Optimización de TORO: clasificación automática de aplicaciones mediante procesamiento del lenguaje natural

Introducción: El problema de la clasificación de aplicaciones en TORO

En la industria actual, donde la eficiencia de la producción es fundamental, la gestión de mantenimiento, reparación y operación (MRO) desempeña un papel central. Cada día se generan cientos y a veces miles de solicitudes de mantenimiento, reparación o repuestos. La clasificación, priorización y enrutamiento manual tradicional de estas solicitudes es un proceso que requiere mucho tiempo y es propenso a errores humanos. Esto da como resultado retrasos en la respuesta, mala asignación de recursos, mayor tiempo de inactividad de los equipos y, como resultado, pérdidas financieras.

Para resolver este problema, UNITEC-D GmbH propone considerar el uso de tecnologías de inteligencia artificial, en particular el procesamiento del lenguaje natural (NPM), para automatizar la clasificación de aplicaciones en los sistemas TORO. Este enfoque le permite transformar una descripción textual no estructurada del problema en datos estructurados que pueden clasificarse, priorizarse y dirigirse instantáneamente a los actores apropiados. Esto corresponde a los principios de la Industria 4.0 y permite a las empresas ucranianas aumentar la eficiencia operativa y la fiabilidad de los procesos de producción.

Principio de Funcionamiento del OPM para la Clasificación de Aplicaciones

La inteligencia artificial es una rama de la inteligencia artificial que permite a las computadoras comprender, interpretar y generar el habla humana. En el contexto de la clasificación de solicitudes TOO, el sistema OPM analiza la descripción textual del problema proporcionada por el operador o técnico y la asigna a una o más categorías predefinidas. El proceso incluye varias etapas clave:

Recopilación y preprocesamiento de datos: El sistema necesita datos históricos: miles o decenas de miles de aplicaciones ya clasificadas con descripciones de texto. El texto se limpia de caracteres innecesarios, errores tipográficos y palabras vacías (por ejemplo, "y", "pero", "y").
Tokenización y representaciones vectoriales (incrustaciones): El texto se divide en palabras o frases separadas (tokens). Cada token se convierte en un vector numérico que refleja su significado semántico y contexto en la oración. Los modelos modernos como BERT o Word2Vec crean representaciones vectoriales de alta calidad que permiten al sistema "comprender" sinónimos y contexto.
Entrenamiento de un modelo de aprendizaje automático: en función de estas representaciones vectoriales, se entrena un modelo de aprendizaje automático (por ejemplo, un clasificador basado en redes neuronales profundas o un método de vectores de soporte). El modelo del profesor relaciona los vectores de texto con sus categorías correctas, revelando patrones.
Clasificación: Después del entrenamiento, cuando el sistema recibe una solicitud nueva sin clasificar, pasa por los mismos pasos de procesamiento. El modelo entrenado analiza la representación vectorial del nuevo texto y predice la categoría más probable (por ejemplo, "Falla eléctrica", "Fuga hidráulica", "Mantenimiento programado") con un cierto nivel de confianza.

Este enfoque permite que el sistema no solo busque palabras clave, sino que comprenda el contenido de la solicitud, incluso si la redacción no es clara o contiene una jerga técnica específica característica de una empresa en particular.

Requisitos de datos

La calidad y el volumen de datos son fundamentales para la implementación exitosa de un sistema OPM. Sin datos adecuados, cualquier modelo será ineficaz. Los principales requisitos incluyen:

Volumen de aplicaciones históricas: Para el entrenamiento inicial del modelo, se requiere un mínimo de 5000 a 10 000 aplicaciones clasificadas cualitativamente. Para lograr una alta precisión, es deseable tener entre 20.000 y 50.000 aplicaciones o más.
Calidad de las descripciones del texto: las descripciones deben ser lo más detalladas y claras posible. Las descripciones poco claras, demasiado breves o llenas de abreviaturas que no están decodificadas en el sistema reducen la precisión. Es necesario realizar una auditoría de los datos y, si es posible, unificar la terminología.
Precisión de clasificación manual: Las aplicaciones históricas deben ser clasificadas correctamente por humanos. Si los datos de entrenamiento contienen errores, el modelo los reproducirá. Se recomienda comprobar y corregir las clasificaciones existentes.
Formato de datos: Los datos deben estar disponibles en un formato estructurado (por ejemplo, CSV, JSON o directamente desde la base de datos STUOiR/SAUAP). Cada entrada debe contener una descripción de texto del problema y la categoría (o categorías) correspondiente. Se pueden utilizar campos adicionales como ID de activo, fecha, prioridad y ejecutante para enriquecer el modelo.
Privacidad y protección de datos: De acuerdo con los requisitos de la legislación ucraniana (por ejemplo, la Ley de Ucrania "sobre protección de datos personales") y los estándares internacionales (ISO/IEC 27001), es necesario garantizar la protección adecuada de la información confidencial contenida en las aplicaciones.

La preparación de datos es la etapa de implementación de OPM que requiere más tiempo. Las inversiones en calidad de datos dan sus frutos con una precisión y confiabilidad del sistema significativamente mayores.

Arquitectura de implementación del sistema

La integración del sistema OPM en el panorama de producción existente requiere una arquitectura bien pensada. Una arquitectura típica incluye los siguientes componentes:

Operadores/Sensores → Sistema de gestión TORO (SUTOiR/SUAP) → Módulo OPM → Sistema de despacho/base de datos → Ejecutores

Fuente de aplicaciones: Estos pueden ser operadores que ingresan manualmente descripciones de problemas en el sistema (por ejemplo, SAP PM, IBM Maximo, 1C:TORO) o sistemas automáticos de monitoreo de condición (Condition Monitoring), que generan notificaciones basadas en datos de sensores (temperatura, vibración, presión según EN ISO 10816-1).
Sistema de gestión Toro (SUTOiR/SUAP): El sistema existente de la empresa que recopila, almacena y gestiona aplicaciones. El módulo OPM se integra con este sistema para recibir solicitudes no clasificadas y devolver datos clasificados.
Módulo OPM: El componente central que realiza el procesamiento del lenguaje natural. Se puede implementar como un servidor local (On-Premise) para garantizar la máxima seguridad de los datos o como un servicio en la nube (Basado en la nube) para mayor flexibilidad y escalabilidad. El módulo incluye:
- Interfaz de entrada/salida: Para interacción con SUTOiR/SUAP a través de API (interfaz de programación de aplicaciones).
- Subsistema de preprocesamiento: Limpieza de texto, tokenización.
- Subsistema de Representaciones Vectoriales: Conversión de texto en vectores numéricos.
- Modelo de clasificación: Modelo de aprendizaje automático entrenado.
Sistema de envío y base de datos: las solicitudes clasificadas se enrutan automáticamente a los equipos apropiados o técnicos individuales que se especializan en esta categoría de mal funcionamiento. La información se almacena en una base de datos para su posterior análisis e informes.
Comentarios y reentrenamiento: Un elemento crítico. Los técnicos o responsables de TORO comprueban la clasificación automática. Si la clasificación era incorrecta, la corrigen. Estos datos ajustados se utilizan para volver a entrenar periódicamente el modelo, mejorando su precisión con el tiempo.

Es importante garantizar que la integración cumpla con los estándares de seguridad de datos y sistemas de información como DSTU ISO/IEC 27001:2015.

Resultados reales y eficiencia económica

La implementación de OPM para la clasificación de aplicaciones TORO demuestra mejoras significativas en los indicadores operativos:

Mejorar la precisión de la clasificación: los sistemas OPM automatizados logran una precisión de clasificación del 85-95 %, que es significativamente mayor que la clasificación manual, que a menudo ronda el 60-70 % debido a la fatiga, la falta de estandarización y la subjetividad.
Reducción del tiempo de procesamiento de solicitudes: El tiempo desde la recepción de una solicitud hasta su clasificación y enrutamiento se reduce de 15 a 30 minutos (con procesamiento manual) a menos de 1 minuto. Esto acelera la respuesta a fallos críticos.
Disminución del número de solicitudes enrutadas incorrectamente: Entre el 20 % y el 40 % de las solicitudes que antes se enviaban al equipo o especialista equivocado ahora se clasifican y enrutan correctamente. Esto reduce el "rollover" de la aplicación entre departamentos.
Reducción del tiempo medio de recuperación (MTTR): Un despacho más rápido y preciso conduce a un MTTR reducido, lo que afecta directamente el tiempo de inactividad del equipo. Lo típico es una caída del 10-15% en el MTTR.
Análisis de datos mejorado: la clasificación automática estandarizada genera datos de alta calidad para un mayor análisis de la causa raíz, la predicción de fallas y la optimización de los programas de mantenimiento preventivo.
Ahorro de costos y retorno de la inversión (ROI): Debido a la reducción del tiempo de inactividad, la optimización del tiempo de trabajo del personal (hasta entre un 10 % y un 15 % del tiempo de trabajo de los gerentes de mantenimiento) y una mayor eficiencia del trabajo de reparación, el retorno de la inversión suele ser de 12 a 24 meses.

Métricas aplicadas:

Costo del proyecto piloto: 20 000 – 50 000 EUR (incluida la preparación de datos y la implementación del modelo base).
Coste de la integración completa: 100 000 – 500 000 EUR (depende de la complejidad de la integración, la cantidad de datos y la necesidad de personalización).
Reducción de costes administrativos: Hasta 0,5 - 1,5 EUR por cada solicitud procesada. Con 10.000 solicitudes al mes, esto se traduce en un ahorro de entre 5.000 y 15.000 EUR al mes.

Limitaciones y problemas potenciales

A pesar de sus importantes ventajas, los sistemas OPM no son una solución universal y tienen sus limitaciones:

Basura que entra, basura que sale: Si los datos de entrenamiento son de mala calidad, el modelo producirá predicciones inexactas. Las descripciones deficientes, la terminología inconsistente o la clasificación manual incorrecta crean problemas fundamentales.
Ambigüedad y contexto: el lenguaje humano es complejo. Los modelos OPM pueden tener dificultades para comprender descripciones muy ambiguas, sarcásticas o demasiado breves que requieren una comprensión contextual profunda.
Especificidad del dominio: Los modelos entrenados en corpus de texto generales no serán eficientes para la jerga técnica de TORO. Se requiere capacitación sobre datos específicos de la industria. Esto requiere un esfuerzo significativo en la recopilación y el etiquetado de datos.
Soporte y reentrenamiento: Cambio de procesos de producción y equipos. Aparecen nuevos tipos de averías, nuevos activos, cambian los plazos. El modelo OPM requiere un seguimiento regular y un reentrenamiento periódico (por ejemplo, una vez cada 3 a 6 meses) sobre nuevos datos para mantener su relevancia y precisión.
Dependencia de la infraestructura de TI: La implementación y operación de sistemas OPM requiere una infraestructura de TI sólida, recursos informáticos y posiblemente experiencia especializada en aprendizaje automático.

Construir o comprar: análisis de decisiones

Al planificar la implementación de un sistema OPM para la clasificación de aplicaciones, las empresas se enfrentan a un dilema: desarrollar una solución internamente (Build) o comprar una solución comercial (Buy).

Desarrollo por fuerzas propias (Construcción):

Ventajas:

Personalización total para las necesidades únicas de la empresa.
Preservación de la propiedad intelectual.
Integración profunda con los sistemas internos existentes sin compromiso.

Desventajas:

Altos costos iniciales de desarrollo y mantenimiento.
La necesidad de un equipo de datos especializado (Data Scientists, ML Engineers).
Largo tiempo de implementación (12-24 meses).
La necesidad de apoyo y desarrollo constante.

Compra de una Solución Comercial (Comprar):

Ventajas:

Implementación más rápida (3-6 meses para integración básica).
Costos iniciales más bajos (aunque los costos generales de licencia y soporte pueden ser significativos).
Soporte y actualizaciones del proveedor.
A menudo incluye modelos previamente entrenados que requieren reentrenamiento sobre datos específicos del cliente.

Desventajas:

Menos flexibilidad en la personalización.
Es posible bloquear a un proveedor.
Problemas de seguridad de los datos si la solución está basada en la nube.
Es posible que las soluciones estándar no coincidan completamente con los procesos comerciales únicos.

Para la mayoría de las empresas industriales ucranianas, especialmente en la etapa inicial, un enfoque híbrido es óptimo: la compra de una plataforma ya preparada que permita una mayor formación sobre sus propios datos y la integración con EMS/ACS existentes. Esto le permite obtener los beneficios de la velocidad de implementación y soporte mientras mantiene la adaptabilidad.

Pasos prácticos para la implementación

Se recomienda el siguiente plan paso a paso para el equipo de ingeniería de la empresa que esté considerando la implementación de OPM:

Auditoría de datos: Realice un análisis detallado del historial de aplicaciones existentes en su EMS/ACS. Evaluar el volumen, la calidad de las descripciones textuales y la precisión de la clasificación actual. Determine si hay suficientes datos para entrenar el modelo.
Definición de escenario de uso: Comience con una categoría específica de reclamos de gran volumen donde la clasificación manual sea la más problemática (por ejemplo, fallas de un solo tipo de equipo o de un taller específico).
Formación de un equipo interdisciplinario: Crear un grupo de trabajo que incluya especialistas en mantenimiento, departamento de TI, departamento de automatización y posiblemente personal operativo.
Proyecto piloto: Implemente un pequeño proyecto piloto. Utilice un conjunto de datos limitado y céntrese en una o dos categorías. Esto permitirá probar la tecnología, evaluar su efectividad e identificar posibles problemas sin una inversión significativa.
Selección de Soluciones: Con base en los resultados del proyecto piloto y el análisis de mercado, elegir la solución comercial más adecuada o desarrollar un plan de desarrollo interno.
Integración: Garantice una integración perfecta del módulo OPM con su EMS/SMS existente siguiendo estándares de intercambio de datos como DSTU ISO/IEC 19505-1:2015 (UML).
Supervisión y optimización: Después de la implementación, supervise continuamente la precisión de la clasificación, recopile comentarios de los usuarios y vuelva a entrenar periódicamente el modelo con datos nuevos y ajustados para mantener un alto rendimiento.

UNITEC-D GmbH apoya las estrategias de transformación digital en la industria proporcionando repuestos y componentes confiables y certificados (CE, UkrSEPRO) que cumplen con las normas EN e ISO. Nuestra amplia gama de productos, disponibles a través del catálogo electrónico, le permite encontrar y pedir rápidamente los elementos necesarios para cualquier sistema que haya sido diagnosticado con la ayuda de los sistemas inteligentes TORO. Esto garantiza el funcionamiento ininterrumpido del equipo y minimiza el tiempo de inactividad, lo cual es clave para aprovechar con éxito los beneficios de OPM.

Resumen

La clasificación automática de solicitudes de mantenimiento mediante el procesamiento del lenguaje natural es una herramienta poderosa para mejorar la eficiencia del mantenimiento en la industria ucraniana. Permite reducir el tiempo de respuesta, optimizar la asignación de recursos y mejorar significativamente la calidad de los datos para su posterior análisis. Aunque la implementación requiere inversión en datos y tecnología, los ahorros potenciales y la mayor confiabilidad operativa brindan una rápida recuperación de la inversión.

Para respaldar sus iniciativas de fusiones y adquisiciones y garantizar la confiabilidad de los procesos de producción, lo invitamos a familiarizarse con nuestra gama de repuestos y componentes industriales de alta calidad. Visite el catálogo electrónico de UNITEC-D.

Enlace

DSTU ISO 9001:2015 Sistemas de gestión de calidad. Requisitos
DSTU ISO/IEC 27001:2015 Tecnologías de la información. Métodos y medios para garantizar la seguridad. Sistemas de gestión de seguridad de la información. Requisitos
DSTU ES ISO 10816-1:2006 Vibración. Medición y evaluación de vibraciones de máquinas. Requisitos generales.
ES ISO 13849-1:2015 Seguridad de la maquinaria. Partes de sistemas de control relacionadas con la seguridad. Principios generales para el diseño.
Directivas de Marcado CE para Maquinaria (2006/42/CE).
Reglamento técnico de seguridad de máquinas, aprobado por resolución del CMU de 30 de enero de 2013 nº 62 (corresponde a la Directiva 2006/42/CE).
DSTU 4163-2003 Sistema de documentación de diseño. Reglas para el diseño de documentos de texto.