¿Ingeniería del conocimiento, reto y salvación para el sector plástico?

El sector de los transformados plásticos está asistiendo a unos momentos muy delicados debido a la tendencia deslocalizadora de la producción de muchos sectores finales, causada por el gran desarrollo tecnológico de los países con bajo coste de mano de obra. La cadena de los transformados plásticos no es el único dramático ejemplo y la deslocalización de los procesos de manufactura tradicional está causando estragos a multitud de sectores industriales. El impacto socio-económico de este fenómeno es el que primero se hace sentir y, obviamente el más mediático. No obstante, la evaporación del know-how que aparece en un segundo plano es un proceso que, si no se pone freno, puede acabar de desolar nuestro panorama industrial.

En muchos sectores manufactureros las empresas (principalmente pymes) han tenido que hacer una gran inversión en conocimiento (desde tecnológico hasta puramente de gestión). Son sectores que se han denominado de conocimiento intensivo y en los que las empresas que los componen son valiosos repositorios de conocimiento. Cada vez que una de estas empresas cierra sus puertas o cede sus actividades troncales a empresas de países en desarrollo, se está perdiendo toda una experiencia acumulada en varias generaciones de profesionales.

Este efecto es tanto más traumático cuanto más tácita es la naturaleza del conocimiento que se pierde, es decir, cuando éste no recae en reglas explicitadas en manuales sino en la experiencia de los profesionales que mediante largas jornadas de aprendizaje y ensayo-error han ido modelando unas valiosísimas buenas-prácticas. Para sobrevivir y seguir creciendo en el sector, las empresas deben apostar por nuevos procesos y metodologías que le permiten ser más competitivos en los tres ejes siguientes: destacar por calidad tecnológica, reducción de los costes tecnológicos, gestión y retención del know-how de la empresa.

Obviamente, los dos primeros puntos no son nuevos, y han sido ampliamente comentados. Sin embargo, resaltamos el tercer punto, gestión de la información, como el menos obvio y que sin embargo puede ser la clave para la mejora de la empresa tanto en su calidad tecnológica como en la optimización de sus costes.

La gestión del know-how se vuelve más compleja por la gran diversidad de información que se ven obligados a almacenar y analizar, razón por la cual las empresas se ven en la necesidad de recurrir a poderosas herramientas o sistemas expertos que les sirvan de soporte a la hora de tomar decisiones. De esta necesidad nace la ingeniería del conocimiento, área en la cual denominamos “Sistema experto” (SE) a estas herramientas inteligentes.

Los principios básicos de los SE tienen raíz en lo que llamamos con términos divulgativos Inteligencia Artificial (IA). La IA es la actividad de proveer a máquinas, como las computadoras, de la capacidad para exhibir conductas que se consideraría inteligentes si se observaran en seres humanos. Su finalidad consiste en crear teorías y modelos que muestren la organización y funcionamiento de la inteligencia. Cubre una vasta gama de teorías y prácticas entre las cuales podemos destacar: el procesamiento del lenguaje natural (traductores automáticos), la visión artificial (reconocimiento de firmas, y caras...), los algoritmos genéticos, los sistemas de agentes inteligentes, la robótica, las redes neuronales, la lógica difusa, los sistemas basado en el conocimiento, etc.

Entorno de modelización integrador entre herramientas de simulación, selector de material, y SE de calculo de costes

Los SE caben en la ultima parte citada. Son programas que capturan en forma de reglas el conocimiento de un experto. Las reglas tienen estructura de implicaciones lógicas: para unas ciertas causas, unos efectos. Gracias a estas reglas, el motor de inferencia del SE puede deducir hechos en función de los “inputs” del sistema. Los sistemas expertos son los intermediarios entre el experto humano, que transmite sus conocimientos al sistema, y el usuario de dicho sistema, que lo emplea para resolver los problemas que se le plantean. Son simultáneamente, un sistema de ejecución y transmisión del conocimiento. La adquisición del conocimiento es un proceso complejo y a menudo cuello de botella en el desarrollo de un SE. Se lleva a cabo entre expertos del dominio en la empresa y los ingenieros de conocimiento capaces de entender el lenguaje de los expertos y de transformarlo en el formato del sistema. El mayor problema encontrado reside en el carácter tácito del conocimiento. Establecer una metodología y nuevos estándares de modelización del conocimiento es un campo de intensa investigación, que han sido lema ya de numerosos

proyectos científicos, Moka (Framework for

structuring and representing engineering knowledge, Http://www.kbe.coventry.ac.uk/moka/default.htm), CommonKads (Common knowledge Acquisition and Design support, http://www.commonkads.uva.nl), Deklare (Design Knowledge Acquisition and Redesign environment), Kare (Knowledge Acquisition and sharing for Requirements Engineering), Protégé, etc.

Los primeros sistemas expertos fueron desarrollados en los años 70. En 1969, Dendral fue el primer SE con éxito. Fue utilizado por la Nasa en la nave especial enviada a Marte para determinar la estructura molecular del suelo a partir de su análisis espectrográfico. El no menos famoso SE Mycin supuso un éxito en el campo del diagnostico medico. Su función era la de aconsejar a los médicos en la investigación y determinación de diagnósticos en el campo de las enfermedades infecciosas de la sangre. Consiguió niveles de comportamiento tan buenos como los de los médicos expertos. Desde entonces, los sistemas expertos han sido aplicados con éxito a numerosas áreas de proceso de la empresa. Entre otras áreas de aplicación destacan, el control de proceso (control continuo de una cadena de fabricación, control de los parámetros de una estación de depuración de agua), el diagnostico (motivo de fallos, mantenimiento), la predicción (predicción de fallos), la estimación (estimación de coste de proyecto, coste de un nuevo molde para inyección de plástico), la planificación (planificación de procesos industriales, administración de proyectos), el diseño (ayuda al diseño arquitectural, diseño de una pieza), la formación (asistente virtual). A pesar de representar un sector clave en la industria, el sector plástico no ha sido un campo de aplicación extenso para los sistemas expertos. Podemos citar ejemplos de Sistema para las selección inteligente de materiales (HyperQ/Plastics), o sistema para asistir al proceso de inyección de platico (Moldflow Expert System, MPX).

El éxito de un SE reside fundamentalmente en su conocimiento adquirido sobre el dominio y su capacidad de aprendizaje y razonamiento. La gran velocidad de proceso de datos permite al SE obtener un análisis mas profundo de la situación al abarcar un espectro de información más amplio que un experto humano. El aprendizaje proporcionará al SE mayor autonomía a la hora de abordar problemas totalmente desconocidos; pudiendo generar nuevo conocimiento partiendo del extraído inicialmente del experto. El uso de los SEs ha demostrado una mejora en la calidad y rapidez de las respuestas dando así lugar a una mejora de la productividad y reducción de costes de procesos. Además, permiten retener los valiosos conocimientos de los especialistas, de forma que, no se pierden aunque desaparezcan estos expertos. Se pueden utilizar personas no especializadas para resolver problemas. La maquina no puede reemplazar totalmente la experiencia y la intuición de un hombre, pero si le puede ayudar a tomar decisiones más acertadas en menor tiempo.

La década de los ochenta correspondió al periodo industrial de la IA, en la que se empiezan a comercializar lo primeros SE. No obstante surgió una crisis al final de los 80, cuya raíz se encuentra en la constatación de que para construir un SE hace falta más que un sistema de razonamiento basado en reglas únicamente. Un experto humano no estudia progresivamente una hipótesis, sino que decide de inmediato cuándo se enfrenta a una situación análoga a otra ocurrida en el pasado Los sistemas expertos no utilizan este razonamiento por analogía. Entonces nuevos modelos de conocimiento surgieron, como el RBC sistema de razonamiento basado en casos, o sistemas híbridos. Estos sistemas son populares en dominio en los cuales es difícil extrapolar reglas del tipo que necesitan los SE. La idea es que las reglas están escondidas dentro de nuestra experiencia guardada en termino de casos. Cada caso representa un elemento básico de nuestra experiencia en resolver un problema en concreto. Es la representación de un problema, de la solución aplicada para resolverlo, y de la evaluación de como ha ido esta solución. Al encontrar un nuevo problema, estos sistemas buscan en la base de datos casos cuyos problemas se parecen, recuperan la solución utilizado entonces, y la modifican para adaptarse mejor al problema actual. Todo se base en la suposición de que a problemas similares se corresponden soluciones similares. Por ejemplo, en Ascamm (www.ascamm.com) se desarrolló un sistema RBC para la puesta a punto de los parámetros de inyección de una pieza de plástico. El sistema ayuda al operario a definir los valores esenciales del “setup” de la máquina como presiones, temperaturas y velocidades para inyectar una nueva pieza en función de los experimentos guardados en la base de históricos.

Además de necesitar nuevos modelos de representación, la ciencia del conocimiento necesita integrarse mejor con las herramientas tradicionales de la ingeniería. Los sistemas basados en conocimiento (SBC o KBE para el término inglés -knowledge based engineering) intentan capturar el conocimiento de los procesos de ingeniería, y penetrar las herramientas estándares para dar soporte en procesos como el diseño de una pieza.. Los sistemas CAD se han extendido ampliamente en las industrias y nadie duda de su contribución a la calidad y la disminución del tiempo de la fase de diseño. Se prevé que la nueva generación de los sistemas CAD puedan, no sólo dibujar, sino también asistir a los diseñadores desde la fase de diseño conceptual y facilitar un conocimiento compartido y reutilizado. En esta dirección, una de las tareas del proyecto europeo Eurtotooling21 (www.eurotooling21.com), en el cual participa Ascamm, es el desarrollo de un sistema KBE aplicado a una herramienta CAD/CAE para el soporte al diseño de moldes. La inteligencia del sistema se propone ayudar el usuario a diseñar la pieza con menos riesgo de fallos en producción. El proyecto MoldXpress (Profit 2003, Desarrollo y Validación de una aplicación basada en el conocimiento para el diseño automático y remoto de moldes de inyección de plástico para pymes) es otro ejemplo de la integración de sistemas inteligentes dentro de herramientas tradicionales CAD para dar mayor soporte al diseño. Algunas ventajas que presentan estos sistemas son la reducción del tiempo en la fase de diseño, la consideración automática de las normas y una mayor adquisición de conocimiento. Incluso, los nuevos entorno de modelización de conocimiento permiten reemplazar los sistemas tradicionales CAD al proveer al usuario una interfaz gráfica automáticamente generada gracias al modelo geométrico de los productos. Esta modelización matemática unificada permite ser la interfaz en la cual se integran procesos de simulación, bases de datos consensuados del sector, sistema de optimización, SE... En el marco del proyecto Refrik (Profit 2005, Sistema KBE para la optimización de la refrigeración en moldes de inyección de termoplástico), Ascamm está llevando a cabo un producto que a partir de la información CAD de una pieza, se genera en el entorno de modelización AML de Technosoft (www.technosoft.com) un modelo geométrico de la pieza, sobre el cual se calculara el mejor circuito de refrigeración posibles gracias a un procesos de simulación (Moldflow) y reglas de conocimiento bien codificadas.

Podemos ir aún más lejos en este afán de integrar herramientas “inteligentes” en los procesos de ingeniería. Imaginad un KBE que contempla toda la cadena de los transformados plásticos, del diseño de la pieza, al “rapid-prototyping” de está, el diseño, construcción y prueba del molde, hasta su explotación. Los nuevos entornos de modelización permiten integrar todos los procesos de ingeniería en un modelo unificador en el cual gracias a unos mecanismos de razonamiento, cualquier cambio de configuración en un eslabón de la cadena, generaría predicciones del sistema sobre otros sectores dependientes. Por ejemplo el sistema sería capaz de predecir consecuencias en el procesos de explotación si se cambiase algo en la configuración de la pieza. La era del “embedded inteligence” (inteligencia integrada) revoluciona el mundo de la tecnología, y hoy en día, los sistemas expertos suelen incorporarse a cualquier nivel de conocimiento intenso. Ascamm y la empresa de software web Plastia (www.plastia.com) están apostando por esta línea de I+D, al fin de poder sacar en el mercado productos de alto nivel tecnológico para el soporte en el sector.

La introducción de la ingeniería del conocimiento (SE, CBR, KBE,...) desde entornos como la industria espacial y de automoción hacia otros sectores como el del plástico ha llevado al reconocimiento de este campo de investigación capaz de aportar ventajas competitivas para la industria manufacturera., tanto por el valor tecnológico añadido como en su capacidad a generar metodologías para una mejor gestión, entendimiento y retención de nuestro saber sectorial.