Inteligencia Artificial
Industrial (Edge AI)

La inteligencia artificial industrial es el uso de modelos de aprendizaje automático sobre los datos que ya produce una planta (PLC, sensores, cámaras y sistemas) para detectar, contar, predecir y explicar lo que pasa en producción, con la latencia y la seguridad que exige un proceso físico. A diferencia de la IA de consumo, no responde preguntas generales: responde preguntas de planta. ¿Cuántas unidades salieron de la línea 3 este turno? ¿Este motor va a fallar antes del fin de semana? ¿Por qué bajó el OEE el martes?

Tres rasgos la distinguen de cualquier otra IA. Trabaja con datos de proceso en tiempo real, no con texto de internet. Se ejecuta donde están las máquinas, en el borde o en un servidor de la planta, porque una decisión que tarda medio segundo llega tarde. Y tiene que integrarse con lo que ya existe (SCADA, MES, ERP) sin reemplazarlo. En Chile, donde la mayoría de las plantas son medianas y operan equipos de distintas generaciones, ese tercer punto suele decidir si un proyecto funciona o se queda en piloto.

El problema de una planta no es falta de datos. Es que los datos viven en cinco pilares que no se hablan entre sí:

• Máquinas. PLC, sensores y cámaras generan señales todo el turno, pero hablan protocolos que la gerencia no lee: Modbus, OPC-UA, Profinet, LoRa.
• Sistemas. SCADA, MES y ERP conocen cada uno su parte y ninguno el todo. Entre uno y otro se anota a mano.
• Personas. Lo que la máquina no registra: el turno, la planilla, el WhatsApp. Sin evidencia, y se pierde al cambiar el turno.
• Gerencia. Informes y decisiones que llegan al cierre del mes, no con el turno de hoy.
• Conocimiento. El criterio del dueño o del jefe de planta para decidir, que nunca se escribe. En Chile el 88 % de las empresas las administra su dueño.

Lo que falta entre los cinco es el contexto: qué pasó, dónde, cuándo y con qué evidencia. Un modelo que solo ve uno de los pilares produce alertas que nadie puede explicar, y una alerta que nadie explica termina silenciada. Por eso la IA industrial útil empieza por conectar los pilares y solo después por entrenar modelos. Esa es la idea detrás del Segundo Cerebro industrial: una memoria de la planta que personas y agentes consultan con evidencia.

• Mantenimiento predictivo. Vibración, corriente, temperatura y sonido de motores, reductores y bombas. El modelo aprende la firma normal de cada equipo y avisa cuando se desvía, con días de anticipación en vez de minutos. Ver mantenimiento predictivo, la guía de mantenimiento predictivo con IoT, el análisis de vibraciones y la IA acústica.
• Visión artificial para calidad y conteo. Cámaras IP comunes, muchas veces las de seguridad que ya están instaladas, procesadas en la planta con redes como YOLOv8: detección de defectos, YOLOv8 en la industria y conteo automático.
• OEE y producción. Conteo por sensor y por receta, paradas por máquina, tiempos muertos explicados. Ver OEE y producción, la guía de software MES y la calculadora de costo de tiempo muerto.
• Energía. Consumo por lote o por unidad producida y anomalías eléctricas que anticipan fallas mecánicas. Ver gestión de energía.
• Seguridad de las personas. Visión local para zonas de exclusión, cuerdas de vida y uso de EPP, sin que las imágenes salgan de la planta.
• Conocimiento y agentes. Manuales, bitácoras y minutas consultables en lenguaje natural con evidencia (RAG), y agentes que explican una desviación en vez de solo alertarla. Ver qué es RAG, IA agéntica en manufactura e IA física.

Cuatro clientes con suscripción mensual operando. En ninguno hubo que reemplazar equipos: la plataforma trabaja sobre cámaras, sensores y máquinas ya instaladas, o con sensores de conteo simples.

• Grupo PROA, avícola. Conteo de huevos por visión con 19 cámaras de seguridad existentes en cuatro planteles, un PC industrial con GPU por plantel e integración en tiempo real con SAP S/4HANA. Reemplazó el conteo manual, con precisión medida contra ese conteo del 99 %, y lleva dos años operando.
• RGM Mallas de Alambre, metalmecánica. Seis sensores de conteo en las máquinas de mallas con recetas por producto. Producción por máquina y por receta consultable por los supervisores sin ingreso manual, integrada al ERP. En producción desde abril de 2024.
• Intercos, cosmética. MES sobre líneas de envasado con sensores de conteo: unidades por turno, paradas por máquina y exportación a Excel.
• Ditzler, alimentos. Monitoreo de temperatura calibrado en producción de alimentos.

El detalle de cada caso está en casos reales.

No toda la IA industrial tiene que correr en el borde. La regla práctica se decide por latencia y por dato:

• Borde (Edge). Cuando la decisión alimenta el proceso o una cámara de alta velocidad: inferencia inferior a 5 ms y funcionamiento sin internet.
• On-premise. Un servidor en la planta para consolidar líneas, correr el módulo de producción (OEE) y el Segundo Cerebro. Los datos no salen del sitio.
• Nube. Reportes corporativos, comparación entre plantas y modelos que se reentrenan con meses de historia.

Lo decide el cliente, no el proveedor: la misma plataforma corre en los tres. La política que más se repite en Chile es datos de proceso dentro de la planta y solo indicadores agregados hacia afuera. Eso simplifica la conversación con TI: sin puertos abiertos hacia internet, con IEC 62443 como marco y la Ley 21.719 de datos personales cubierta para las cámaras. Más en edge computing en la industria.

1. Semanas 1 y 2. Elegir una línea y una pregunta: un conteo, una parada recurrente, una falla que se repite. Inventario de lo que ya existe: cámaras, PLC, sensores, sistemas.
2. Semanas 3 a 6. Conectar por Modbus, OPC-UA o MQTT, instalar el equipo en el borde y capturar datos. El modelo se ajusta con datos de esa línea, no con datos genéricos.
3. Semanas 7 a 10. Operar en paralelo con el conteo o el registro manual y medir la diferencia cada día.
4. Semanas 11 y 12. Cierre con cifras: precisión contra el registro manual, horas liberadas, paradas explicadas. Decisión de extender a otras líneas.

El criterio de éxito se escribe antes de empezar. Si al final no hay una cifra medida contra el proceso real, no hubo piloto. Cómo se contrata y qué recibe la gerencia está en IA industrial para gerencia.

• Empezar por el modelo y no por el dato. Sin un conteo confiable no hay predicción que valga.
• Reemplazar equipos que funcionan en vez de conectarlos.
• Mandar todo a la nube y descubrir después la latencia y la factura de ancho de banda.
• Alertas sin contexto. Un modelo que dice «anomalía» sin decir dónde, cuándo ni con qué evidencia termina silenciado en dos semanas.
• Medir el piloto con la métrica del proveedor y no con la del proceso.