En primer lugar, y dada la amplitud del concepto de “industria inteligente”, y lo variado de los “avances” actuales y previstos, voy a procurar acotar el alcance de mi disertación. Con el objetivo de acercarme a la realidad de un futuro inminente, en la encrucijada en donde convergen las máquinas-herramienta, los robots tanto industriales, como colaborativos o móviles y la inteligencia artificial, me voy a centrar en lo que comienza a denominarse Inteligencia Artificial Física. 

Considero también oportuno huir de aproximaciones predictivas, para abordar mejor una perspectiva casi descriptiva de un porvenir que ya está entre nosotros y cuya implantación es cuestión de no mucho tiempo. Consistirá en la implementación de muchas tecnologías cuasi maduras y de contar con la disponibilidad adecuada, ordenada y filtrada de datos. Lo sé, conceptos simples de enunciar, pero complicados, si no complejos, de aplicar. 

La IA física representa la fusión entre “mente” y “cuerpo” artificiales, donde la inteligencia ya no está restringida al software, sino que se embebe en máquinas capaces de aprender, decidir y actuar en el mundo real. Es quizás uno de los campos más prometedores de los próximos años, y una de las claves principales para la transición hacia una actividad industrial inteligente. 

Sin ánimo de ser exhaustivos ante las posibilidades existentes, y sin pretender describir una secuencia lineal de factores a aplicar, se me ocurren una serie de aspectos que sin duda formarán (o forman ya en ocasiones) parte de una fábrica inteligente:

     • Quotación o determinación de precios de oferta automática o asistida. 

      • ‘Simulation to Real’: Capacidad de analizar previamente el comportamiento previsto de una máquina, conjunto de máquinas, sistemas o plantas mediante gemelos digitales (tiempos de ciclo, consumos energéticos, vibraciones, temperaturas, desgaste de herramientas, flujos, logística, etc.). Para ello se podrán tener en cuenta temas tan a pie de máquina como las geometrías de piezas, los materiales/aleaciones, condiciones de corte, etc. o los plazos, criticidad de las piezas, rentabilidad del pedido, etc. 

Sin pretender abrir un nuevo melón, por la importancia del recurso, no es descabellado pensar también en gemelos digitales energéticos, que permitan predecir y reducir para un mismo equipo y proceso las curvas de consumo eléctrico, térmico, neumático o hidráulico. 

     • Adaptación del comportamiento de la máquina/robot, sistema, etc. a lo largo del proceso físico en función de los datos reales, tanto los descritos y analizados durante la simulación, como aquellos recogidos en el propio proceso. Los equipos podrán usar la información que proviene de los encóderes, y de los sensores existentes o instalados (temperatura, potencia, sistemas de control dimensional, cámaras, etc.). Esto implica leer, limpiar e interpretar datos bien en tiempo real o a posteriori para mejorar entre otras cosas, los resultados del proceso. Exactamente igual que en el punto anterior, existe un interesante margen de optimización energética en uso, ajustando en tiempo real potencia o velocidad utilizada, coordinando máquinas o conjuntos de máquinas para minimizar picos de consumo, o eliminar “in process” ineficiencias energéticas originadas por vibraciones, sobrecalentamientos o tiempos muertos. 

Es previsible del mismo modo que la información se transmita entre máquinas/robots/sistemas/plantas distintas para generar aprendizaje colectivo aplicado a procesos repetitivos o incluso a nuevos procesos. 

     • Para que todo esto funcione resulta adicionalmente necesario la integración en todo el taller (y en su caso entre plantas) de todo el flujo productivo y sus datos, desde el diseño CAD/CAM, programación, mecanizado, sistema de fijación, herramientas, automatización de carga/descarga, metrología, trazabilidad, etc. recopilando, depurando y gestionando la información y datos recogidos por procedimientos automáticos y manuales. 

Se podrá integrar, además, la IA física con fuentes de energía renovables, y gestionar el despacho inteligente de la misma en función, por ejemplo, de la disponibilidad y la tarifa vigente. 

     • Habrá que cuidar y cuestionar permanentemente la integridad y confiabilidad de los datos, lo que nos lleva también inexorablemente a preservar la ciberseguridad de los mismos. 

     • En todos los puntos descritos, es de la máxima importancia comprender que la intervención humana va a ser en muchas ocasiones determinante para validar, corregir o tomar decisiones con datos que las máquinas bien no recogen o no interpretan de manera adecuada. El ser humano cuenta con el mejor procesador y la mayor y más efectiva colección de sensores que usa de manera sincronizada y adaptativa. “Human in the loop” no es un concepto, será sin duda una necesidad en las casuísticas complejas y de máxima criticidad. 

Finalmente, no quiero huir del renglón final de toda esta disertación, que ha de finalizar con un retorno contundente a la inversión realizada. Todo esto debe terminar en contar con piezas mejores, hechas de manera más rápida, sostenible, eficiente y económica. En este punto, es reseñable que la a veces denostada sostenibilidad, entendida, por ejemplo, como eficiencia energética, será uno de los claros vectores de retorno: cada punto porcentual de ahorro en energía se traducirá en competitividad, reducción de costes y mejora de la huella ambiental. 

En fin, muchos de los temas comentados comportan un viaje complejo, incluso para grandes empresas, y parecen casi ejercicios de ciencia ficción para pymes. Sin embargo, aunque el propio término de “IA física” resulte casi snob y quizás lejano para algunos, no lo es tanto, y muchos de los conceptos habilitadores tratados son aplicables (y aplicados) por pymes que son conscientes de que el dominio de cierta información (datos) crítica de sus procesos productivos las hacen más competitivas, resistentes, dinámicas y adaptables al cambio. Pero dejemos de leer y discutir acerca de la IA y los cambios que se avecinan, y comencemos a actuar para aprender, utilizarla y mejorar.