¿Cómo el análisis Big Data puede ayudar a corregir defectos en los vehículos?

Uno de los desafíos con los que se enfrenta la industria automotriz es el análisis de la información. Esto es un gran reto, ya que se trata de datos provenientes de diversos ámbitos que van desde los proveedores hasta los clientes, abarcando las áreas de manufactura, servicios, calidad, garantía, finanzas y consumidores. Integrar toda esta información, considerando por ejemplo, los datos originados en las plantas de producción de vehículos, los datos de compra y la información de cientos de proveedores, posibilita un sistema temprano de alerta, previendo potenciales problemas antes de que estos ocurran. Igualmente, permite comprender en mayor profundidad el comportamiento y performance de cada vehículo en el mercado, utilizando variables que históricamente era imposible considerar.

Foto: blogs.motortrend.com

En la actualidad, existe una tendencia alarmante en el retiros de partes eléctricas y/o electrónicas en el campo de automotriz que aumentó rápidamente durante los últimos 10 años, lo cual nos dice que necesitamos del uso de herramientas más poderosas para la detección de defectos en la fabricación de autos con el fin de evitar estos fallos en campo.

Un reciente informe de Stout, Risius y Ross (SRR) indica una oleada en el retiro de partes eléctricas y/o electrónicas durante los 10 años (2014). El informe muestra que EWRs (Informes de Alerta Temprana) basados en los incidentes de campo reportados por fabricantes de automóviles han aumentado entre 2004 y 2014. EWRs muestra los incidentes de seguridad que involucran lesiones o la muerte.

La tendencia alarmante en el informe SRR requiere herramientas más poderosas para la detección de defectos en la fabricación con el fin de evitar fallos de campo. Más importante aún, los proveedores de autos deben implementar herramientas durante el proceso de diseño y desarrollo a fin de mitigar riesgos.

Tanto los fabricantes de autos, como los proveedores del sector buscan nuevas herramientas para analizar la información estructurada y no estructurada que proviene de esta amplia variedad de fuentes, con el fin de optimizar además de la calidad de sus productos, la planificación de su portafolio y marketing. Para ello, cada vez más empresas del sector incorporan la tecnología disruptiva de Big Data para poder almacenar, procesar y analizar estas ingentes cantidades de datos. Los objetivos a lograr con estas herramientas son el perfeccionamiento de las operaciones, capitalizar una mejor estrategia comercial y el aumento de la productividad.

Analíticas avanzadas empleadas para encontrar patrones en los grandes datos (Big Data) han entregado valor a otras industrias. Pero mientras que la manufactura ha experimentado uno de los de más rápidos crecimientos de los datos entre los distintos sectores, muchos de los datos han sido infrautilizado. Existe un enorme potencial en el uso de estos datos para combatir el aumento de los fallos en campo electrónicos.

¿Qué técnicas son eficaces en la reducción de fallas en el campo?

El aprendizaje de máquina, tanto supervisada y sin supervisión, y la detección de anomalías son adecuados para esta aplicación.

El aumento en la complejidad de los dispositivos conduce a la alta dimensionalidad, una condición donde el diseño y la fabricación han crecido a miles o decenas de miles de variables. Modelos de aprendizaje de las máquinas se adaptan bien a la búsqueda de las pocas variables críticas que resultan a bajas tasas de fracaso de campo.

En contraste, cuando se utilizan técnicas estadísticas convencionales para este propósito, los modelos resultantes son menos precisos, una condición llamada "maldición de la dimensionalidad".

Otro problema que resulta del aumento de la fabricación y la complejidad del dispositivo es la dificultad en la formulación de hipótesis para el diseño de experimentos.

Entonces, ¿cómo el aprendizaje de máquina puede aliviar este problema?

Técnicas de aprendizaje sin supervisión que descubren relaciones previamente desconocidas entre las variables o transformaciones de las variables es la solución.
Considerando que, las estadísticas convencionales requieren el ingeniero para comenzar con la hipótesis de un enfoque deductivo, técnicas de aprendizaje de máquina pueden descubrir nuevas hipótesis, un enfoque inductivo. Cuando el algoritmo de aprendizaje no supervisado se corrió a través de la combinación de las variables del proceso y del dispositivo, el ingeniero puede descubrir los modelos que no se pueden descubrir de otra manera.

Por último, los métodos de detección de anomalías proporcionan los medios para detectar partes marginales en la industria manufacturera que pasan los límites de especificación y de ese modo se enviaron, pero que son altamente propensos a fallar en el campo. Gran parte de semiconductores o de electrónica de piezas que fallen en el campo son marginales a muchas variables que interactúan.

La detección de anomalías que incorpora la naturaleza multi-variable de partes marginales puede detectar con éxito los fallos de campo potenciales. Estas partes marginales pueden entonces ser retirados de los envíos de productos y nuevas investigaciones pueden llevarse a cabo para eliminar las causas de la marginación.

Estas técnicas pueden ser aplicadas en todo el ciclo de vida del producto a partir de la fase de diseño y desarrollo. Cuanto antes estas técnicas se aplican en el nuevo proceso de desarrollo de productos, se incurre en menos costos de falla.

El modelo predictivo a través del aprendizaje supervisado o no supervisado aplicada a los datos de garantía o en el campo de falla y los datos de fabricación histórica puede apuntar a las variables de diseño y fabricación que los niveles de defectos de campo impacta. Esto proporciona información detallada sobre lo que "perillas" se puede convertir en el diseño y fabricación para lograr bajas tasas de defectos de campo.

Los datos materiales suelen estar disponibles durante la fase de diseño como parte de la calificación de proveedores. La detección de anomalías realizado en estos datos de proveedores permite la eliminación de material anómalo que puede conducir a fallas en el campo.

Combinando la analítica avanzada con herramientas de gestión de riesgos como AMFE (Modos de Falla y Análisis de Efectos), una herramienta necesaria en la industria del automóvil, puede centrarse en los parámetros del dispositivo y de proceso que los ingenieros de diseño determinan potencialmente como causa de problemas de seguridad de campo.

La recopilación de datos sobre estos parámetros y la realización de modelos de predicción y detección de anomalías le permitirá a las empresas del sector, contar con adecuada visibilidad, monitoreo y alertas proactivas a lo largo de la cadena de abastecimiento y distribución y puede llevar aún más a construir modelos más precisos y detección de anomalías que pueden conducir a correcciones de procesos, control de proveedores y el proceso y la eliminación de los verdaderos valores atípicos que pueden conducir a incidentes de seguridad de campo.

¿Cómo impacta big data a las aplicaciones de negocios?

Un correcto manejo de los datos puede alimentar la toma de decisiones de las automotrices y el sistema de análisis de ganancia de marca a fin de reducir los costos, mejorar la eficiencia operativa, analizar los diferentes problemas y predecir la satisfacción de los usuarios. Las compañías de autos pueden también garantizar la calidad de los productos, medir la efectividad de los trabajadores y facilitar el trabajo de los ingenieros. Con este tipo de soluciones de TI, los ejecutivos del mundo automotor impulsarán una cultura de innovación que perfeccione la totalidad de la cadena productiva.

Lo que se espera

Foto: patch.com 

Vehículos plenamente conectados a la nube (Cloud Computing) que sean completamente conscientes de su medio ambiente y de la salud de su conductor, será el último paso evolutivo en el camino hacia la autonomía plena de la industria automotriz. Se nos promete con que estos autos serán "a prueba de accidentes". Por lo que cabe preguntarnos ¿Podrían estos avances reducir drásticamente el modelo de negocio para la industria de los seguros?.
Compartir Compartir

Sobre el autor José Andrés López

Lic. en Computación, Cisco CCNA - CCNA Security - CCNP Route - CCNP Switch, Instructor en la Academia Regional de Cisco Caracas - Venezuela. En mis ratos libre me gusta viajar, comer y jugar ajedrez.
    Comentarios Blogger
    Comentarios Facebook

0 comentarios:

Publicar un comentario