La innovación digital y, en particular, la inteligencia artificial (‘IA’)/el aprendizaje automático (‘ML’), están creando nuevas oportunidades para mejorar los procesos existentes.

Aquí en Greycon, nos mantenemos constantemente al día con las nuevas tecnologías en busca de tales oportunidades para mejorar nuestro software y para mejorar la eficiencia productiva de nuestros clientes

Constantine Goulimis, presidente de Greycon, ha estado investigando cómo se puede integrar el aprendizaje automático con el software de Greycon, X-Trim, y si puede mejorar los procesos de fabricación.

En 2015, el aprendizaje automático (ML) todavía era un concepto nuevo, ciertamente no tan de moda como ahora. Con la popularidad viene la facilidad de uso, y ahora es sorprendentemente fácil usar un marco de ML. Empezamos a aplicarlo a la siguiente pregunta:

Dada una solución particular, ¿ML puede predecir con precisión el número mínimo de patrones para soluciones equivalentes (= mismo desperdicio)?

Aquí en Greycon, nos mantenemos constantemente al día con las nuevas tecnologías en busca de tales oportunidades para mejorar nuestro software y para mejorar la eficiencia productiva de nuestros clientes.

En términos simples, ¿conocer los detalles de la imagen superior (Fig. 1) le permite a ML predecir que 8 patrones (como se muestra en la Fig. 2) son suficientes? ¿Funciona en este caso la tecnología que parece contar correctamente el número de rostros en una fotografía?

Con mi compañero Gastón Simone, Ingeniero de Desarrollo Senior, estamos investigando la posibilidad de responder a esta pregunta. Primero, tuvimos que construir un generador de conjuntos de datos. Al contrario de muchos artículos publicados, los pedidos en nuestra industria no tienen una distribución uniforme de tamaños. Una vez que haya ordenado la generación de los datos de entrada, debe resolverla para llegar a la solución inicial (Fig. 1) y luego aplicar nuestra optimización patentada de reducción de patrones para llegar a la cantidad de patrones de la derecha. Dicho esto, después de haber dedicado una poderosa computadora reutilizada, hemos pasado más de 100 horas solo en el paso de generación de datos, creando varios miles de instancias.

Hasta ahora, y el proceso aún está en curso, hemos encontrado que:

• Necesitas miles de instancias para obtener una precisión básica.
• Incluso con miles de instancias, hasta ahora, ML no supera a un modelo ingenuo (que puede ser resumido, algo toscamente, como “El número mínimo de patrones es 0,7 × el número inicial de patrones”). La calificación “hasta ahora” es importante, porque incluso en los últimos días, el MAPE de ML ha bajado de un 11.6% a un 9.6%. Aún así, el modelo ingenuo logra ~7.8%.

En el proceso, han surgido algunos gráficos bastante bonitos, como la distribución de errores en función del número de patrones iniciales:

(Hay una razón por la que los puntos se encuentran en hipérbolas, tiene que ver con el hecho de que el número de patrones en una solución es un número entero).