68 IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA das y reales, se asigna la clase de aprovisionamiento. El resultado de esta asignación es una propuesta de aprovisionamiento externo y/o de producción propia. La demanda puede determinarse utilizando diversos métodos. Estos métodos incluyen la estimación determinista de la demanda, los métodos heurísticos y los métodos estocásticos. La previsión determinista es adecuada para entornos de producción estables y predecibles en los que hay poca incertidumbre. Los métodos heurísticos, basados en la experiencia y la estimación, son útiles cuando los datos son limitados o se requieren decisiones rápidas. Las técnicas estocásticas utilizan modelos estadísticos y distribuciones de probabilidad para prever la demanda. Las previsiones se basan en datos históricos y modelos matemáticos que estiman la demanda futura a partir de probabilidades y tendencias. Las técnicas estocásticas son útiles cuando la demanda es imprevisible o muy volátil. Un reto importante en la aplicación de los métodos estocásticos es la modelización de las relaciones estocásticas. En realidad, las relaciones estocásticas pueden ser muy complejas. Pueden intervenir varias variables y factores que interactúan y se influyen mutuamente. Por consiguiente, modelizar relaciones tan complejas requiere mucho esfuerzo. La aplicación de métodos de IA puede resolver este problema. Una ventaja clave es que los métodos de IA pueden analizar grandes cantidades de datos e identificar patrones, tendencias y relaciones que pueden no ser evidentes para los analistas humanos. Mediante algoritmos avanzados de aprendizaje automático, la IA puede extraer rasgos (características) relevantes de los datos e incorporarlos a la modelización. Esto ayuda a crear modelos más precisos, mejorando la exactitud de la previsión de la demanda y aumentando la eficiencia de la CPP. CONTROL DE LA PRODUCCIÓN CON AYUDA DE AGENTES INTELIGENTES El control de la producción se encarga de despachar las órdenes de fabricación y controlarlas durante el proceso de producción. El objetivo principal es completar el procesamiento de las órdenes de producción de acuerdo con el plan de producción existente, teniendo en cuenta cualquier cambio debido a ajustes. Para lograr este objetivo, las órdenes deben despacharse de acuerdo con una lógica uniforme y colocarse en una secuencia significativa. En este contexto, la integración de los factores medioambientales representa un reto importante para las empresas, ya que deben tenerse en cuenta además de los factores económicos y logísticos de producción tradicionales para sobrevivir en el mercado a largo plazo. La IA ofrece una variedad de métodos que tienen el potencial de abordar la complejidad descrita anteriormente. Los métodos establecidos de control de la producción suelen basarse en conocimientos de expertos, heurística o modelos de investigación operativa. Una ventaja de los nuevos métodos de IA reside en la consideración simultánea de un gran número de características con amplios conjuntos de datos. Además del principio GIGO explicado anteriormente, cabe señalar que los datos de retroalimentación y especialmente el número de puntos de medición de datos tienen un impacto significativo en la precisión de los resultados de los análisis de IA. En el curso de la Industria 4.0 y los avances tecnológicos asociados, como la identificación por radiofrecuencia (RFID), se ha creado una base esencial para la recopilación rentable de datos y, por tanto, para las aplicaciones de IA. El uso del aprendizaje por refuerzo es uno de estos enfoques innovadores para abordar la complejidad del proceso de control de la producción. Se trata de una técnica de aprendizaje automático en la que un agente inteligente aprende a tomar decisiones secuenciales mediante interacciones. Con ayuda del aprendizaje Q o de gradientes de política, el agente puede entrenarse para un control holístico de la autoproducción, teniendo en cuenta las restricciones existentes y las nuevas (económicas, logísticas, medioambientales). Los primeros análisis demuestran que estos enfoques novedosos pueden cumplir los requisitos mejor que las normas industriales establecidas y mejorar así el rendimiento logístico del control de la producción. n Una ventaja de los nuevos métodos es la consideración simultánea de un gran número de características con amplios conjuntos de datos
RkJQdWJsaXNoZXIy Njg1MjYx