y un aumento del 20% en el coeficiente de rendimiento, una medida de la eficiencia de la refrigeración.

Uso continuo de los datos

Estos ejemplos apuntan a una oportunidad más amplia: utilizar los datos operativos de forma continua, en lugar de esperar a que surja un problema, una factura mensual de servicios públicos o un evento de mantenimiento para descubrir dónde se pierde energía.

Sin embargo, Medina advirtió sobre el riesgo de intentar transformar toda una planta de una sola vez. Su recomendación es demostrar primero el valor en un problema específico y medible.

Fuentes

IFT Magazine, Putting Plant Data to Work

Imagen, Gemini