Desbloqueando la promesa de la IA en la industria

En 2018, exploramos la oportunidad de USD 1 billón para la inteligencia artificial (IA) en la industria. 1Michael Chui, Nicolaus Henke y Mehdi Miremadi, "La mayoría de los usos comerciales de la IA estarán en dos áreas", McKinsey, 7 de marzo de 2019. A medida que las empresas se recuperan de Después de la pandemia, la investigación muestra que el talento, la resiliencia, la habilitación tecnológica en todas las áreas y el crecimiento orgánico son sus principales prioridades.2¿Qué es lo más importante? Cinco prioridades para los directores ejecutivos en la próxima normalidad, McKinsey, septiembre de 2021.

Este artículo es un esfuerzo de colaboración de Kimberly Borden, Mark Huntington, Mithun Kamat, Alex Singla, Joris Wijpkema y Bill Wiseman, que representa los puntos de vista de las Prácticas de Industrias Avanzadas de McKinsey.

A pesar de esta oportunidad, muchos ejecutivos siguen sin estar seguros de dónde aplicar las soluciones de IA para capturar el impacto real en los resultados finales. El resultado ha sido tasas de adopción lentas, con muchas empresas adoptando un enfoque de esperar y ver en lugar de sumergirse.

En lugar de contemplar interminablemente las posibles aplicaciones, los ejecutivos deben establecer una dirección general y una hoja de ruta y luego limitar su enfoque a las áreas en las que la IA puede resolver problemas comerciales específicos y crear un valor tangible. Como primer paso, los líderes industriales podrían obtener una mejor comprensión de la tecnología de IA y cómo se puede utilizar para resolver problemas comerciales específicos. Entonces estarán mejor posicionados para comenzar a experimentar con nuevas aplicaciones.

El término "inteligencia artificial" está sufriendo un uso excesivo severo. Casi se ha convertido en una abreviatura para cualquier aplicación de tecnología de punta, oscureciendo su verdadera definición y propósito. Por lo tanto, es útil definir claramente la IA y sus usos para las empresas industriales.

En resumen, la IA es la capacidad de una máquina para realizar funciones cognitivas típicamente asociadas con la mente humana, como percibir, razonar, aprender, interactuar con el entorno y resolver problemas. Los ejemplos de tecnologías de IA incluyen robótica, vehículos autónomos, visión por computadora, lenguaje, agentes virtuales y aprendizaje automático.

Un área en la que la IA crea valor para la industria es el aumento de las capacidades de los trabajadores del conocimiento, específicamente los ingenieros. En esencia, tales aplicaciones aprovechan las capacidades predictivas de la IA. Las empresas están aprendiendo a reformular los problemas comerciales tradicionales en problemas en los que la IA puede usar algoritmos de aprendizaje automático para procesar datos y experiencias, detectar patrones y hacer recomendaciones.

Las empresas primero deben definir un problema comercial existente antes de explorar cómo la IA puede resolverlo. Si no se realiza este ejercicio, las organizaciones incorporarán la última solución de IA de "objeto brillante".

Los siguientes ejemplos demuestran el valor de la IA para aumentar el conocimiento de los trabajadores y optimizar los flujos de trabajo.

Algunos de los desafíos más difíciles para las empresas industriales son la programación de líneas de fabricación complejas, la maximización del rendimiento y la minimización de los costos de cambio, y la garantía de la entrega a tiempo de los productos a los clientes. AI puede ayudar a través de su capacidad para considerar una multitud de variables a la vez para identificar la solución óptima. Por ejemplo, en una planta de fabricación de metales, un agente de programación de IA pudo reducir las pérdidas de rendimiento entre un 20 y un 40 % y, al mismo tiempo, mejorar significativamente las entregas a tiempo para los clientes.

Los enfoques de optimización tradicionales colapsan en un intento de gestionar la incertidumbre y la fluctuación significativas en la oferta o la demanda. Este problema se ha vuelto particularmente relevante debido a todos los problemas de la cadena de suministro durante el último año. Mediante el uso de agentes de programación basados ​​en el aprendizaje por refuerzo,3 el aprendizaje por refuerzo es un tipo de aprendizaje automático en el que un algoritmo aprende a realizar una tarea tratando de maximizar las recompensas que recibe por sus acciones. Para obtener más información, consulte Jacomo Corbo, Oliver Fleming y Nicolas Hohn, "Es hora de que las empresas tracen un curso para el aprendizaje reforzado", McKinsey, 1 de abril de 2021. Las empresas pueden traducir este problema en una pregunta: "¿Qué orden es más probable que ¿maximizar el beneficio?", lo que produce una recomendación clara.

Para resolver este problema, las empresas primero deben crear un entorno en el que el agente de programación de IA pueda aprender a hacer buenas predicciones (Anexo 1). En esta situación, confiar en datos históricos (como lo hace el aprendizaje automático típico) simplemente no es lo suficientemente bueno porque el agente no podrá anticipar problemas futuros (como interrupciones en la cadena de suministro).

En cambio, las organizaciones pueden comenzar creando una simulación o "gemelo digital" de la línea de fabricación y el libro de pedidos. Un agente de programación puede programar la línea. El desempeño del agente se califica en función del costo, el rendimiento y la entrega a tiempo de los productos. A continuación, el agente "juega el juego de programación" millones de veces con diferentes tipos de escenarios. Así como el agente AlphaGo de Deep Mind mejoró al jugar solo, el agente utiliza el aprendizaje de refuerzo profundo para mejorar la programación. con los programadores humanos para optimizar la producción.

Muchas empresas industriales se enfrentan al problema común de identificar los datos más relevantes cuando se enfrentan a un desafío específico. La IA puede acelerar este proceso al ingerir grandes volúmenes de datos y encontrar rápidamente la información que probablemente sea más útil para los ingenieros al momento de resolver problemas. Por ejemplo, las empresas pueden utilizar la IA para reducir la engorrosa revisión de datos de media hora a unos pocos segundos, desbloqueando así del 10 al 20 por ciento de la productividad en equipos de ingeniería altamente calificados. Además, la IA también puede descubrir relaciones en los datos previamente desconocidas para el ingeniero.

Después de décadas de recopilar información, las empresas a menudo tienen muchos datos pero poca información, lo que hace que sea casi imposible navegar por los millones de registros de datos estructurados y no estructurados para encontrar información relevante. Este desafío es particularmente importante cuando los ingenieros están solucionando problemas nuevos en sistemas altamente complejos (por ejemplo, aeronaves, naves espaciales y plantas de energía) para encontrar los procedimientos más relevantes, datos de rendimiento de la máquina, historial de operaciones e instancias de problemas relevantes en subsistemas similares. . Los ingenieros a menudo se quedan confiando en su experiencia previa, hablando con otros expertos y buscando entre montones de datos para encontrar información relevante. Para problemas críticos, esta búsqueda del tesoro de alto riesgo es estresante en el mejor de los casos y, a menudo, conduce a resultados subóptimos.

Las empresas pueden enseñar a la IA a navegar documentos técnicos estructurados y no estructurados con mucho texto alimentándola con importantes diccionarios técnicos, tablas de búsqueda y otra información. Luego pueden construir algoritmos para ayudar a AI a comprender las relaciones semánticas entre diferentes textos. A continuación, un gráfico de conocimiento5Un gráfico de conocimiento es una representación visual de una red de entidades del mundo real y su relación entre sí. Para obtener más información, consulte "¿Qué es un gráfico de conocimiento?", IBM, 12 de abril de 2021. puede crear dinámicamente una red de información que represente todas las relaciones semánticas y de otro tipo en los documentos y datos técnicos (Anexo 2). Por ejemplo, usando el gráfico de conocimiento, el agente podría determinar que un sensor que está fallando se mencionó en un procedimiento específico que se usó para resolver un problema en el pasado. Una vez que se crea el gráfico de conocimiento, una interfaz de usuario permite a los ingenieros consultar el gráfico de conocimiento e identificar soluciones para problemas particulares. El sistema se puede configurar para recopilar comentarios de los ingenieros sobre si la información era relevante, lo que permite que la IA aprenda por sí misma y mejore el rendimiento con el tiempo.

Para muchas empresas industriales, el diseño del sistema de sus productos se ha vuelto increíblemente complejo. Las organizaciones pueden usar IA para aumentar la lista de materiales (BoM) de un producto con datos extraídos de su configuración, desarrollo y abastecimiento. Este proceso identifica oportunidades para reutilizar partes históricas, mejorar el trabajo estándar existente y respaldar la definición de preproducción. Con estos conocimientos, las empresas pueden reducir significativamente las horas de ingeniería y pasar a la producción más rápidamente.

Cuando un solo proyecto puede tener millones de piezas y miles de submódulos y subsistemas, puede ser casi imposible para un solo ingeniero tener una vista completa de los sistemas, así como una comprensión del diseño detallado de los componentes individuales, y mucho menos de todos los proyectos. Como resultado, los sistemas se rediseñan con cada nuevo proyecto, pero pasan por alto las oportunidades de reutilizar piezas, lo que eleva los costos y aumenta la complejidad de la cadena de suministro. Además, los ingenieros pueden enfrentarse a una revisión significativa de los proyectos por no comprender completamente las interdependencias en todo el sistema.

Afortunadamente, los enfoques de IA no tienen tales limitaciones. Con suficiente memoria y computación, las soluciones basadas en IA pueden analizar fácilmente millones de piezas y proyectos y miles de millones de relaciones para identificar oportunidades de reutilización y secuenciar procesos para evitar la repetición del trabajo relacionado con las interdependencias. Una representación basada en red del sistema usando BoM puede capturar relaciones complejas y la jerarquía de los sistemas (Anexo 3). Esta información se complementa con datos sobre horas de ingeniería, costos de materiales y calidad, así como con los requisitos del cliente. Con esta construcción de red mejorada, las empresas pueden consultar y hacer predicciones, por ejemplo, qué subsistemas podría afectar un requisito del cliente y los esfuerzos de ingeniería que probablemente causen reelaboración en un proyecto basado en interdependencias.

A medida que los productos han evolucionado, superar los límites del rendimiento se ha convertido en un desafío cada vez mayor. Las empresas industriales que pueden innovar rápidamente y llevar productos de mayor rendimiento al mercado con mayor rapidez tienen muchas más probabilidades de ganar cuota de mercado y ganar en sus segmentos de mercado.

Durante las últimas tres décadas, la ingeniería asistida por computadora (CAE) y la simulación han ayudado, pero los límites en su poder de cómputo les impiden explorar completamente el espacio de diseño y optimizar el rendimiento en problemas complejos. Por ejemplo, los componentes suelen tener más de diez parámetros de diseño, con hasta 100 opciones para cada parámetro. Debido a que una simulación tarda diez horas en ejecutarse, solo se puede explorar un puñado de los billones de diseños potenciales resultantes en una semana. Las empresas que confían en ingenieros experimentados para reducir los diseños más prometedores para probarlos en una serie de experimentos diseñados corren el riesgo de dejar el rendimiento sobre la mesa.

La IA utiliza una red neuronal de aprendizaje profundo para crear un gemelo digital del componente y predecir el rendimiento (Gráfico 4).6 El aprendizaje profundo es una red neuronal de varias capas con una arquitectura especial que puede extraer características cada vez más complejas de los datos en cada capa para determinar la producción. Para obtener más información, consulte "Notas de la frontera de la IA: aplicaciones y valor del aprendizaje profundo", McKinsey Global Institute, 17 de abril de 2018. Las organizaciones también pueden usar optimizadores bayesianos para predecir las áreas más prometedoras del espacio de diseño para explorar.7 La optimización bayesiana busca para determinar el mínimo global para funciones complejas en el menor número de pasos. Para obtener más información, consulte Andre Ye, "La belleza de la optimización bayesiana, explicada en términos simples", Hacia la ciencia de datos, 12 de septiembre de 2020. Pasar de cálculos exactos a un enfoque de resolución de problemas direccional centrado en predicciones acelera exponencialmente la evaluación del diseño. Un motor puede generar millones de diseños potenciales que se evalúan utilizando el gemelo digital de aprendizaje profundo. Luego, un algoritmo genético puede optimizar el sistema para múltiples métricas de rendimiento al mismo tiempo (por ejemplo, en velocidad máxima automotriz y economía de combustible).

Las empresas industriales construyen su reputación en función de la calidad de sus productos, y la innovación es clave para el crecimiento continuo. Las empresas ganadoras pueden comprender rápidamente las causas fundamentales de los diferentes problemas de los productos, resolverlos e integrar esos aprendizajes en el futuro. La IA puede acelerar drásticamente este proceso.

Dado que la complejidad de los productos y las condiciones operativas se ha disparado, los ingenieros luchan por identificar las causas fundamentales y rastrear las soluciones. Como resultado, las empresas dependen en gran medida del reconocimiento de patrones por parte de ingenieros experimentados y pasan mucho tiempo tratando de recrear problemas en entornos de laboratorio en un intento por llegar a la causa raíz.

IA y modelado causal8El modelado causal determina la causa y el efecto dentro de los conjuntos de datos. Para obtener más información, consulte New at McKinsey Blog, "Conozca a CausalNex, nuestra nueva biblioteca de código abierto para el razonamiento causal y el análisis 'qué pasaría si'", McKinsey, 7 de febrero de 2020. Los enfoques pueden reformular esta complejidad en un problema comercial definido: "¿Cuáles son las cinco principales causas raíz más probables de este problema?" Las empresas pueden comenzar por crear un modelo de datos basado en eventos que conecte miles de variables a lo largo del ciclo de vida de desarrollo e historial del producto, incluidas las configuraciones de diseño, los parámetros de fabricación y el historial de mantenimiento y reparación. Luego, un modelo basado en IA puede identificar los principales predictores de incidentes relacionados con un problema específico (Anexo 5). Luego, los enfoques de modelado causal separan las variables que están correlacionadas de aquellas que probablemente sean causales. Una interfaz de usuario permite a los ingenieros consultar y encontrar las causas raíz más probables de nuevos problemas.

La IA aún se encuentra en etapas relativamente tempranas de desarrollo, y está lista para crecer rápidamente e interrumpir los enfoques tradicionales de resolución de problemas en las empresas industriales. Estos casos de uso ayudan a demostrar las aplicaciones concretas de estas soluciones, así como su valor tangible. Al experimentar con aplicaciones de IA ahora, las empresas industriales pueden estar bien posicionadas para generar una enorme cantidad de valor en los próximos años.

Kimberly Bordenes socio de la oficina de McKinsey en Chicago, dondeMarcos Huntingtones socio asociado,Alex Singlaes un socio mayoritario, yJoris Wijpkemaes socio;Mithun Kamat es socio en la oficina de Dallas; yBill Wisemanes socio mayoritario en la oficina de Seattle.

Los autores desean agradecer a Maxime Szybowski por sus contribuciones a este artículo.