La IA en la planificación y el control de la producción

Un importante ámbito de aplicación de las soluciones de IA es la planificación y el control de la producción (PPC). El Modelo Hannoveriano de Cadena de Suministro (en alemán: Hannoveraner Lieferkettenmodell, HaLiMo) estructura las tareas y procesos de PPC según su secuencia temporal y lógica (véase la figura 1). Dentro de HaLiMo pueden localizarse diferentes casos de uso de soluciones de IA.

A continuación, se describen tres de estos casos de uso. Esta descripción abarca la previsión de la fecha de entrega en el contexto de la gestión de pedidos, la previsión de la demanda de materiales en el contexto de la planificación de necesidades secundarias y el control de la producción mediante agentes inteligentes.

Figura 1: Modelo Hannoveriano de Cadena de Suministro www.halimo.education.

Desde las ofertas de ‘entrega al día siguiente’ de Amazon y compañía, los plazos de entrega cortos y fiables son una cuestión de rutina. Ser capaz de ofrecer y mantener plazos de entrega cortos también es de gran importancia para las empresas de fabricación. La gestión de pedidos en las empresas de fabricación tiene dos funciones importantes. Por un lado, se negocian las fechas de entrega y se promete una fecha fija como parte del proceso de aclaración de pedidos al inicio de la tramitación de los mismos. Por otro, la coordinación de pedidos hace un seguimiento del progreso de los pedidos de los clientes y comunica un retraso en caso de interrupciones irrecuperables. Para apoyar estas dos tareas, la IA puede utilizarse para predecir las fechas de entrega.

Los métodos tradicionales para determinar las fechas de entrega suelen basarse en métodos estadísticos simples que sólo tienen en cuenta unos pocos factores influyentes, así como los conocimientos de los expertos. Con la ayuda de los métodos de IA, es posible utilizar los datos maestros y transaccionales disponibles en las empresas mediante el uso de modernos sistemas ERP y MES (por ejemplo, datos de confirmación, rutas, movimientos de almacén) y utilizarlos para predecir las fechas de entrega. Se pueden buscar grandes cantidades de datos en muy poco tiempo, detectar patrones y tendencias y calcular automáticamente las fechas de entrega. Los algoritmos de IA utilizados suelen ser muy superiores a los métodos estadísticos. Sin embargo, hay que tener en cuenta que aquí también se aplica el principio GIGO (Garbage In - Garbage Out). Los algoritmos sólo pueden procesar lo que se les da. Si los datos maestros están mal conservados o los datos de retorno son incompletos y de baja granularidad, el resultado será deficiente. También hay que tener en cuenta que la IA no siempre determina la fecha de entrega correcta, sino la fecha más probable según los modelos subyacentes. Sin embargo, dado que un modelo de IA no puede tener en cuenta todas las condiciones del entorno, como el absentismo o los cuellos de botella inusuales en las entregas, es necesario verificar la fecha de entrega antes de comunicarla al cliente.

En la planificación de necesidades secundarias, las necesidades secundarias se determinan a partir de la planificación del programa de producción. Las necesidades secundarias son tanto materias primas como piezas y conjuntos para la fabricación de productos acabados. Tras calcular las necesidades brutas y netas, teniendo en cuenta las existencias planificadas 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.

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.