¿Industria 4.0 o Lean 4.0?
A Ciudad del Cabo a veces se la llama el “Silicon Valley de Sudáfrica”. Sin embargo, fue una agradable sorpresa saber que Atlantis Foundries se había convertido en líder de la industria de fundición no solo en África, sino en todo el mundo, usando inteligencia artificial (IA) y aprendizaje automático para lograr cero defectos en las piezas que entregaba a sus clientes en Europa y en Estados Unidos.
En esta entrevista, Pieter du Plessis, CEO de Atlantis Foundries en la época de esta iniciativa, cuenta la historia (que usted puede leer o ver a continuación) de cómo usaron la IA para resolver un problema estratégico del negocio. Considerando todo el hype que ha recibido 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 destacar un aspecto en particular. Se ha puesto de moda usar el término "ir más allá del lean” en la prisa por comercializar las tecnologías de la Industria 4.0. Sin duda, estas nuevas tecnologías están cambiando las reglas del juego y no pueden ignorarse, pero creo que referirse a ellas como "ir más allá del lean” es el resultado de un malentendido fundamental sobre lo que es el pensamiento lean.
Antes de introducir la IA, Atlantis Foundries invirtió en mejora continua durante muchos años para mejorar su tasa de defectos y alcanzar el estándar de la industria. Esto significa que, cuando empezaron a experimentar con la IA, ya existía en la organización una cultura de resolución de problemas sobre la cual podían construir. Usted escuchará a Pieter referirse a la IA como otra “herramienta” en el recorrido de mejora. En otras palabras, así como usamos los cinco porqués como herramienta para encontrar las causas raíz, ahora existe esta herramienta muy poderosa llamada IA, que puede usarse en situaciones en las que los seres humanos no logran manejar la cantidad de información que debe procesarse.
Como cualquier otra herramienta de resolución de problemas, la IA puede usarse de forma incorrecta o inadecuada si usted no aplica el lean al problema en cuestión. Preguntar qué problema necesitamos resolver tiene que ser el primer paso, lo que orientará nuestra resolución de problemas y la hará efectiva. Atlantis Foundries pensó con mucho cuidado sobre esta cuestión, y eso la guió cuando descubrió cómo aprovechar la IA.
Esta historia nos muestra lo importante que es el pensamiento lean para el éxito de nuevas tecnologías como el aprendizaje automático y la IA.
Anton Grütter: Pieter, ¿puede presentarnos Atlantis Foundries?
Pieter du Plessis: Atlantis Foundries es un desprendimiento de Atlantis Diesel Engines, una fábrica de motores comprada a fines de los años 70. Atlanta Diesel Engines quebró, pero Atlanta Foundries fue comprada por Daimler/Mercedes Benz para seguir fundiendo bloques de cilindros para camiones. Daimler ya tenía una fundición en Mannheim, Alemania, pero con las severas leyes ambientales del país no podía ampliar su capacidad. Por eso, compró Atlantis Foundries en 1999 para fundir estas piezas. Atlantis Foundries pasó a exportar todos sus motores a clientes en el Reino Unido, EE. UU., Corea del Sur y Alemania.
AG: ¿Puede explicarnos por qué la calidad era tan importante para Atlantis Foundries?
PDP: Estar tan lejos de los clientes que atendemos significa que, si se detecta algún problema de calidad en las operaciones de mecanizado en la planta del cliente, todo el pipeline podría estar contaminado. El costo de buscar defectos de calidad en el pipeline – lo que puede llevar de seis a ocho semanas – es enorme. Por eso entregar la calidad correcta a la primera es tan importante para nosotros. Nuestros costos de calidad son significativos.
AG: ¿Cómo intentó resolver inicialmente este problema de calidad?
PDP: Con las herramientas clásicas de calidad, como el control estadístico de procesos, los planes de control, las hojas de proceso, etc. Todo lo que harían las empresas tradicionales para mejorar la calidad. Sin embargo, llegamos a un punto en que ya no podíamos avanzar, porque el ciclo de retroalimentación era muy largo, y el proceso era muy complicado y lleno de variables. Encontrar un patrón en esas variables era difícil. Una fundición de referencia que fabricaba las mismas piezas que nosotros normalmente tenía entre un 4 y un 8% de chatarra, y nosotros estábamos alrededor del 6% – con un 1,5% adicional en las instalaciones del cliente. Estábamos a mitad de camino.
AG: ¿Qué los llevó a decidir experimentar con el aprendizaje automático?
PDP: Queríamos predecir qué pieza resultaría defectuosa allá en el cliente, en EE. UU. o en Alemania, para ni siquiera enviarla. Como el defecto es función del proceso, debe haber un patrón en el proceso que pueda reconocerse. Así, usted sabe que si el proceso es de cierta manera, producirá una pieza defectuosa. Estamos hablando de defectos que están ocultos y no pueden verse físicamente, ni encontrarse con métodos ultrasónicos, debido a su tamaño y volumen. Queríamos predecir, con base en cómo era el proceso en ese momento, si una pieza sería chatarra o no. Al final, tuvimos una tasa de éxito del 70%. Decíamos “tiren estas 10 piezas” y sabíamos que siete de ellas se habrían convertido en chatarra. Sabíamos que tiraríamos tres piezas buenas, pero el costo asociado era insignificante en comparación con lo que se gastaba en EE. UU.
AG: ¿Cuándo tomó esa decisión?
PDP: Empezamos con el aprendizaje automático en marzo de 2017, entregando a “Data Prophet” [especialistas en aprendizaje automático en Ciudad del Cabo] 18 meses de datos de proceso y de resultados de calidad (internos y externos) que habíamos acumulado.
No necesitamos generar datos nuevos. Solo tomamos los datos que teníamos a diario, pero que nunca habíamos usado. La tarea más difícil es asociar los datos con la pieza que se fabrica: normalmente usábamos series temporales – verificando el proceso cada media hora, cada 40 minutos o una vez al día –, pero nuestra tasa de producción era de una pieza por minuto. Solíamos fabricar 700 piezas por día, un número enorme si se piensa bien. De los 180.000 motores de camión que ya habíamos construido, al principio solo teníamos datos perfectamente compatibles para 7.000. Entonces, usamos esos datos para construir el primer modelo. A medida que se alimentan más datos cada semana, el algoritmo aprende más. También se puede empezar a hacer las pruebas para que correspondan a las piezas exactas, lo cual es bastante crítico para el proceso: cuando fabricamos la pieza número 1 o la número 20, sabemos qué parámetros debemos verificar, en lugar de verificar 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 de aprendizaje automático. Hay aprendizaje supervisado y no supervisado. Con el aprendizaje no supervisado, la respuesta no se conoce; se le dan a la máquina los datos brutos y ella encuentra allí los patrones. Con el aprendizaje supervisado, le informamos a la máquina si el resultado fue una pieza buena o mala y proporcionamos los parámetros del proceso para cada una; el algoritmo usa fuerza bruta calculando todas las iteraciones hasta llegar a una respuesta (sin embargo, teníamos 185 variables en el proceso, así que usted puede imaginar la complejidad).
AG: ¿Hubo problemas con las personas? ¿Lo aceptaron?
PDP: Tuvimos problemas. Había muchos que no creían, incluido yo. Al principio era muy escéptico, porque no entendía cómo los especialistas podían simplemente solicitar datos sin entender nuestro proceso. Algunos de los ingenieros temían por su trabajo y pensaban que la IA los iba a reemplazar. Lo subestimé, porque pensaba que las personas inteligentes y bien formadas no tendrían miedo de la IA. Las personas tardaron un tiempo en entenderla y usarla, pero los resultados fueron espectaculares.
Usando el modelo, queríamos predecir qué pieza se convertiría en chatarra en EE. UU. y, en la segunda fase, aprender lo que teníamos que hacer para no fabricar piezas que se convertirían en chatarra. El modelo que predecía la chatarra pasó a prescribir el proceso. Tomó parámetros del proceso y calculó la región para todos ellos (min 11), lo que significó que los límites de nuestro proceso se estrecharon significativamente, y algunos de ellos se ajustaron. La combinación de estas dos cosas nos permitió, en el segundo semestre de 2017, lograr cero defectos en tres plantas durante tres meses seguidos. Eso no tenía precedentes.
Hablé con algunas personas recientemente, y esta tendencia continúa – aunque los cero defectos no sean alcanzables todo el tiempo, porque los parámetros del proceso se vuelven muy estrechos con el tiempo. Y por eso las personas siempre serán importantes en esto de la IA: tendrán que analizar ese informe y decidir qué deben hacer en la máquina para que alcance el resultado deseado. No se le puede decir a una máquina: “No puedes hacer eso”. Las máquinas no son tan inteligentes. La noción de que la IA reemplazará a todos los seres humanos es una falacia. Tal vez dentro de dos siglos. Ciertamente mucho más tarde de lo que mucha gente piensa.
AG: ¿Qué consejo tiene para las personas interesadas en la Industria 4.0?
PDP: Creo que muchas personas tienen dificultades para entender lo que realmente significa la Industria 4.0. Dicen: “Tenemos datos, hagamos algo con ellos”. Para mí, ese enfoque es erróneo. Deben preguntarse cuál es el mayor problema de su negocio y cómo esta herramienta adicional puede ayudarles a alcanzar su meta. En Atlantis Foundries, por ejemplo, queríamos evitar la chatarra en EE. UU. y en Alemania. Una vez que logramos predecir qué pieza sería defectuosa, quisimos descubrir qué teníamos que hacer para evitar que se fabricaran. Se necesita un objetivo claro. Hacer Industria 4.0 solo por hacerla es una pérdida de tiempo.
AG: Hoy en día se habla cada vez más de ir “más allá del lean” cuando se discuten tecnologías como la inteligencia artificial. ¿Qué opina usted al respecto?
PDP: En mi opinión, el lean busca simplificar procesos, reducir desperdicios y hacer que el trabajo sea repetible y eficiente. Para mí, la IA es otra herramienta que permite hacerlo. No es una bala de plata; es solo otra herramienta. A medida que me involucré más con ella, me di cuenta rápidamente de lo lejos que estamos de que las máquinas hagan todo solas sin necesidad de involucrar a las personas. Estamos increíblemente lejos de eso. El aspecto humano es importante, porque parte del proceso son las influencias humanas. Si un operador no sigue las reglas, usted podrá tener toda la inteligencia artificial del mundo, pero aun así tendrá un problema. Entonces, para mí, la IA no está más allá del lean (en inglés)... es otra herramienta para el lean.
