El potencial de la IA para la industria de proceso y su sostenibilidad

El potencial de la IA para la industria de proceso y su sostenibilidad

El impacto de la Inteligencia Artificial (IA) es altamente reconocido como uno de los motores clave de la revolución industrial digital junto con los datos y la robótica 1 2. Para aumentar el desarrollo de una IA que sea factible práctica y económicamente en los sectores industriales, necesitamos aplicaciones de IA con interfaces más simples, que no requieran una mano de obra altamente cualificada. Estas aplicaciones de IA deben tener una vida útil más larga y que requiera un mantenimiento menos especializado (por ejemplo, para el etiquetado de datos, entrenamiento, validación…)

Lograr una implementación efectiva de tecnologías de IA confiables dentro de la industria de proceso requiere una comprensión coherente de cómo estas diferentes tecnologías se complementan e interactúan entre sí en el contexto de los requisitos específicos del dominio que requieren los sectores industriales3.Las industria de proceso deben aprovechar el potencial de la innovación basada en IA, dentro del impulso de la transformación digital, como facilitador clave para alcanzar los objetivos del Green Deal y la esperada transición verde y digital necesaria para una evolución completa hacia la economía circular.

Uno de los retos más importantes para el desarrollo de soluciones innovadoras en la industria de proceso es la complejidad, inestabilidad y imprevisibilidad de sus procesos y el impacto en sus cadenas de valor. Estas soluciones normalmente requieren: funcionar en condiciones adversas, bajo cambios en los valores de los parámetros del proceso, falta de monitoreo/medición consistente de algunos parámetros importantes para analizar el comportamiento del proceso y que son difíciles de medir en tiempo real. A veces, dichos parámetros solo están disponibles a través de análisis de control de calidad en laboratorios que son los responsables de vigilar la trazabilidad del origen y calidad de materias primas, materiales y productos.

Para las aplicaciones basadas en IA, estas restricciones son más críticas, ya que la IA requiere (generalmente) una cantidad considerable de datos de alta calidad para asegurar el rendimiento del proceso de aprendizaje (en términos de precisión y eficiencia). Además, obtener datos de alta calidad, generalmente requiere una participación intensiva de expertos humanos para curar (o incluso crear) datos en un proceso que requiere mucho tiempo. Asimismo, un proceso de aprendizaje supervisado requiere el etiquetado/clasificación de ejemplos de entrenamiento por parte de expertos en el dominio, lo que hace que una solución de IA pueda no ser rentable.

Minimizar (tanto como sea posible) la participación humana en el ciclo de creación de la IA implica algunos cambios fundamentales en la organización de su ciclo de vida, especialmente desde el punto de vista de lograr una IA más autónoma, lo que conduce al concepto de self-X-AI4. Para lograr tal comportamiento autónomo para cualquier tipo de aplicación, generalmente se necesita dotar de habilidades avanzadas (denominadas self-X en inglés y traducidas como auto-X) como las propuestas para la computación autonómica (AC, del inglés Autonomic Computing)5:

Habilidades self-X de computación autonómica

Auto-Configuración: (para facilitar la integración de nuevos sistemas de adaptación al cambio)
Auto-Optimización: (control automático de recursos para un funcionamiento óptimo)
Auto-Recuperación: (detección, diagnóstico y reparación para corrección de errores)
Auto-Protección: (identificación y protección de ataques de una manera proactiva)

Por lo tanto, el paradigma de la computación autonómica puede ayudar en muchas tareas de IA a través de una gestión adecuada 6 7 . En este escenario, la IA actúa como el sistema de procesamiento inteligente y el gestor autonómico ejecuta continuamente un ciclo de Monitoreo-Análisis-Planificación-Ejecución basado en el conocimiento (MAPE-K) del sistema IA controlado, con el objetivo de desarrollar una aplicación IA auto-mejorada.

De hecho, estas nuevas aplicaciones de (self-X) IA serán, hasta cierto punto, autogestionadas para mejorar su propio rendimiento de forma incremental5. Esto se realizará mediante el ciclo de adaptación, que permita «aprender haciendo» utilizando el modelo MAPE-K y las habilidades self-X propuestas por la computación autonómica. El proceso de mejora debe basarse en la capacidad de auto-optimización continua (por ejemplo, ajuste de hiperparámetros en el aprendizaje automático). Además, en el caso de tener problemas en el funcionamiento de un componente de Inteligencia Artificial, el administrador autonómico debe activar las habilidades de auto-configuración (por ejemplo, elección del método de IA), auto-reparación (por ejemplo, detección de desviación del modelo entrenado) y auto-protección (por ejemplo, generar datos artificiales para mejorar los modelos entrenados) según sea necesario, basado en el conocimiento del sistema IA.

En tan solo unas semanas, CARTIF iniciará un proyecto con la ayuda de otras organizaciones expertas en IA y empresas líderes de varios sectores de la industria de proceso Europea para abordar estos desafíos y cerrar la brecha entre la IA y la automatización. El proyecto propone un enfoque novedoso para actualizar de forma continua aplicaciones de IA con una mínima intervención de expertos, a partir de una integración de datos para IA, y proporcionando capacidades de computación autonómica (self-X). La idea principal es permitir la actualización continua de las aplicaciones de IA mediante la integración de datos industriales del mundo físico con una intervención humana reducida.

Os informaremos en futuros posts de los avances que realizaremos con esta nueva generación de aplicaciones IA auto-mejoradas para la industria.


1 Processes4Planet, SRIA 2050 advanced working version

EFFRA, The manufacturing partnership in Horizon Europe Strategic Research and Innovation Agenda.

3 https://www.spire2030.eu/news/new/artificial-intelligence-eu-process-industry-view-spire-cppp

Alahakoon, D., et al. Self-Building Artificial Intelligence and Machine Learning to Empower Big Data Analytics in Smart Cities. Inf Syst Front (2020). https://link.springer.com/article/10.1007/s10796-020-10056-x

5 Sundeep Teki, Aug 2021, https://neptune.ai/blog/improving-machine-learning-deep-learning-models

6 Curry, E; Grace, P (2008), “Flexible Self-Management Using the Model–View–Controller Pattern”, doi:10.1109/MS.2008.60

7 Stefan Poslad, Ubiquitous Computing: Smart Devices, Environments and Interactions, ISBN: 978-0-470-03560-3

La consciencia no es computable, es cuántica

La consciencia no es computable, es cuántica

Mucho del nuevo bombo alrededor de la Inteligencia Artificial (IA) está directamente relacionada con la potencialidad para imitar o superar las capacidades del cerebro humano (en cuanto a volumen de datos manejados y velocidad de procesamiento) mediante el uso de los ordenadores. El neurocientífico Henry Markram en 2009 anunció un proyecto que pretendía simular el cerebro humano en una super-computadora con diferentes objetivos como «comprender la percepción o la realidad y tal vez incluso comprender también la realidad física».

La denominada «singularidad tecnológica» establece como la IA y la robótica nos sobrepasará a los humanos. Hay diferentes predicciones sobre cuándo ocurrirá este apocalipsis. Elon Musk coloca esta singularidad en 2025, el millonario ruso Dmitri Itskov en 2045, por citar varios ejemplos. El continuo avance de las capacidades de los microprocesadores también alimenta, erróneamente, este bombo de la IA. Si uno compara únicamente el número de neuronas (unos 86.000 millones) con el número de transistores del último chip M1 de Apple (16.000 millones) puede estar tentado de asegurar que la «capacidad de computación» del ser humano es fácilmente superable. Lo sé, las comparaciones son odiosas, y en este caso , muy atrevidas.

Hasta hace poco yo también me encontraba entre los expectantes de tales predicciones, pero con un grado de escepticismo razonable. Todo esto cambió para mí en lo más crudo del confinamiento del 2020. Andaba yo deambulando por YouTube en búsqueda de vídeos interesantes relacionados con la IA y llegue a uno muy curiosos y que da título a este post, y que atrajo mi curiosidad: 1la consciencia no es computable. En este vídeo, un más que lúcido Sir Roger Penrose, físico, matemático y filósofo, es entrevistado por el vlogger Lex Fridman, experto en IA y conducción autónoma.

He de decir que, aunque el nivel científico de lo expuesto en el vídeo es muy alto, la lucidez, detalle y afabilidad demostradas por Penrose, me atrapó y logró mantenerme atento durante toda la entrevista. Especialmente, hay una parte que me pega a la silla y me hace rebobinar varias veces para tratar de comprender con el mayor detalle posible. La entrevista empieza directamente con esta tesis demoledora (la mantengo en inglés por ser más fiel): «I´ m trying to say that whatever consciuosness is, it´s not a computation…it´s not a physical process which can be described by computation».

Durante la entrevista, Penrose explicó cómo su curiosidad por la neurofisiología le llevó a explorar los principios básicos de la física, la cosmología, las matemáticas y la filosofía en su libro de 1989 «The Emperor´ s New Mind» para proponer que el pensamiento humano nunca podría ser emulado por una máquina, en contra de las tesis «mainstream» de entonces acerca de cómo las computadoras usando «inteligencia artificial» pronto podrían hacer todo lo que un humano puede hacer.

¿Qué le lleva a asegurar de forma tan tajante la imposibilidad de emular la consciencia humana mediante un ordenador? ¿No se supone que juntando muchos chips de nuestros ordenadores podemos superar el número de neuronas de nuestro cerebro y su capacidad de computación ( si me permitís esa burda comparación)?. Igual que la vida no es un conjunto de células agrupadas en órganos, la «emulación» de las capacidades del cerebro no es una cuestión de agrupar un alto número de transistores y sus impulsos eléctricos. Todos recordamos las explicaciones de cómo las neuronas transportan la información a través de impulsos eléctricos. En su análisis de la fisiología del cerebro, Penrose, ni siquiera al final de su libro pudo llegar a explicar completamente como era posible que las señales nerviosas pudiesen transmitirse mediante impulsos eléctricos de forma coherente por el cerebro. Algo no le cuadraba o le faltaba en su teoría. Pero parece que, a un lector de su libro, el anestesiólogo Stuart Hameroff, fue al único que le cuadró. «Creo que te has olvidado de algo, ¿ no sabes lo que son los microtúbulos?» le dijo a Penrose. «Es lo que te falta para que funcione tu teoría». Los microtúbulos podrían ser la respuesta a la búsqueda de Penrose sobre una fuente no computable en la consciencia humana, desde un punto de vista fisiológico.

¿Pero qué demonios son los microtúbulos? Que me perdonen los biólogos moleculares, pero parece ser que son unas estructuras moleculares de forma tubular que encontramos en las diferentes células de nuestro cuerpo, desde los glóbulos rojos hasta las neuronas. Estas estructuras que «habitan» las interconexiones de nuestras células grises, tienen la propiedad de conservar de una manera muy efectiva su estado (estado de tipo cuántico, pero esto lo dejamos para otro post) y permiten que de alguna forma volvamos a ser los mismos que éramos tras una pérdida de consciencia, por ejemplo, después de una anestesia. Podríamos decir que estos microtúbulos son la unidad almacenamiento (cuántico) básico de nuestro cerebro. Algunos científicos los llaman «el cerebro de la neurona«.

Otra de las razones para poder aspirar a emular el cerebro ha sido poder replicar el número de conexiones que existen entre nuestras neuronas. Es un número bastante grande en realidad. Se estima que cada neurona posee un promedio de 1.000 conexiones. Con 86.000 millones de neuronas esto nos daría unos 86 billones de conexiones. Aunque los números dan vértigo, para algunos expertos parecen conseguibles con la capacidad de cálculo actual en operaciones por segundo (FLOP) de los procesadores. Volviendo al M1 de Apple, este procesador declara ser capaz de efectuar 2.6 TFLOP, 2.6 billones de operaciones por segundo (10 elevado a la 12 ceros). Otra vez, un número aparentemente «cercano» a nuestras conexiones si juntamos un montón de chips trabajando a la vez. Pero parece que la consciencia es algo más que conexiones ¿no?

Si nos centramos únicamente en la cuestión cuantitativa y volvemos a los microtúbulos que habitan nuestras neuronas, ¿cuántos de ellos podemos tener? La neurobiología dice que algo más de 1.000 microtúbulos por cada una de nuestras 86 mil millones de neuronas, o sea, 86.000.000.000.0000 microtúbulos (86 billones, similar a las conexiones neuronales) que «almacenan la información cuántica» en la que algunos científicos afirman, reside nuestra consciencia. Podríamos decir en realidad que nuestro cerebro es un ordenador cuántico, ¿no os parece?. Vaya, siento caer de nuevo en una analogía computacional. Volvamos de nuevo a la tecnología para finalizar este post. IBM, promete un ordenador cuántico de 1.000 qubits para 2023. Bastante inferior a los 86 billones de microtúbulos de nuestra cabecita. En mi humilde opinión, y comparando solo aspectos cuantitativos de capacidades de computación actuales y futuras, la denominada singularidad tecnológica informática actual e inteligencia artificial se encuentra aún muy lejos o parece casi inalcanzable. No sé vosotros, pero yo todavía veo un poco lejos la singularidad tecnológica, ¿no os parece?


1 Capacidad del ser humano de reconocer la realidad circundante y de relacionarse con ella

Industria 5.0: ¿en serio?

Industria 5.0: ¿en serio?

Parece mentira, pero ya han pasado 5 años desde que en CARTIF inauguramos nuestro blog con el post sobre la Industria 4.0 en el que analicé algunas de las claves de la llamada “cuarta revolución industrial” y como podría afectar a la industria de nuestro país. Siempre me ha parecido arriesgado tratar de definir esta revolución desde dentro. Supongo que el tiempo y la perspectiva histórica nos dejara más claro si de verdad ha sido una revolución o simplemente un mantra tecnológico. Abróchense los cinturones porque, si aún no hemos asimilado esta revolución, ahora nos “amenazan” con la siguiente, Industria 5.0 la llaman. Original, ¿verdad?

Si la cuarta prometía interconectar los medios productivos de toda la cadena de valor para hacer una transición a la industria inteligente o Smart Industry (todo tiene que ser Smart como cuando hace muchos años cualquier electrodoméstico que se preciase necesitaba llevar “fuzzy logic”), la quinta revolución industrial, trata de humanizar el concepto más allá de solo producir bienes y servicios con fines de lucro económicos. El reto de esta revolución pretende incluir en su propósito consideraciones sociales y ambientales. Las palabras clave de esta revolución, según la definición de la Comisión Europea, deben ser: enfoque centrado en el ser humano, sostenibilidad y resiliencia.

Al desarrollar tecnologías innovadoras con un enfoque centrado en el ser humano, la Industria 5.0 puede apoyar y empoderar a los trabajadores, en lugar de reemplazarlos; asimismo, otros enfoques complementan esta visión desde el punto de vista del consumidor de tal forma que pueda tener acceso a productos lo más personalizados posibles o adaptados a sus posibilidades, de tal forma que conceptos como alimentación personalizada o ropa hecha a medida se apliquen virtualmente a cualquier producto de consumo.

La sostenibilidad en el desarrollo de la industria necesita compatibilizar los objetivos de progreso económico y ambiental. Para conseguir los objetivos ambientales comunes es necesario incorporar nuevas tecnologías e integrar las existentes repensando los procesos de fabricación introduciendo los impactos ambientales en su diseño y operación. La industria debe ser un ejemplo en la transición verde.

La resiliencia de la industria implica desarrollar un mayor grado de robustez en su producción, preparándola contra interrupciones y asegurando que pueda responder en tiempos de crisis como la pandemia de la COVID-19. El enfoque actual de producción globalizada ha demostrado una gran fragilidad durante la pandemia que nos asola. Las cadenas de suministro deben ser también suficientemente resilientes, con capacidad de producción adaptable y flexible, especialmente en aquellos aspectos productos que satisfacen necesidades humanas básicas, como la atención médica o la seguridad.

Al igual que la cuarta necesitaba de unos habilitadores digitales, esta nueva revolución necesita aspectos tecnológicos que la ayuden a materializarse. Desde un punto de vista práctico podemos decir que los habilitadores que revisamos hace un tiempo son de plena actualidad para la Industria 5.0. Podríamos incluir algunos adicionales como la computación cuántica o el block-chain, incipientes hace 4 o 5 años. Si los habilitadores son similares, ¿por qué estamos hablando de una nueva revolución? Es cuestión de prioridades. Si en la cuarta se habla de una hiper-conectividad de procesos al mundo digital a través de sistemas ciberfísicos o el IoT, en la quinta se busca una cooperación entre el humano y la tecnología digital, ya sea en forma de robots industriales colaborativos, robots sociales o sistemas de inteligencia artificial que complementen o ayuden en cualquier tarea relacionada con la producción, desde instalar una puerta en un coche o decidir cómo organizar el siguiente turno de trabajo para cumplir con el objetivo de productividad de la planta de fabricación.

Tecnología IoT para mejorar la eficiencia de las empresas industriales

Tecnología IoT para mejorar la eficiencia de las empresas industriales

Con la promesa de 75 mil millones de dispositivos conectados a Internet por todo el mundo en 2025, el ‘internet de las cosas’ (IoT) abre las puertas a un futuro de oportunidades para que las empresas optimicen sus procesos, ya sea en la forma de fabricar sus productos, supervisando su calidad o vigilando las máquinas críticas en las fábricas: hornos, líneas de fabricación o almacenes refrigerados.

En nuestro día a día como consumidores, nos podemos encontrar multitud de ofertas tecnológicas en dispositivos IoT que integramos en nuestras vidas de una forma rápida y, en ocasiones, impulsiva, ya sea por modas o beneficios reales. Sin embargo, la incorporación de estas tecnologías en las empresas no se realiza de una forma tan impulsiva, pues conlleva un estudio cuidadoso de factibilidad y rentabilidad, en muchas ocasiones complejo de demostrar, como sucede habitualmente con las tecnologías nuevas.

A estos factores, se une la flexibilidad del IoT para integrarse en las infraestructuras IT de las fábricas. La ‘i’ de IoT significa “internet”, lo que parece que lleva asociado automáticamente una conexión directa a Internet de “cosas” en las fábricas, y esto genera pánico por posibles amenazas de ciberseguridad para casi cualquier empresa. Para luchar contra estas barreras, la información y la formación son aspectos clave.

En este marco, se desarrolla el proyecto de cooperación transfronteriza España-Portugal IOTEC, que tiene como objetivo crear una red de colaboración de diferentes actores (investigadores, organismos públicos, proveedores de soluciones TIC y empresas industriales) de ambos países que facilite la creación e integración del IoT en las empresas. Los participantes en IOTEC hemos analizado diferentes empresas industriales y TIC para buscar carencias y fortalezas y poder así relacionar la oferta y la demanda de IoT. Desde CARTIF, coordinamos las actividades alrededor de las empresas industriales con el objetivo de conocer sus necesidades de IoT a través de un análisis detallado de sus procesos organizativos y productivos que incluyen la gestión, el diseño del producto, su proceso de fabricación y la logística.

Este análisis detallado incluyó la realización de una serie de auditorías tecnológicas a diferentes empresas agroindustriales, analizando el potencial de aplicación de IoT en diferentes partes de su proceso productivo. Se evaluaron 40 parámetros organizativos diferentes según la metodología definida dentro del proyecto IOTEC. Por ejemplo, en el apartado de los procesos de fabricación, se analizaron minuciosamente cuatro aspectos de gran relevancia:

  • El tipo de proceso o transformación productiva, que queda definido fundamentalmente por aspectos como las materias primas usadas o los pasos de fabricación.
  • Los requerimientos de trazabilidad de las materias primas, los productos intermedios y productos finales. Esta trazabilidad tiene especial relevancia en las empresas agroalimentarias.
  • El control del proceso de producción que se desencadena por diferentes mecanismos según la empresa: ordenes de producción, bajo demanda, disponibilidad de materias primas (e.g. vendimia).
  • La necesidad de captura de datos en planta como primera fase de digitalización completa de un proceso productivo.

Una vez analizados todos los parámetros, se realizó una clasificación exhaustiva de diferentes tecnologías IoT que podrían ser de aplicación en la industria y tener un impacto directo en la mejora de la eficiencia. A continuación, pueden verse dichas tecnologías:

Todas las tecnologías identificadas fueron priorizadas por los asistentes al «Foro de oportunidades de negocio a través de IoT y Blockchain» que tuvo lugar el pasado 14 de noviembre de 2018 en Valladolid. Los asistentes al evento tuvieron la oportunidad de reflexionar y votar sobre este conjunto de tecnologías para valorar su necesidad y la importancia de su difusión por parte del proyecto IOTEC. Una vez establecidas estas prioridades, ahora es necesario darlas a conocer para que los proveedores de soluciones IoT puedan adecuar sus ofertas a necesidades reales.

Asimismo, se trabaja en actividades de difusión y formación para acercar las tecnologías IoT y ejemplos concretos de su aplicación al conjunto de empresas industriales de las regiones de Castilla y León y Centro de Portugal participantes en la red IOTEC. Cualquier empresa proveedora o demandante de tecnologías IoT puede participar en el foro del proyecto y beneficiarse de forma directa a través de oportunidades de colaboración y formación en este apasionante conjunto de soluciones tecnológicas como es el IoT.

Nuevos desafíos en fabricación inteligente

Nuevos desafíos en fabricación inteligente

El Big Data como uno de los llamados “habilitadores digitales” de la Industria 4.0 es, sin duda, una de las tecnologías más prometedoras para contribuir a la revolución en las fábricas, lugares donde grandes cantidades de datos esconden una enorme cantidad de conocimiento y posibles mejoras para los procesos de fabricación.

La Agenda Estratégica de Investigación e Innovación (SRIA) de la Big Data Value Association (BDVA) define los objetivos generales, las principales prioridades técnicas y no técnicas y una hoja de ruta de investigación e innovación para la Asociación Público-Privada Europea (PPP) sobre Big Data. Dentro de las expectativas actuales del futuro Mercado de Datos en Europa (alrededor de 60 B€), la fabricación estuvo en primer lugar en 2016 (12,8 B€) y en las proyecciones para 2020 (17,3 B €).

La BDVA adoptó la definición del concepto «industria manufacturera inteligente» (SMI, del inglés Smart Manufacturing Industry), que incluye toda la cadena de valor alrededor de la producción de bienes. Identificó, además, tres grandes escenarios para representar las diferentes características de una SMI en Europa: Fábrica inteligente,  Cadena de suministro inteligente y Ciclo de vida del producto inteligente.

Dada la relevancia tanto del mercado de datos como de la industria manufacturera en Europa y de acuerdo con la iniciativa europea de Digitalización de la industria, CARTIF, junto con el resto de expertos de la asociación BDVA, se involucró en un esfuerzo colectivo para definir un documento de futuros retos de investigación para la industria manufacturera en el contexto de Big Data.

Para contextualizar estos desafíos de investigación, la asociación BDVA ha definido cinco áreas técnicas para investigación e innovación dentro de la comunidad BDVA:

  • Gestión de datos y ciclo de vida, motivado por la explosión de datos, donde los medios tradicionales de almacenamiento y gestión de datos ya no son capaces de hacer frente al tamaño y la velocidad de los datos generados.
  • Arquitecturas de procesamiento de datos, originadas por el rápido desarrollo y adopción de la internet de las cosas (IoT) y la necesidad de procesar cantidades inmensas de flujos de datos de sensores.
  • Análisis de datos, que tiene como objetivo el progreso de las tecnologías y el desarrollo de capacidades para convertir el Big Data en valor, pero también para que esos enfoques sean accesibles al público en general.
  • Protección de datos, que aborda la necesidad de garantizar el uso correcto de la información a la vez que garantiza la privacidad del usuario. Incluye tecnologías avanzadas de protección de datos, privacidad y anonimización.
  • Visualización de datos e interacción con el usuario, que abordan la necesidad de medios avanzados de visualización y de interacción con el usuario capaces de manejar continuamente la complejidad y el tamaño de los datos crecientes y ayudar al usuario a explorar y comprender el Big Data de manera efectiva.

A lo largo de 2016 y 2017, los expertos de la BDVA destilaron una serie de desafíos de investigación para los tres grandes escenarios de fabricación inteligente comentados anteriormente. Estos desafíos se mapearon en las cinco áreas de prioridad técnica del modelo de referencia de Big Data previamente comentadas.

Para ejemplificar los resultados de este mapeo, la siguiente figura reúne los títulos del conjunto de desafíos identificados y discutidos por los miembros de la BDVA para el Escenario Smart Factory. Se anima a los lectores interesados a analizar el conjunto completo de desafíos en el documento de orientación SMI.

Los desafíos establecidos inicialmente en esta primera versión del documento de orientación de SMI marcarán el tono para las próximas necesidades de investigación en diferentes áreas de Big Data relacionadas con la fabricación.

En el escenario Smart Factory, la atención se centra en la integración de múltiples fuentes de datos que provienen no solo del taller, sino también de las oficinas, tradicionalmente separadas en la Industria 3.0. La interoperabilidad de los sistemas de información existentes y el desafío de integrar tecnologías disruptivas de la IoT son pruebas importantes en el área de gestión de datos. Más cerca de las necesidades de una fábrica inteligente, los desafíos en analítica de datos se centran en el análisis prescriptivo como herramientas para un proceso de toma de decisiones óptimo en la gestión de operaciones de fabricación, incluida la optimización a través del nuevo concepto de gemelo digital.