Un dels aspectes que defineixen el paradigma que anomenem indústria 4.0 és la disponibilitat de gran quantitat de dades derivades del procés productiu. Com que aquestes dades són recollides automàticament, el seu volum impossibilita que es puguin tractar a mà. És per això que l'única forma d'extreure'n tanta informació útil com sigui possible és recórrer a eines de modelització automatitzada. Parlem del conjunt d’eines matemàtiques i computacionals que anomenem sistemes experts, intel·ligència artificial, machine learning (aprenentatge del maquinari), data mining (mineria de dades), etc.
La principal família d’aquestes eines és la que ens permet crear models predictius. Partint dels paràmetres d’un procés i del resultat obtingut, construïm un model que ens permet fer prediccions fiables en circumstàncies similars. La regressió lineal és l’exemple que a tots ens ve al cap. Però també tenim regressió logística, que ens permet classificar els resultats en grups preestablerts. Per exemple, la identificació de fotografies o determinar si una soldadura és correcta o no. A vegades, però, la complexitat del fenomen o procés a estudiar és massa gran per a aquestes eines. Llavors podem usar models basats en xarxes neuronals. Aquests (remotament) estan inspirats en el funcionament del cervell i permeten construir models no-lineals de gran complexitat. Hi ha altres tipus de models que no requereixen tenir informació a priori dels resultats d’una operació o d’un procés, sinó que ens permeten obtenir informació sobre la estructura interna de les dades. És el que anomenem aprenentatge automàtic no supervisat. Dos exemples habituals són la predicció automàtica d'anomalies i l'anàlisi de clústers.
Imagineu un sistema que ens pugui avisar, en temps real, de quin dels productes que estem fabricant conté algun defecte o imperfecció. Ens permetria desviar-lo per dur a terme una anàlisi de qualitat exhaustiva i evitar que pugui arribar al client. La predicció automàtica d’anomalies s’obté implementant una funció probabilística multivariant a partir dels paràmetres del nostre procés. D’aquesta manera, aquest model té la capacitat de detectar qualsevol outlier (valor aberrant) de la combinació de factors que intervenen en el procés productiu, alhora que és capaç d’avisar-nos quan un producte en particular és prou atípic com per merèixer una inspecció més acurada.
L’anàlisi de clústers, per altra banda, és un vell conegut dels departaments de màrqueting, on s’usa per segmentar els clients de l’empresa en grups o clústers de característiques similars i, així, poder aplicar-los-hi estratègies comercials a mida. Aquesta tècnica, però realitzada de forma automàtica, és també aplicable a la modelització del procés productiu, la millora de la qualitat, etc.
Aquestes eines (i d’altres de relacionades) ja han deixat de ser exclusives de les grans empreses i grups de recerca. Des de ja fa uns anys, petites i mitjanes empreses de tot el món apliquen aquestes eines al control i millora dels processos, previsions de màrqueting i vendes, seguretat, domòtica, etc. (Extret de la ponència presentada per dgaude Prime Innovation SLU al Congrés METAL2017).
