Por: Jair Pérez, CEO de Gesta Labs
jair@gestalabs.com
Hay de errores a errores y en el sector
automotriz vaya que suelen ser altamente costosos. Como ejemplo están los
famosos recalls que hacen las automotrices para revisar cientos, miles
o, en algunos casos, millones de vehículos que presentan cierta falla.
Generalmente se originan por defectos de calidad en el proceso de ensamble o en
alguno de los componentes, y originan problemas en el funcionamiento de la
unidad.
La mayoría de las empresas automotrices los han
padecido y suelen ser altamente costosos. El mayor de ellos fue el que sufrió
Toyota en 2009 debido a un fallo en el pedal del acelerador que provocaba, de
repente, una aceleración inintencionada y terminó por implicar el llamado a
revisión de unos 9 millones de unidades. ¿El costo total? 1,200 millones de
dólares, además del impacto negativo en su reputación.
¿Cuánto cuestan los defectos de calidad en las
empresas? De acuerdo con la Asociación Americana para la
Calidad (ASQ), llegan a representar entre 15 y 20% de los ingresos. Diversas
encuestas a áreas de Compras sitúan a la calidad como el aspecto más
relevante para elegir o cambiar de proveedor, por lo que el costo es mayor
al meramente económico.
La intención de toda empresa es cuidar este
aspecto al máximo, pero, vamos, no siempre lo hacen de forma impecable. Por
ello quiero abordar la importancia de la inteligencia artificial como la
herramienta ideal para reducir el riesgo de cometer errores. Y quiero abordar
dos casos de uso específicos para esto.
El primero es de Computer Vision, una
tecnología cuyos alcances permiten construir casos de uso para procesos
sumamente específicos, como lo hace BMW en su planta de Regensburg para
detectar si el proceso de sellado de un tornillo se hace correctamente o, en
caso contrario, el sistema envía alertas cuando detecta anomalías.
REGÍSTRATE AL WEBINAR GRATUITO DE COMPUTER
VISION este 10 de septiembre a las 12:00 horas: https://us02web.zoom.us/webinar/register/WN_Ju_AGuGeT8OaDz9vHSPeTw
¿Qué parte de tu proceso es tan crítico y
sensible para asegurarte que sucede de forma impecable y no quieres ni siquiera
imaginar lo que podría ocasionar un error en él? ¿Cuánto
dinero pierdes cada vez que corriges un problema de este tipo? Responder ambas
preguntas puede llevarte a la definición inicial del problema y a animarte a
probar esta tecnología emergente como una solución potencial.
El segundo caso de uso tiene que ver con Machine
Learning para predecir desviaciones de calidad mediante un gemelo digital.
Una empresa industrial lo ha incorporado para el proceso de producción de
harina, en el cual la herramienta digital predice potenciales desviaciones en
la humedad y le permite al personal operativo ajustar las variables críticas en
el proceso para evitar que esto suceda.
¿Cómo podrías aplicar algo similar en la
manufactura discreta? Pensemos en una empresa de maquinados que debe
dar mantenimiento a sus equipos para calibrarlos y evitar desviaciones
milimétricas en la fabricación de las piezas. Un caso de uso podría ser una
solución de mantenimiento predictivo que te permita eliminar los paros no
programados y actuar de acuerdo con un programa anticipado, eficiente y con
costos calculados.
¿Acaso no es el sueño de todo director de
Operaciones eliminar los paros no programados y prolongados tiempos de
inactividad de sus equipos? Como lo ves, construir un caso de uso no es tan
complicado y, por el contrario, puedes ver los beneficios de inmediato. ¿Te
animas?
Recibe las noticias más
importantes de la industria en tu email
