En anteriores posts, el mantenimiento predictivo fue mencionado como uno de los principales habilitadores digitales de la Industria 4.0. El mantenimiento, ligado a la revolución industrial, sin embargo, nos ha acompañado en nuestra evolución como seres humanos.
Desde la prehistoria, nuestros antepasados han construido herramientas que sufrían desgaste y que, a veces, se rompían sin previo aviso. La solución era simple: tallar una nueva herramienta. Al crear mecanismos más elaborados (e.g. rueda de madera), la alternativa natural al desecho se convirtió en la reparación a cargo del artesano. Los telares mecánicos de la Primera Revolución Industrial eran aún más complicados de reparar por lo que surgieron oficios específicos que evolucionaron hacia los operarios de mantenimiento actuales. Durante esta evolución, el desgaste y las roturas de piezas sin previo aviso continuaba siendo parte del día a día de las fábricas.
¿Por qué se ha roto de repente este engranaje que ayer funcionaba perfectamente? El cerebro humano puede asimilar conceptos como la linealidad de acontecimientos (estaciones, noche y día, …) o incluso eventos que suceden a intervalos más o menos regulares. Sin embargo, estos imprevistos desquiciaban a los operarios. ¿Cómo podemos asegurarnos de que ese engranaje no vuelva a romperse? La respuesta era biológicamente predecible: “… pararemos la máquina cada 2 días (por ejemplo) y revisaremos el desgaste del engranaje…”
Esta tradición ha derivado en la práctica habitual del mantenimiento que se aplica en la industria y en productos de consumo como, por ejemplo, nuestros automóviles. Nuestro concesionario nos obliga a realizar revisiones periódicas (e.g. cada 10.000 km) para comprobar elementos críticos (frenos, correa de distribución, …) y cambiar piezas con un mayor desgaste (ruedas, filtros …). Esto se denomina mantenimiento preventivo, y se aplica en fábricas u otro tipo de instalaciones (e.g. aerogeneradores) para evitar averías imprevistas. Sin embargo, estas averías no se pueden eliminar (son eso, imprevistas) y es necesaria su reparación. Hablamos de mantenimiento correctivo. El que nadie quiere hacer.
¿Cómo ponerle freno a toda esta catarata de averías inesperadas, gastos de reparación y revisiones innecesarias? Una de las disciplinas en las que más ha trabajado CARTIF desde sus inicios es el mantenimiento predictivo que persigue mitigar (no sería realista asumir que vamos a eliminar lo imprevisto) las averías inesperadas y reducir las revisiones periódicas de las máquinas. De nuevo el mantenimiento predictivo puede explicarse como una respuesta biológica previsible al problema de averías inesperadas. Se basa en la revisión periódica usando señales características del entorno o de la propia máquina que nos puedan indicar de forma anticipada un funcionamiento anómalo. La ventaja de este mantenimiento es que no requiere parar la máquina como en el preventivo. Por ejemplo, un motor eléctrico puede tener un consumo normal cuando funciona correctamente, pero este consumo aumentará si algún elemento del motor sufre algún desgaste excesivo. Vigilando el consumo de forma adecuada podemos entonces detectar averías incipientes.
Siguiendo con el ejemplo del motor eléctrico, ¿cuál debe ser la variación mínima de consumo a tener en cuenta para decidir que debemos parar el motor eléctrico y efectuar una reparación? Como en muchas decisiones de la vida, es necesario aplicar un criterio de coste/beneficio, valorando cuánto podemos perder si no reparamos dicho motor frente a cuánto va a costar la reparación. ¿Cómo reducir la incertidumbre en esta decisión? La respuesta es una predicción fiable de la evolución de la avería. Esta predicción estará influenciada por muchísimos factores, algunos de ellos desconocidos (es algo aleatorio como hemos dicho). Sin embargo, los dos principales a tener en cuenta en la predicción son el tipo de evolución de la avería (e.g. la evolución de la avería en una pieza frágil será muy diferente a una pieza más o menos elástica) y el régimen de trabajo al que se verá sometida la máquina (un ventilador encendido las 24 horas del día, frente al motor de un ascensor que arranca y para cada vez que alguien pulsa el botón en un piso). Una predicción fiable permitirá al responsable de mantenimiento elegir, junto con la previsión de carga productiva de la instalación, la opción más beneficiosa, que en muchos casos suele ser la planificación de la intervención de mantenimiento sin que afecte a la producción.
Otro efecto beneficioso del mantenimiento predictivo es que un tratamiento adecuado de las señales medidas ofrece indicios de qué elemento está fallando. Esto se denomina el diagnóstico de la avería y contribuye a reducir la incertidumbre en la acción de mantenimiento más adecuada. Un ejemplo es la medición de vibraciones que permiten diferenciar una avería de un motor eléctrico que tiene un exceso de vibración por un cortocircuito incipiente o debido a un rodamiento dañado. Pero eso es materia de otro post.
La agricultura y la ganadería son actividades económicas que en algunos lugares de Europa tienen un alto valor social. Además, hay que sumar el peso que tienen en la economía de muchas regiones y la importancia que se les da en las políticas de la Unión Europea. A pesar de esto, los agricultores y ganaderos no tienen fácil conseguir un rendimiento económico similar al que en su entorno social obtienen otras profesiones.
Desde la Ilustración, se han venido produciendo descubrimientos e invenciones que han permitido a la agricultura y a la ganadería mejorar las cosechas, las razas y, en general, el rendimiento de las explotaciones. El siglo XXI ha traído Internet y el Internet de las Cosas. Ni la agricultura ni la ganadería van a dejar de aprovecharse de las tecnologías de El Internet de las Cosas. Trata sobre la comunicación entre las máquinas y se apoya en la computación en la nube y en redes de sensores. Es móvil, virtual y necesita de conexiones a Internet fiables. Permite dotar a las máquinas y a los procesos de percepción del entorno y de la inteligencia necesaria para optimizar su funcionamiento por sí mismos.
La agricultura y ganadería de precisión pueden ser la puerta de entrada del Internet de las Cosas en esta actividad milenaria. Se trata de dotar de sensores a todos los elementos que participan en el proceso, desde el suelo de las parcelas hasta la maquinaria, pasando por las plantas o los animales, para tomar decisiones a partir de los datos que generan, como ya contamos aquí.
Pero, aunque el Internet de las Cosas puede mejorar el rendimiento de las explotaciones, no podemos olvidar que los precios que reciben los agricultores y ganaderos por sus productos los fija el mercado. La Política Agraria Común (PAC) ha ido evolucionando a lo largo de las décadas desde una posición proteccionista (anterior a la entrada de España en la UE), hasta la situación actual, en la que el mercado está prácticamente desregulado y, por lo tanto, las rentas de los agricultores y ganaderos están sujetas a los vaivenes del mercado. Estando así las cosas, una organización de la oferta podría ayudar al sector agropecuario a defender sus intereses. ¿Podría el Internet de las Cosas contribuir a la organización de la oferta de la agricultura?
Imaginemos una región en la que todas las explotaciones tuvieran implantado el Internet de las Cosas para desarrollar sus tareas de manera eficiente. En principio sólo sería un paso más en la tecnificación agropecuaria, y supondría el registro de todos los parámetros que determinan el rendimiento de una explotación y que describen su estado. Imaginemos ahora que todas las explotaciones se comunican entre sí de manera autónoma y comparten toda la información que registran los sensores. Imaginemos, por fin, que esa red de explotaciones por la que fluye toda la información tuviera inteligencia.
Esta inteligencia artificial recibiría, además, información sobre quiénes son y dónde están los posibles compradores, los precios que pagan, el estado de las cosechasen regiones competidoras, las predicciones de mercado y climáticas. Con toda esta información sobre el estado de las explotaciones y del mercado, esta inteligencia artificial gestionaría las explotaciones a las que está conectada, sugiriendo a los agricultores y ganaderos diferentes acciones con el objetivo de maximizar los precios de venta. Por ejemplo, podría llegar a la conclusión de que el precio máximo de cierto producto se obtendrá si se oferta cierto número de toneladas a determinado comprador en determinado día. De entre todas las explotaciones elegiría a aquéllas en las que el producto haya alcanzado el mejor grado de madurez e indicaría a los agricultores el día en el que todos ellos deberían recoger el producto para ofrecérselo conjuntamente al comprador seleccionado.
Un esquema como el propuesto convertiría a las explotaciones en cosas conectadas a Internet con la inteligencia necesaria para optimizar por sí mismas su funcionamiento. Además, facilitaría la mejora de las condiciones de trabajo y de vida en el medio rural por su posible impacto en la renta del sector agropecuario.
Mi primer post sobre Industria 4.0 señalaba la necesidad de disponer de tecnologías claveque posibilitasen la 4ª revolución industrial y que se han dado en llamar “habilitadores digitales”. Cada revolución industrial ha tenido sus habilitadores. La primera fue posible gracias a invenciones como la máquina de vapor o el telar mecánico. La segunda, vino de la mano de avances como la luz eléctrica o las cadenas de montaje de coches. En la tercera, hicieron su aparición tecnologías disruptivas como la robótica, la microelectrónica o las redes de ordenadores.
Y llegamos a la cuarta. Diferentes estrategias de fabricación avanzada como la Industrie 4.0 de Alemania o el Advanced Manufacturing Partnership de EEUU han señalado diferentes habilitadores clave. En España tampoco nos hemos quedado atrás con la iniciativa “Industria Conectada”.
Este post pretende ser una “lista de la compra” con aquellas tecnologías consideradas como más relevantes en esta cuarta revolución. Cada breve descripción está enlazada con información ampliada dentro de nuestro Blog. En próximas entregas, completaremos esta información para tener el abanico completo de tecnologías:
Realidad Virtual Aumentada: se usa para proporcionar información adaptada al contexto al operario (e.g. durante una operación de mantenimiento) y mezclada con su campo de visión.
IoT: conexión a internet de casi cualquier objeto, en este caso, que nos podamos encontrar en una fábrica: una pieza, un motor, una herramienta…
Trazabilidad: busca el seguimiento y registro exhaustivo de operaciones de fabricación (automáticas y manuales) así como de las condiciones en las que se han efectuado (temperatura, velocidad de producción…)
Mantenimiento predictivo: permite realizar mantenimiento de forma optimizada con el fin de evitar paradas inesperadas y costes excesivos por mantenimientos periódicos innecesarios.
Visión artificial: dotar al proceso productivo de información visual de contexto para realizar controles de calidad o servir de ayuda en la propia fabricación (e.g. posicionamiento automático de un robot para tomar una pieza).
Big Data: Generación de conocimiento y valor a partir de datos de la fabricación y otros datos de contexto (e.g. demanda de productos similares o relacionados).
Simulación de procesos productivos: permite contar con un “gemelo digital” del proceso productivo que puede optimizar la producción y ayudar en la toma de decisiones (e.g. cambiar el flujo de trabajo de una línea).
Impresión 3D: se usa para recreación de réplicas tridimensionales de: piezas existentes, repuestos, o prototipos a escala o de tamaño real para su revisión o ensayo.
Cloud Computing: aprovecha los recursos de computación en internet para acometer procesos de almacenamiento y tratamiento de datos de gran volumen (e.g. Big Data) sin necesidad de realizar inversión en infraestructura IT propia.
Ciberseguridad: como conjunto de medidas de seguridad físicas y lógicas que protejan las infraestructuras de distintas amenazas, tanto informáticas como físicas (e.g. sabotaje).
Sistemas Ciber-físicos: cualquier sistema complejo formado por alguna de las tecnologías anteriores que buscan un funcionamiento mejorado, en este caso de la fabricación.
La fortaleza de estos habilitadores digitales no reside en sus características individuales, sino en su capacidad para combinarse. Los ingenieros somos demasiado aficionados al último grito en tecnología y luego encontrar un problema o ámbito para su aplicación. Pero para tener éxito en esta revolución, es necesario dar respuesta a retos concretos dentro de las fábricas, con soluciones innovadoras, y por qué no, combinando varios habilitadores digitales. Por otra parte, esta terminología crea un marco común que facilita el diálogo entre tecnólogos y responsables de fabricación para acometer con éxito proyectos que busquen optmizar la fábrica.
Si pensamos, por ejemplo, en optimizar las operaciones de mantenimiento en una fábrica, el mantenimiento predictivo será una de los primeros habilitadores que nos vendrá a la cabeza. Asimismo, esta solución tecnológica se beneficiará de una conexión a un sistema de Cloud computing donde se analicen los datos provenientes de sensores instalados en diferentes fábricas y que aprovechen la información realizando unos mejores diagnósticos o predicciones del elemento a mantener en cada caso. En este tipo de soluciones cloud, sin embargo, debe garantizarse la seguridad de la información transmitida mediante mecanismos adecuados de ciberseguridad. Estaríamos, por lo tanto, ante una solución tipo Industria 4.0 de Mantenimiento predictivo multi-planta y ciber-seguro.
Este listado, no obstante, no pretende ser cerrado ya que, como hemos comentado, la combinación de diferentes habilitadores da lugar a un amplio abanico de solucionesIndustria 4.0. Además, la evolución tecnológica es continua y cada vez más rápida. En próximos post analizaremos más escenarios donde los habilitadores digitales pueden dar respuesta a retos planteados en la fabricación.
Una red neuronal es un algoritmo que imita el funcionamiento de las neuronas y de las conexiones que hay entre ellas y son entrenadas para que tengan la capacidad de desempeñar una tarea. Se dice que una red neuronal aprende mediante el entrenamiento porque no hay una programación explícita para realizar una tarea, sino que la red se programa sola a partir de ejemplos. Las redes neuronales son el mayor exponente del llamado machine learning o aprendizaje automático.
Las redes neuronales pueden aprender a clasificar y a imitar el comportamiento de sistemas complejos. Si queremos que aprenda a diferenciar entre manzanas y naranjas sólo tenemos que mostrarle unos cuantos ejemplares de ambas frutas y decirle, a la vez, si se trata de una manzana o de una naranja. Una vez entrenada la red neuronal sabrá si está ante una manzana o una naranja. Lo interesante es que lo sabrá aunque las manzanas y naranjas no sean las que se le enseñaron durante el entrenamiento ya que las redes neuronales no memorizan, sino que generalizan. Esa es la clave del aprendizaje de las máquinas.
El interés en las redes neuronales decayó en el cambio de siglo. Por un lado, el mundo empresarial no había visto satisfechas todas sus expectativas y, por otro lado, el mundo académico se centró en algoritmos más prometedores. Sin embargo, algunos investigadores, sobre todo en torno a la Universidad de Montreal, perseveraron en el estudio de las redes neuronales y las hicieron evolucionar hasta lo que llamaron Deep Learning.
El Deep Learning es una serie de algoritmos emparentados con las redes neuronales que tienen la misma finalidad y un rendimiento mayor que otras formas de Machine Learning. La mayor diferencia es la capacidad de abstracción. Volviendo al ejemplo anterior, para clasificar naranjas y manzanas con una red neuronal es necesario extraer características que definan las frutas. Estas características pueden ser el color, la forma, el tamaño, etc. Representar las frutas mediante estas características es una forma de abstracción que debe ser diseñada por la persona que entrene la red neuronal. Pues bien, los algoritmos Deep learning son capaces de realizar una abstracción semejante por sí mismos, sin necesidad de que alguien la diseñe previamente. Por esta razón se dice que el Deep Learningno sólo es capaz de aprender, sino que, además, puede encontrar significado.
El Deep Learning ha aparecido en los medios de comunicación por el interés que han puesto en él grandes empresas y también por la espectacularidad de sus logros tecnológicos. A principios de 2016, los medios dieron noticia de cómo el programa AlphaGo de la empresa Google DeepMind ganó al campeón de goLee Sedol. Esto ha sido un logro técnico sin precedentes, puesto que la estrategia seguida con el ajedrez no puede usarse con el go. Cuando Garry Kasparov perdió al ajedrez en 1996 lo hizo frente a una máquina, la Deep Blue de IBM, programada para calcular todos los posibles movimientos futuros del contrincante. Por el contrario, la máquina de Google DeepMind no está programada para jugar al go, sino que fue enseñada a jugar al go antes de enfrentarse a Lee Sedol. Primero aprendió jugando con el campeón europeo de go y después contra otra versión de sí misma. Partida a partida, la máquina fue mejorando su juego hasta hacerse imbatible.
Grandes empresas como Google o Facebookusan Deep Learning de manera rutinaria en sus productos para reconocer caras y para interpretar el lenguaje natural. También hay empresas pequeñas que ofrecen productos basados en esta tecnología, como Artelnics o Numenta, que pueden aplicarse en muchos procesos industriales. Es de esperar un gran desarrollo de aplicaciones basadas en Deep Learning debido a la necesidad de automatizar el tratamiento inteligente de las enormes cantidades de datos que se generan a diario y, además, porque hay una serie de herramientas open source que ponen estos algoritmos al alcance de todos, como Theano, TensorFlow, H2O u OpenAI Gym .
El éxito de las aplicaciones industriales del Deep Learningdependerá de la disponibilidad de grandes cantidades de datos de calidad, de los recursos de computación disponibles y de su aplicación a problemas apropiados. La detección y clasificación de defectos o averías, el modelado de sistemas para su control y la detección de anomalías podrían ser las primeras aplicaciones prácticas exitosas.
En julio de 2015 nos sorprendimos con la noticia de que un trabajador de la planta de Volkswagen en Baunatal (Alemania) había muerto después de que un robot lo agarrara por el pecho y lo aplastara contra una placa metálica. Se atribuyó el suceso a un “error humano”. El portavoz de Volkswagen apuntó que “el robot no era de los de última generación de máquinas que trabajan codo con codo con los trabajadores en la línea de producción”.
La aplicación de los robots en procesos industriales está muy extendida en el sector industrial (principalmente en automoción) donde realizan multitud de tareas, principalmente secuenciales, repetitivas y a gran velocidad. No son frecuentes los accidentes vinculados con robots. Los pocos que se producen ocurren durante las operaciones de mantenimiento, ajuste, programación… Durante su funcionamiento cotidiano los robots industriales están en jaulas de seguridad, precisamente para prevenir incidentes en el contacto con los humanos.
Sin las medidas de seguridad adecuadas, los robots industriales tradicionales pueden producir gravísimos accidentes por aplastamiento, por atrapamiento (ocurre cuando el brazo, pierna u otra parte del cuerpo de un trabajador queda atrapada entre el robot y otra parte del equipo), por colisión o impacto (cuando el movimiento de un robot se vuelve impredecible y golpea al trabajador) o por proyección de materiales (cuando una parte del robot, de la herramienta o del producto manipulado, se rompe y sale disparada y golpea a un trabajador).
Ha sido obligatorio, por normativa de aplicación en toda la UE, dotar a toda el área de alcance del robot industrial de un perímetro de seguridad suficientemente dimensionado que evite el acceso al robot cuando esté en operación. En caso de ser necesaria la entrada a esta zona, el trabajador debe realizar algún tipo de acción que detenga al robot, facilitando el acceso. Las normas armonizadas ISO 10218-1 e ISO 10218-2: “Requisitos de seguridad para robots industriales” contienen los requisitos mínimos para el funcionamiento seguro de estos robots industriales.
Esta “separación” entre trabajadores y robots en un entorno industrial se va debilitando gracias a los robots colaborativos ya disponibles en el mercado (familia de robots UR de Universal Robots, YuMi de ABB, robot LBR iiwa de KUKA…) y a la nueva norma ISO/TS 15066:2016 “Robots colaborativos” que especifica los requisitos de seguridad para los sistemas de robot industrial colaborativos. La norma describe diferentes conceptos de colaboración y los requisitos necesarios para lograrlos. La ISO señala que la operación de colaboración es un campo en desarrollo y que la nueva especificación técnica probablemente evolucionará en ediciones futuras.
Los robots colaborativos se diseñan para funcionar en un espacio de trabajo compartido con los trabajadores y sin la necesidad de las protecciones convencionales, jaulas de seguridad o barreras de seguridad. La principal premisa en el diseño de estos robots es la seguridad de los trabajadores (primera ley de la robótica de Asimov: “Un robot no hará daño a un ser humano”). Estos robots están diseñados para trabajar codo con codo con los trabajadores.
La cercanía de trabajadores y robots requiere un gran diseño en materia de seguridad, basado en una combinación de diseño mecánico para el manipulador y de medidas de control para supervisar que el robot funciona con seguridad en todo momento en el entorno en el que se coloca. Así, más que hablar de robots colaborativos, en CARTIF hablamos de espacios de colaboración seguros entre trabajadores y robots (espacios colaborativos). No sólo es seguro el robot; también lo son la aplicación y el entorno de trabajo.
Para garantizar la seguridad se pueden utilizar distintas tecnologías y medidas de seguridad. Se pueden diseñar los robots ligeros, sin puntos de cizallamiento o corte, con geometrías redondeadas, superficies lisas y componentes deformables o elásticos. Se puede limitar la velocidad, aceleración y potencia del robot. Para detectar colisiones se pueden integrar sensores de corriente, fuerza, torsión. Se puede ajustar el movimiento en tiempo real del robot con sensores táctiles y de proximidad. Para ser “conscientes del entorno colaborativo” se pueden añadir sistemas visuales basados en tecnologías de visión artificial 2D/3D.
En general, los robots colaborativos son similares a los robots industriales tradicional pero más pequeños y ligeros, menos rápidos y potentes, más económicos y fáciles de instalar y configurar. Estos robots no necesitan ser rápidos ni potentes ya que se diseñan especialmente para interactuar con los trabajadores. Como indican los expertos, en un entorno colaborativo, el trabajador puede aportar habilidad, flexibilidad y, sobre todo capacidad de identificar, entender y resolver problemas, y el robot ofrecer repetibilidad, precisión y aguante. No obstante, la norma ISO/TS 15066:2016 no limita las capacidades del robot en aplicaciones colaborativas.
La realidad aumentada (RA) es una tecnología que poco a poco se está abriendo paso en nuestra vida diaria. A grandes rasgos, consiste en incorporar información digital a la realidad que tenemos ante nuestros ojos por medio de la superposición en tiempo real de esta información sobre la imagen que proporciona nuestro dispositivo, ya sea un smartphone, una tablet o unas smart glasses.
Por tanto, para acceder a esta tecnología no es necesario disponer de dispositivos especiales. Gracias al desarrollo de la tecnología, equipos de los que todo el mundo dispone, como los citados antes, pueden ser el instrumento que permita acceder al mundo de la realidad aumentada. Sí que es cierto que en los últimos años están surgiendo dispositivos como las smart glasses que están adaptados de forma específica a este tipo de aplicaciones y permiten proporcionar una mejor experiencia al usuario al dejarle libertad de movimientos de sus manos.
Es de esperar que, con el desarrollo de nuevas aplicaciones, este tipo de dispositivos vaya entrando en el sector del consumo de forma generalizada, comoya ha ocurrido con otros wearables como los relojes inteligentes o las pulseras de actividad.
Existen muchas aplicaciones de realidad aumentada y son muy variadas. La mayor parte de ellas están orientadas al ocio y al turismo. Hay aplicaciones que, con solo hacer una foto a un monumento o una obra de arte, te pueden proporcionar información acerca del mismo, su historia, o curiosidades como imágenes de su aspecto en el pasado.
Continuamente están surgiendo aplicaciones relacionadas con el ocio, la movilidad, el marketing y la publicidad, que incluyen contenidos adicionales que permiten mejorar e incrementar la experiencia del usuario. Estos contenidos pueden ser de lo más variado, incluyendo textos explicativos, enlaces a documentación auxiliar, vídeos, imágenes, indicaciones para la localización de lugares o eventos, etc.
Igualmente están surgiendo aplicaciones para su utilización en campos profesionales, como la arquitectura, para mostrar diseños y maquetas a escala; marketing y ventas, con catálogos que incluyen códigos QR para visualizar contenidos adicionales; medicina o educación, en las que se presenta innumerables oportunidades para la ampliación de contenidos mediante vídeos, tutoriales o ejemplos, que permitan aprender de forma más amena y didáctica.
Los entornos industriales también están empezando a ser un importante campo de aplicación de la realidad aumentada. La mayoría de los expertos prevé que la implantación a gran escala en el ámbito industrial tendrá lugar en los próximos tres a cinco años como una tecnología cada vez más sólida.
CARTIFparticipa en algunos proyectos que aplican la RA a los trabajos de mantenimiento en la industria. Mediante la utilización de unas smart glasses, los técnicos tienen la posibilidad de desempeñar su trabajo como han hecho siempre, ya que disponen de total libertad para emplear sus manos, y al mismo tiempo pueden acceder, por ejemplo, a las hojas de especificaciones técnicas de un determinado equipo, a los planos de una instalación, o al historial de averías de una máquina. También sería posible guiar al operario de mantenimiento en la realización de una determinada tarea, indicándole los pasos a realizar y chequeando cuándo y cómo los ha realizado. De la misma manera, podrían ser muy útiles en la formación de los operarios noveles para la realización de dichas tareas, o incluso para el seguimiento y evaluación del desempeño de los operarios por parte de sus responsables.
Existen ya ejemplos que muestran cómo estos dispositivos inteligentes están causando un gran impacto en el mundo empresarial.
• El operador logístico DHL aumentó un 25% la eficiencia de recogida en sus almacenes desde que proporcionó gafas de RA a sus trabajadores. La herramienta les señalaba la ruta más rápida hacia los paquetes y también servía como escáner de códigos de barras.
• Airbus, el fabricante de aviones, descubrió que el tiempo que los empleados necesitaban para señalizar y realizar perforaciones concretas en determinadas piezas era seis veces menor y su tasa de error se redujo a cerogracias a las instrucciones precisas que proporcionaban las gafas inteligentes. En este caso, la RA consigue mejorar la calidad del trabajo, y reduce tanto el número de fallos como el entrenamiento necesario para realizar una labor.
El futuro de la RA es ahora y se va a incorporar a nuestra vida diaria a medida que las personas la acepten como un elemento cotidiano. Cuando se popularice, se multiplicarán las aplicaciones que la utilizan, y lo que ahora es algo novedoso al alcance de unos pocos será algo común al alcance de la mayoría.
