Los activos industriales deben ser mantenidos para que continúen trabajando en la forma deseada. Para ayudar con este mantenimiento se han desarrollado distintas metodologías, y una de las más recientes ha sido el Mantenimiento Predictivo basado en sensores de IoT Industrial (IIoT). Se han dicho muchas cosas acerca de esto, pero ¿qué es verdad y qué no? ¿Hará tanto como todos dicen? Este artículo fue hecho con la intención de ayudarle a entender las verdaderas posibilidades de la tecnología y cómo hemos llegado hasta acá, para que usted pueda darles respuesta por sí mismo. Pero primero lo primero… ¿Cuánto sabe usted de la tecnología, y de dónde lo aprendió? Para muchos lectores, el camino principal de aprendizaje han sido los medios y los mismos fabricantes, quienes tienen artículos interesantes y casos de estudio acerca de una nueva tecnología maravillosa. Así es como se crea el despliegue publicitario, o “Hype”.
“Hype” y expectativas
El Hype está en todas partes. Ayuda a crear conciencia y mercado cuando se desarrolla una nueva tecnología. Sin embargo, algunas veces lo hace hasta el punto en el que comienza a dificultar el progreso de dicha tecnología en el corto plazo. Ilustraré este punto con un ejemplo:
“La Tecnología X sale al mercado. Comienza a mostrar un gran potencial tras una serie de pruebas de concepto y se perfila como una respuesta prometedora a ciertos problemas duros de la industria. Esto atrae a los Inversionistas de Capital de Riesgo (VC), quienes se interesan cada vez más y comienzan a invertir. En este momento comienza a despegar todo: se crean equipos de ventas y mercadeo para impulsar el producto en el mercado. Éxitos tempranos comienzan a aceitar la máquina de Hype, lo cual a su vez comienza a atraer nuevos clientes con nuevas exigencias. Se establecen altas expectativas al ver los éxitos tempranos y las personas comienzan a creer que la Tecnología X va a resolver muchos problemas, incluyendo atribuciones descabelladas que llegan con el ciclo del Hype.
Cuando la Tecnología X no entrega estas demandas descabelladas se genera prensa negativa y las personas pierden interés. Los inversionistas dejan de invertir y las personas dejan de usar la tecnología. Si se logra sobrevivir a esto, la tecnología resurgirá con una segunda ola de implementaciones más maduras, habiendo aprendido de los errores pasados».
¿Suena conocido? Es porque esto es, en esencia, la Metodología del Ciclo de Hype de Gartner, ilustrada en la siguiente gráfica:
(fuente: Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017)
Considero importante tener en cuenta el lugar que ocupan Machine Learning, Deep Learning y IoT Platforms en esta versión del Hype Cycle (todas en el “Pico de Expectativas Exageradas”). Estoy de acuerdo con esta evaluación, ya que la industria del mantenimiento se está dando cuenta de que estas tecnologías no van a resolver el problema por sí mismas tal como el Hype lo ha hecho creer. Los usuarios están esperando herramientas mágicas que identifiquen patrones y recomienden acciones sin exigir esfuerzos de su parte.
Creo que el problema no es la tecnología sino la mentalidad de quienes la adoptan, ya que la IA no es una panacea ni se acerca a la inteligencia humana (¿aún?), y que incluso si lo hiciera no entregaría las respuestas esperadas por sí misma.
Permítanme ilustrar esto con otro ejemplo: piense en la IA como un joven comenzando sus estudios universitarios. Incluso para el estudiante con el más alto potencial, si se le entregan años y años de información de sensores IoT sin ningún tipo de contexto, conocimiento previo o experiencia, sólo podrán llegar hasta cierto punto con los datos. La falta de experiencia y conocimiento de los procesos y los equipos involucrados le impide entender y, junto a esto, le impide también la habilidad de inferir estados futuros (o de tener capacidades predictivas, como se usa ahora).
El contexto es rey
Un analista debe entender los activos antes de entender la planta, para sí saber hacer el mantenimiento y la confiabilidad de esta. Es crucial entender cómo funciona un equipo (y cómo debe funcionar) para poder inferir si va a funcionar (o no) bajo un conjunto determinado de circunstancias.
¿Cómo se obtiene este conocimiento? Una de las ventajas que tiene el campo del mantenimiento, con respecto a otros campos en los cuales se implementa el Aprendizaje de Máquina (ML) es que está firmemente basado en la ingeniería, lo cual significa que hay un cuerpo de conocimiento gigante que se puede usar por medio de leyes de la física. Los equipos físicos no sólo están bien caracterizados, sino que son determinísticos y, en muchas ocasiones, lineales (o linealizables).
Los científicos de datos no tienen que reinventar la rueda para ser exitosos en el mantenimiento de plantas. Un acercamiento de fuerza bruta a este problema sería como pedirle a un estudiante que entienda el funcionamiento de una planta entregándole años de datos de sensores sin antes haber hecho sus cursos de ingeniería. El conocimiento de un ingeniero experto es de inmensa ayuda en un escenario de mantenimiento predictivo. Muchas veces, la experiencia y la intuición son más acertados que sus modelos porque el ingeniero entiende el contexto operativo de la máquina, y entiende a su vez los factores internos y externos que afectan la operación de la planta.
Valle de la Desilusión
Aun así, un estudiante sin contexto puede entregar resultados interesantes cuando un compañero con conocimientos le ayuda. Hay casos en los que ML puede ayudar, dejándole saber al algoritmo cuándo ocurrió una falla. Si la máquina falla en una forma predecible, y existen datos suficientes para que el estudiante pueda encontrar un patrón con confianza, se produce un buen resultado. Para esa falla.
Ahora, cuando se despliegue el nuevo modelo, la tasa de fallas de la máquina disminuye, porque se comenzó a evitar la falla que su modelo identifica. A medida que se evitan las fallas se va generando un nuevo conjunto de datos en el cual dicha falla se presenta tan pocas veces que ya no existen suficientes datos para detectar un patrón que le permita evitar nuevas instancias de esta falla (una Falla Potencial). Al paso de los años, este nuevo conjunto de datos va a ser su fuente para reentrenar modelos y, como la falla ya no se presenta, la IA no va a encontrar una falla por evitar. La analítica predictiva se vuelve víctima de su propio éxito. ¡Si no se tiene cuidado y no se incluye el patrón previo en su nuevo modelo se va a reducir la efectividad del modelo!
Incluso si incluye los patrones previos y se mejora el modelo, los hallazgos serán cada vez más escasos. Esto hará que disminuya la confianza en el proyecto, lo cual también hará que pierda patrocinio y que caiga en espiral, y no hay mucho que se pueda hacer para revivirlo.
El conocimiento de negocio al rescate
La razón por la cual el proyecto deja de entregar hallazgos al pasar el tiempo es porque estaba basado únicamente en procesar datos de sensores. Nosotros creemos que la mejor forma de resolver este problema es combinar conocimiento de negocio, experiencia ingenieril, conocimiento de expertos y ciencia de datos en un equipo y en una sola disciplina. Así, su estrategia de mantenimiento obtendrá lo mejor de todos los mundos, teniendo la ciencia de datos y la analítica predictiva como herramientas que le adviertan de fallas predecibles inminentes y que le ayuden a tomar mejores decisiones, en vez de un oráculo que lo sabe todo que no le ayuda tanto ni le da explicaciones. Cuatro pilares para sostener su operación en vez de uno.
En Uptime Analytics entendemos la importancia de combinar nuestras habilidades, usar nuestros gemelos analíticos y nuestro motor de detección de patrones desde sensores para así obtener una vista 360 del mantenimiento y de la predicción de fallas. Nosotros le podemos ayudar, al tener un enfoque de armas combinadas, a obtener y superar sus metas de mantenimiento, disminuyendo su tiempo fuera de operación y sus costos de mantenimiento.
Autor: Daniel Muñoz – Senior Analytics Engineer en Uptime Analytics
