Entrevista a Margarida Gonçalves, Operations Analyst para España y Portugal de PolyPerception

Una cámara sobre una cinta transportadora. Ese es el punto de partida de PolyPerception, empresa belga que ha convertido la visión artificial y el aprendizaje automático en una herramienta de gestión para las plantas de clasificación y reciclaje. Su propuesta es tan concreta como ambiciosa: que cualquier operador, sin formación técnica específica, pueda interrogar en tiempo real a los datos de su planta con la misma naturalidad con la que formularía una pregunta a un compañero de turno. Margarida Gonçalves, Operations Analyst para España y Portugal, explica cómo la inteligencia artificial está cambiando la manera en que las plantas de reciclaje conocen, controlan y mejoran lo que ocurre en sus líneas.

En ese espacio es donde PolyPerception ha decidido operar. La compañía —fundada en Bélgica y con presencia creciente en el mercado ibérico— combina visión por computadora con modelos de aprendizaje automático para ofrecer algo que hasta hace poco resultaba inaccesible para la mayoría de los operadores de planta: una imagen fiel, continua y cuantificada de qué materiales pasan por sus cintas, en qué proporciones, con qué nivel de pureza y a qué velocidad.

La apuesta de PolyPerception no es únicamente tecnológica. Detrás de los analizadores y la plataforma de software hay una reflexión sobre quién usa realmente los datos en una planta de reciclaje y para qué los necesita. Operadores de turno, ingenieros de procesos, responsables de calidad y equipos directivos conviven en un mismo entorno productivo, pero se enfrentan a preguntas radicalmente distintas. Diseñar una solución que responda a todas ellas, sin imponer a ningún usuario una curva de aprendizaje técnico que no le corresponde, es precisamente el reto que Gonçalves detalla a continuación.

“Aunque los datos son los mismos, cada usuario se plantea preguntas muy diferentes”, apunta Gonçalves.

PolyPerception es una empresa belga especializada en el análisis de flujos de residuos mediante inteligencia artificial. Desarrollamos analizadores basados en cámaras que se instalan directamente sobre las cintas transportadoras de plantas de clasificación y reciclaje, junto con una plataforma de software que proporciona a los equipos de planta una visibilidad continua y en tiempo real de la composición real de los materiales que procesan.

El analizador utiliza visión por computadora y aprendizaje automático para identificar y clasificar cada objeto presente en la cinta, transformando esa información en datos en tiempo real sobre composición, pureza, rendimiento y tasas de recuperación. Puede instalarse en cualquier cinta transportadora existente sin necesidad de modificar la infraestructura de la planta.

Para los operadores, esto se traduce en tres áreas concretas de valor. La primera es la monitorización operativa: conocer en tiempo real cuánto material se está recuperando, con qué nivel de pureza y a qué ritmo de procesamiento. La segunda es el control de calidad: verificar que la composición de los materiales cumple con las especificaciones regulatorias o contractuales. Varios de nuestros clientes utilizan el sistema para supervisar la pureza de múltiples flujos de materiales y demostrar el cumplimiento de las obligaciones derivadas de la responsabilidad ampliada del productor. La tercera es la inteligencia comercial: disponer de datos objetivos y documentados sobre la calidad de los materiales entrantes y salientes, lo que facilita una mejor toma de decisiones en los procesos de compra y venta.

Actualmente cubrimos los principales flujos de envases ligeros y residuos sólidos urbanos (RSU). También podemos detectar madera, textiles y pañales, además de desarrollar clasificadores personalizados, como sistemas de detección de marcas.

“Análisis que antes requerían inspección manual o trabajo especializado con datos ahora pueden completarse en cuestión de minutos”, destaca la Operations Analyst para España y Portugal de PolyPerception.

Una de las cosas que escuchamos constantemente de los equipos de planta es que los datos ya existen, pero obtener información realmente útil de ellos requiere tiempo y, en muchos casos, capacidades técnicas que las personas que trabajan en la planta simplemente no tienen. Un operador en mitad de su turno no debería necesitar ser analista de datos para entender lo que ocurrió en la línea esa misma mañana. Ese es precisamente el problema que resuelve nuestro agente de IA.

El agente integra un modelo de lenguaje de gran escala directamente en nuestra plataforma y lo conecta con los propios datos de la planta. En la práctica, cualquier persona puede formular preguntas en lenguaje natural, como: “¿Cuál fue la tasa de recuperación de la línea 2 la semana pasada en comparación con la anterior?” o “¿Hubo algún pico inusual de contaminación el jueves por la tarde?”, y recibir una respuesta inmediata respaldada por datos. No es necesario configurar informes, filtrar paneles de control ni exportar datos a hojas de cálculo.

Además, vamos más allá de responder preguntas. Estamos desarrollando el agente para que pueda ejecutar acciones, como generar informes estructurados bajo demanda o configurar alertas basadas en condiciones definidas por el usuario, todo ello a través de una conversación.

El beneficio diario es que la información deja de estar limitada por barreras técnicas. Responsables de turno, responsables de calidad e ingenieros de procesos pueden interactuar con los datos de la misma forma en que piensan sobre su trabajo, en lugar de tener que adaptarse a la estructura de una base de datos.

Con la tecnología de PolyPerception “no es necesario configurar informes, filtrar paneles de control ni exportar datos a hojas de cálculo”, subraya Gonçalves.

Diseñamos deliberadamente la plataforma para atender a distintos perfiles dentro de una planta, porque, aunque los datos son los mismos, cada usuario se plantea preguntas muy diferentes.

Para los operadores y responsables de turno, el valor principal es la visibilidad en tiempo real. Disponen de monitorización en directo de las cintas transportadoras, con la posibilidad de reproducir imágenes grabadas junto con los datos de composición correspondientes. Si se produce una variación, por ejemplo un aumento de la contaminación o una caída repentina de la tasa de recuperación, pueden detectarla, investigarla y actuar durante el mismo turno. Además, el sistema de alertas proactivas notifica a los equipos en planta cuando surgen problemas, en lugar de descubrirlos posteriormente.

Para los ingenieros de procesos y los equipos de I+D, la plataforma se convierte en una herramienta de investigación y mejora continua. Un buen ejemplo es la funcionalidad de búsqueda por similitud visual que presentamos este año en IFAT. Un usuario puede seleccionar la imagen de un problema recurrente, como un tipo específico de contaminante que aparece en un flujo de salida, y localizar todos los objetos visualmente similares detectados durante un período determinado. Análisis que antes requerían inspección manual o trabajo especializado con datos ahora pueden completarse en cuestión de minutos. Combinada con información detallada de composición y clasificación, esta funcionalidad permite identificar patrones, validar hipótesis y medir el impacto de cambios en los procesos basándose en evidencia real.

Para los responsables de planta y los equipos directivos, el valor reside en la toma de decisiones. Aspectos como compras, inversiones o informes de cumplimiento normativo pueden basarse en datos continuos y objetivos, en lugar de depender de muestreos periódicos o estimaciones de los operadores. Nuestros paneles de indicadores clave de rendimiento (KPI) ofrecen una visión estructurada y de alto nivel de la evolución del desempeño a lo largo del tiempo, proporcionando la visibilidad necesaria tanto para los informes internos como para las conversaciones con clientes, auditores y organismos reguladores.

“Los datos ya existen, pero obtener información realmente útil de ellos requiere tiempo y, en muchos casos, capacidades técnicas que las personas que trabajan en la planta simplemente no tienen”