Libro Blanco 1: Obtenga las claves para liderar su industria hacia el 4.0

La descarbonización de la industria se presenta hoy en día como un desafío importante, tanto por razones económicas, geopolíticas y medioambientales. ¿Cuáles son las acciones a implementar para lograrlo? ¿Cómo pueden los industriales recibir apoyo hoy en día?
Para ayudarte en esta transición, hemos redactado el Libro Blanco Dametis, en 3 capítulos, para que obtengas las claves para guiar tu industria hacia el 4.0!

Si «el desarrollo de una inteligencia artificial completa podría marcar el fin de la especie humana» (Stephen Hawking, 2014), los software inteligentes pueden marcar el fin del desperdicio energético en la industria.
Por ejemplo, los datos energéticos involucrados en la fabricación de un producto – desde el rímel hasta los automóviles pasando por los paquetes de puré – superan ampliamente las capacidades de almacenamiento y procesamiento del cerebro humano.

Por tanto, los profesionales han comenzado por externalizar su «memoria energética» en archivos en papel y hojas de cálculo Excel.
Esto sucede cuando un operador toma lecturas de los medidores en una hoja impresa y la guarda en un archivador, antes de que eventualmente un colega transcriba, con más o menos errores, estos datos en el ordenador.
El fenómeno de almacenamiento externalizado también ocurre cuando varios software están inactivos en un rincón de la fábrica, conservando sin utilizar datos de todo tipo, especialmente energéticos.

Una plataforma colaborativa de transición medioambiental idealmente debería concentrar, en manos de cada usuario, la experiencia humana mundial en eficiencia medioambiental industrial. Para lograr esto, debe ser un verdadero sistema experto.
«Un sistema experto es una herramienta informática de inteligencia artificial (IA), diseñada para simular el conocimiento de un especialista en un área específica y bien definida, a través de la explotación de un conjunto de conocimientos proporcionados explícitamente por expertos en el campo.»

Un software debe primero recopilar, segundo a segundo, una gran cantidad de datos, estén donde estén: autómatas, ERP, MES, sensores, sensores virtuales con algoritmos…
Y al igual que un ebanista estudia su madera antes de trabajarla – ¿es robusta, irregular, con nudos…? -, un software debe «entender» su material (los datos) antes de hacer algo con ellos. ¿Los datos son erróneos (desviación del sensor, error de configuración…) o correctos?