¿INDUSTRIA 4.0 O LEAN 4.0? - Instituto Lean

¿INDUSTRIA 4.0 O LEAN 4.0?


ENTREVISTA: Atlantis Foundries pudo lograr cero defectos durante tres meses seguidos gracias al aprendizaje automático. Vea por qué el componente humano no puede ser descartado.

Entrevistado: Pieter du Plessis, ex director ejecutivo de Atlantis Foundries – Ciudad del Cabo.

Entrevistador: Anton Grütter, Director, Lean Institute Africa – Ciudad del Cabo.


A Ciudad del Cabo a veces se llama la «Silicon Valley de Sudáfrica». Sin embargo, fue una grata sorpresa saber que Atlantis Foundries se convirtió no solo en el líder africano, sino en un líder mundial en la industria de la fundición que utiliza la IA (Inteligencia Artificial) y el aprendizaje automático para lograr cero defectos en las piezas fundidas de bloques de motores de camiones que entregaron a sus clientes en Europa y los Estados Unidos.

En esta entrevista, Pieter du Plessis, el CEO de Atlantis Foundries, cuenta la historia de cómo utilizaron la inteligencia artificial para resolver un problema comercial estratégico que podrá leer a continuación. Teniendo en cuenta el entusiasmo por la Industria 4.0, aquí hay algunas lecciones valiosas de alguien que realmente hizo funcionar la IA en el mundo real.

Hay mucho que aprender de lo que Pieter comparte con nosotros, pero me gustaría resaltar un aspecto en particular. Se ha puesto de moda hablar de ir «más allá del Lean» en la prisa por comercializar tecnologías de la Industria 4.0. Sin duda, estas nuevas tecnologías están cambiando el juego y no pueden ser ignoradas, pero creo que referirse a ellas como «más allá de Lean» es el resultado de un malentendido fundamental de lo que se trata el pensamiento Lean.

Antes de introducir la IA, Atlantis Foundries invirtió en la mejora continua durante muchos años para mejorar su índice de defectos de fundición de muy bajo, al estándar de la industria. Esto significaba que, cuando empezaron a experimentar con la inteligencia artificial, ya existía una cultura de resolución de problemas en la organización sobre la que podían construir.

Escuchará a Pieter referirse a la IA como otra «herramienta» en el viaje de mejora. En otras palabras, al igual que usamos 5 Por qué como una herramienta para encontrar causa raíz, ahora existe una herramienta muy poderosa llamada AI que se puede usar en situaciones en las que los seres humanos no pueden hacer frente a la cantidad de información que necesita ser procesada.

Al igual que cualquier otra herramienta de resolución de problemas, la IA se puede usar de manera incorrecta o inadecuada si no se aplica Lean al problema en cuestión. Preguntar qué problema debemos resolver tiene que ser el primer paso, que guiará nuestra resolución de problemas y la hará efectiva. Atlantis Foundries pensó muy cuidadosamente acerca de esta pregunta y eso los guió a medida que descubrieron cómo aprovechar la IA.

Esta historia nos muestra cuán importante es el pensamiento Lean para lograr el éxito de nuevas tecnologías como el aprendizaje automático y la inteligencia artificial.

Anton Grütter: Pieter, ¿puedes presentarnos a Atlantis Foundries?

Pieter du Plessis: Atlantis Foundries es una escisión de Atlantis Diesel Engines, una planta de motores que se compró a fines de los años 70. La marca desapareció, pero la fundición fue comprada por Daimler / Mercedes Benz para continuar fabricando bloques de cilindros para camiones. Daimler tiene una fundición en Mannheim en Alemania, y con las severas leyes ambientales en Alemania no pudieron ampliar su capacidad. Fueron comprados por Daimler en 1999 para hacer estos moldes. Atlantis Foundries exportó todos sus motores a clientes en el Reino Unido, Estados Unidos, South Kores y Alemania.

 

AG: ¿Puede explicarnos por qué la calidad era tan importante para Atlantis Foundries?

PDP: Estar tan lejos del cliente al que servimos significaba que, si tiene algún problema de calidad detectado en las operaciones de mecanizado en la planta del cliente, toda la tubería podría estar contaminada. El costo de buscar defectos de calidad en la tubería, lo que podría llevar de seis a ocho semanas, es enorme. Es por eso que la calidad de bueno a la primera vez fue tan crítica para nosotros. Nuestros costos de calidad fueron significativos.

 

AG: ¿Cómo intentaste abordar este problema de calidad inicialmente?

PDP: con las herramientas de calidad clásicas, como el control estadístico de procesos, planes de control, hojas de procesos, etc. Todo lo que las empresas tradicionales harían para mejorar la calidad. Sin embargo, llegamos a una meseta, porque el circuito de retroalimentación fue muy largo y el proceso fue tan complicado y lleno de variables. Para encontrar un patrón en esas variables fue difícil. Una fundición de referencia en la fabricación de las piezas que hicimos se ejecutaba normalmente con un 4-8% de chatarra, y estábamos funcionando en torno al 6%, con un 1.5% adicional en el sitio del cliente. Estábamos en el rango medio.

 

AG: ¿Qué te hizo decidir probar el aprendizaje automático?

PDP: Queríamos predecir qué componente sería defectuoso después del mecanizado en los EE. UU. O Alemania, y no enviarlo en primer lugar. Debido a que su defecto es una función de su proceso, debe haber un patrón en su proceso que pueda ser reconocido. De esta manera usted sabe que, si el proceso es de cierta manera, producirá una fundición defectuosa. Estamos hablando de defectos que están debajo de la superficie del yeso y no se pueden ver físicamente, ni se encuentran con métodos ultrasónicos debido a su gran tamaño y volumen. Queríamos predecir, en función de lo que era el proceso en ese momento, si una pieza sería chatarra o no. Al final, tuvimos una tasa de éxito del 70%. Diríamos, tirar estas 10 piezas y sabíamos que siete serían chatarra. Sabíamos que íbamos a tirar tres buenas, pero el costo asociado era insignificante en comparación con la fundición en los EE. UU.

 

AG: ¿Cuánto tiempo tomaste esa decisión?

PDP: Comenzamos con el aprendizaje automático en marzo de 2017, dando a Data Prophet [especialistas en aprendizaje automático en Ciudad del Cabo] el valor de 18 meses de los datos del proceso y de los resultados de calidad (tanto internos como externos).

No tuvimos que generar nuevos datos. Solo tomamos los datos que teníamos diariamente, que nunca usamos. La tarea más difícil es hacer coincidir los datos con el componente que se fabrica: normalmente utilizamos series de tiempo (verificamos el proceso cada media hora, 40 minutos o una vez al día), pero aún así creamos un componente cada minuto. Solíamos hacer 700 componentes al día, una cantidad enorme si lo piensas. De los 180,000 motores de camiones construidos, al principio solo teníamos datos perfectamente coincidentes para 7,000 bloques. Entonces, usamos esos datos para construir el primer modelo. A medida que ingresaban más datos cada semana, el algoritmo vuelve a aprender. También puede comenzar a hacer sus pruebas para hacer coincidir los componentes exactos, lo cual es bastante crítico para el proceso: cuando hacemos el bloque 1 o el número 20, sabemos qué parámetros debemos verificar, en lugar de revisar aleatoriamente a intervalos regulares. Esencialmente, nuestros métodos de prueba cambiaron.

 

AG: ¿Cómo funciona esto en la práctica?

PDP: Existen varios tipos de inteligencia artificial y aprendizaje automático. Hay aprendizaje supervisado y no supervisado. Con el aprendizaje no supervisado, la respuesta no se conoce; le das a la máquina los datos en bruto y encuentra los patrones allí. Con el aprendizaje supervisado, le decimos a la máquina si el resultado fue un bloqueo bueno o malo y proporcionamos los parámetros de proceso para cada uno; el algoritmo utiliza la fuerza bruta al calcular todas las iteraciones hasta llegar a una respuesta (sin embargo, tuvimos 185 variables de proceso, por lo que puede imaginar la complejidad).

 

AG: ¿Hubo problemas con la gente? ¿Aceptaron esto?

PDP: Tuvimos problemas. Había muchos no creyentes, incluyéndome a mí. Al principio era muy escéptico, porque no entendía cómo los especialistas solo podían solicitar datos sin comprender nuestro proceso. Algunos de los ingenieros temían por su trabajo y pensaban que la IA los iba a reemplazar. Subestimé que, como pensaba, las personas inteligentes y bien educadas no tendrían miedo de la IA. Tomó un tiempo para que la gente lo entendiera y lo usara, pero los resultados fueron espectaculares.

Usando el modelo, queríamos predecir qué bloque sería chatarra en los EE. UU. Y, en la segunda fase, aprender qué debíamos hacer para evitar hacer chatarra en primer lugar. Pasó de predecir la chatarra a prescribir el proceso. Tomó los parámetros del proceso y calculó la región para todos ellos (min 11.), lo que significa que nuestros límites de proceso se redujeron significativamente y algunos de ellos se ajustaron. La combinación de estas dos cosas nos permitió, en la segunda mitad de 2017, lograr cero defectos en tres plantas durante tres meses seguidos. Esto es inaudito.

He hablado con algunos de los muchachos recientemente, y esa tendencia continúa, aunque no se puede lograr ningún defecto todo el tiempo, porque los parámetros del proceso se vuelven muy ajustados con el tiempo. Y es por eso que las personas siempre serán importantes en este asunto de la inteligencia artificial: tendrán que mirar este informe y decidir qué deben hacer con la máquina para que pueda lograr el resultado deseado. No puede decirle a una máquina, «No puede hacer eso». Las máquinas no son tan inteligentes. La noción de que la IA reemplazará a todos los humanos es una falacia. Tal vez en un par de siglos. Ciertamente mucho más tarde de lo que mucha gente piensa.

 

AG: ¿Qué consejo tienes para las personas interesadas en la Industria 4.0?

PDP: Creo que mucha gente está luchando con lo que realmente significa la Industria 4.0. Dicen: «Tenemos datos, hagamos algo con ellos». Para mí, este es el enfoque incorrecto. En su lugar, deberían preguntarse cuál es el mayor problema en su negocio y cómo esta herramienta adicional puede ayudarlos a lograr su objetivo. En Atlantis Foundries, por ejemplo, queríamos evitar el desperdicio en los EE. UU. O Alemania. Una vez que pudimos predecir qué bloque sería defectuoso, quisimos averiguar qué teníamos que hacer para evitarlo en primer lugar. Necesitas un objetivo claro. Hacer Industria 4.0 solo porque todo el mundo lo hace, es una pérdida de tiempo.

 

AG: Cada vez más, se habla de ir «más allá de Lean» en estos días cuando se habla de tecnologías como la IA. ¿Qué piensas sobre eso?

PDP: En mi opinión, Lean se trata de agilizar los procesos, reducir el desperdicio y hacer que el trabajo sea repetible y eficiente. Para mí, la IA es otra herramienta que te permite hacer eso. No es una bala de plata; es solo otra herramienta A medida que me involucré más en eso, rápidamente me di cuenta de lo lejos que estamos de las máquinas haciendo todo por sí mismas sin que sea necesaria la participación de personas. Estamos muy lejos de eso. El aspecto humano es importante, porque parte del proceso es humano.

 

Fuente

https://planet-lean.com/lean-machine-learning/U

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *