Dos equipos de estudiantes de la Facultad de Ciencias Informáticas y de la Información de la Universidad de Egipto para la Informática desarrollaron dos aplicaciones dirigidas a abordar dos problemas prácticos del sector manufacturero: mejorar la eficiencia de la producción y de las máquinas, y detectar los riesgos de retraso en el suministro de materias primas. El desarrollo de los dos proyectos se realizó en colaboración con expertos de Alemania, España y los Países Bajos, y ambos fueron sometidos a una sesión de evaluación a través de Zoom en la que participaron los supervisores y los expertos.
Según la universidad, las dos aplicaciones fueron diseñadas en respuesta a las necesidades de instituciones vinculadas a las industrias inteligentes y a la quinta revolución industrial, aprovechando el proyecto de redes de fabricación inteligentes, flexibles y renovables, financiado por el programa Horizon Europe. El comité de evaluación externa estuvo presidido por el profesor alemán Bernd Kramer, y contó con la participación del profesor Mike Papa Zoglou, la doctora María Ramírez Gutiérrez y el señor Fernando Gigante, de la institución española AIDIMME.
De los datos de los sensores a las decisiones de mantenimiento
La primera aplicación se denomina «Optimizador de la eficiencia de la producción y de las máquinas basado en un modelo de conocimiento». Su objetivo es abordar un problema común en las plataformas de fabricación modernas: que los sistemas permanezcan en un modo reactivo y solo afronten las averías de las máquinas o los cuellos de botella de la producción después de que ocurran.
La aplicación se basa en una plataforma híbrida de apoyo a la toma de decisiones que combina modelos de aprendizaje automático, entre ellos Isolation Forest y XGBoost, con el razonamiento ontológico mediante el lenguaje OWL. El sistema vincula los flujos de datos de los sensores con una jerarquía de activos de la fábrica y, posteriormente, utiliza reglas SWRL para rastrear las relaciones causales entre el deterioro de los componentes, los cuellos de botella del sistema y las pérdidas de eficiencia productiva.
La plataforma incluye un módulo explicativo basado en modelos lingüísticos grandes para convertir los casos semánticos complejos en recomendaciones de mantenimiento en un lenguaje más sencillo. El proyecto también incorpora una capa de ampliación de la base de conocimiento que gestiona seis agentes de inteligencia artificial competitivos, cuya misión es detectar nuevos patrones de comportamiento y proponer reglas SWRL que los ingenieros revisan antes de aprobarlas. La universidad señala que el diseño está destinado a operar la plataforma en un entorno fabril mediante un contenedor de ejecución y con baja latencia.
Un gemelo digital para los riesgos de las materias primas
La segunda aplicación, «Gemelo digital semántico para detectar y abordar los riesgos del suministro de materias primas», se centra en la falta de visibilidad inmediata en la logística de fabricación y en la dificultad de gestionar las condiciones no estructuradas de los acuerdos de nivel de servicio. El sistema pretende detectar por adelantado los retrasos en las entregas y activar proveedores alternativos cuando sea necesario.
La aplicación combina el aprendizaje automático para predecir las probabilidades de retraso, los modelos lingüísticos grandes para convertir los textos de los contratos en «triples ontológicos» estructurados y un razonador ontológico para apoyar la ejecución de las decisiones. Mediante un grafo de conocimiento que vincula los datos y las dependencias, el marco intenta trasladar la gestión del suministro de la respuesta posterior al retraso a la intervención proactiva, proporcionando al mismo tiempo una fuente unificada de información relacionada con la disponibilidad del inventario.
¿Por qué es importante este avance?
La importancia de los dos proyectos reside en la combinación de tecnologías de inteligencia artificial y métodos de representación del conocimiento dentro de dos escenarios industriales específicos, en lugar de limitarse a presentar de forma general las capacidades de la inteligencia artificial. En la práctica, el primer proyecto se centra en hacer que los datos de los sensores sean interpretables y útiles para la toma de decisiones, mientras que el segundo se enfoca en transformar los datos dispersos de los contratos y de las cadenas de suministro en un modelo que pueda utilizarse para predecir e intervenir.
Sin embargo, el material no presenta resultados operativos cuantitativos, como una reducción de las averías o una mejora del tiempo de suministro, ni aclara si las dos aplicaciones han entrado en la fase de uso comercial o de pruebas de campo. Por ello, el impacto industrial anunciado sigue vinculado a la etapa de desarrollo y evaluación, y no a resultados de rendimiento demostrados en fábricas en funcionamiento.
El equipo de la primera aplicación estuvo integrado por Abdel Karim Ahmed, Seif Wafik, Mohamed Hussein, Renad Sameh y Malak Montaser, bajo la supervisión de la doctora Sherine El-Fayoumi. El equipo de la segunda aplicación estuvo integrado por Matthew Wael, Youssef Fares, Youssef Osama y Mark Tadros, bajo la misma supervisión.