See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/373722726

Industria 5.0. Inteligencia Artificial y Aprendizaje Automático para optimizar

procesos industriales

Thesis · September 2023

DOI: 10.13140/RG.2.2.19665.51049

CITATIONS READS

0 389

1 author:

Federico Walas Mateo

La Universidad Nacional Arturo Jauretche
35 PUBLICATIONS 52 CITATIONS

SEE PROFILE

All content following this page was uploaded by Federico Walas Mateo on 07 September 2023.

The user has requested enhancement of the downloaded file.

UNIVERSIDAD NACIONAL DE LOMAS DE ZAMORA

FACULTAD DE INGENIERÍA

DOCTORADO EN INGENIERÍA

TESIS DOCTORAL

Nuevos modelos de negocio en el paradigma

Industria 5.0. Inteligencia Artificial y Aprendizaje
Automático para optimizar procesos industriales

Autor: Federico Walas Mateo

Director: Andrés Redchuk

Buenos Aires
2023
 ÍNDICE

RESUMEN ................................................................................................................ 3
AGRADECIMIENTOS................................................................................................. 5
PRODUCCIÓN CIENTÍFICA DURANTE EL PERÍODO PREDOCTORAL ......................... 6
Listado de Acrónimos ................................................................................................ 8
CAPÍTULO 1 ........................................................................................................... 10
1.1 Introducción .................................................................................................. 10
1.2 Antecedentes ................................................................................................. 10
1.3 Motivación ..................................................................................................... 12
1.4 El Paradigma I4.0 y la complementación con el modelo I5.0 ............................ 14
1.5 Algunas definiciones y premisas preliminares ................................................. 16
1.6 Foco en los Recursos Humanos ...................................................................... 16
1.7 Sistemas Ciberfísicos ..................................................................................... 18
1.8 Sistemas Tecnológicos que integran el paradigma I4.0 .................................... 19
1.9 Metodologías Ágiles ........................................................................................ 20
1.10 La economía conectada ................................................................................ 21
1.11 Innovación abierta ....................................................................................... 22
1.12 Alcance de la tesis ....................................................................................... 23
1.13 Hipótesis de la tesis ..................................................................................... 26
CAPÍTULO 2 ........................................................................................................... 28
2.1 Introducción .................................................................................................. 28
2.2 Generación de datos del proceso industrial, arquitectura integrada ................ 28
2.3 Elementos de IIoT .......................................................................................... 30
2.4 Arquitectura de IIoT. Integración de IT y OT a través de IIoT ........................... 32
2.5 IIoT como facilitador de la AI/ML ................................................................... 33
2.6 La Inteligencia Artificial en los procesos industriales ...................................... 35
2.7 Antecedentes de aplicación de AI/ML en la industria ...................................... 40
2-8 Oportunidades para el desarrollo de una nueva metodología para la
incorporación de IA/ML en el ámbito Industrial .............................................. 44
CAPÍTULO 3 ........................................................................................................... 48
3.1 Introducción .................................................................................................. 48
3.2 Nuevos Modelos de Negocios. ......................................................................... 49
3.3 Metodologías de desarrollo de software a través de bajo código (Low Code) ...... 52
3.4 Solución propuesta a través del nuevo modelo de negocio ............................... 54
3.5 Metodologías ágiles como facilitadoras del cambio .......................................... 56
 3.6 Metodología Lean Startup como alternativa para Gestión de Proyectos Ágiles .. 58
3.7 Propuesta metodológica ................................................................................. 60
3.8 Validación de la metodología y el nuevo modelo de negocio en casos de
aplicación en la industria .................................................................................... 61
3.9. Resultados y discusión sobre los casos .......................................................... 76
CAPÍTULO 4 ........................................................................................................... 80
4.1 Introducción .................................................................................................. 80
4.2 Conclusiones ................................................................................................. 80
4.3 Futuras Líneas de Investigación ..................................................................... 82
REFERENCIAS ....................................................................................................... 89
RESUMEN

La tesis que se presenta a continuación se desarrolla en el marco de una

vertiginosa evolución de los sistemas de producción hacia un nuevo paradigma
conocido como Industria 5.0. Este nuevo modelo, que surge como una versión
superadora del modelo Industria 4.0, impulsa a empresas productivas
tradicionales a migrar hacia entornos de producción inteligentes, que
demandan nuevas soluciones para adaptar los procesos productivos e
incorporar nuevas prácticas que permitan generar mayor competitividad por
parte de las empresas industriales. La evolución hacia un nuevo paradigma
desde el modelo Industria 4.0, se puede explicar por la dinámica de los sistemas
productivos, la digitalización, el aumento de la complejidad en los mercados, la
necesidad de dar respuesta a la emergencia ambiental, entre otras cuestiones.

Mientras que Industria 4.0 apunta a generar sistemas productivos cognitivos,

la naciente era de la Industria 5.0 propone una evolución desde la anterior, para
establecer cadenas de valor globales más resilientes, sostenibles y circulares
que beneficien a la sociedad en su conjunto. Además, el nuevo marco pone el
foco en las personas que intervienen en los procesos industriales, y busca lograr
procesos productivos que minimicen el impacto ambiental hacia la neutralidad
de la huella de carbono (CO2).

En este escenario, surgen oportunidades para la adopción de nuevos modelos

de negocio, y modelos operativos que deben adaptarse al marco en el que operan
empresas industriales tradicionales, muchas de ellas establecidas y con
prácticas, y una cultura organizacional que se desarrollan desde hace más de
100 años como los casos de la industria del acero, la minería, y la industria de
procesos en general.

El trabajo que se presenta en esta tesis aborda oportunidades y riesgos que

surgen bajo el paradigma digital en la industria, particularmente a partir del
potencial disruptivo que ofrece la Inteligencia Artificial, y las demandas desde
la industria para generar procesos más eficientes.

Como ejemplo de oportunidades en los modelos de negocio, es evidente que la

digitalización bajo el modelo Industria 4.0/industria 5.0, y las ventajas de la
adopción de Internet Industrial de las Cosas, permite una respuesta más rápida
a las demandas de los clientes, aumenta la flexibilidad permitiendo la
adaptabilidad a los procesos de fabricación, permiten empoderar a las personas
a partir de contar con mayor información, y proporciona una enorme cantidad
de herramientas para la mejora de la calidad en los procesos, entre otras
ventajas.

En cuanto a los riesgos y aspectos críticos que considera este trabajo se

encuentran la necesidad de considerar a las personas del piso de planta, la
generación e integración de datos desde las operaciones, y la importancia de
generar impacto, y un retorno de la inversión en plazos tan cortos como sea
posible.

Esta tesis se focaliza en la adopción de la inteligencia artificial y el aprendizaje

automático, y su integración con Internet Industrial de las Cosas en la Industria
4.0, y el emergente modelo Industria 5.0, a través de nuevos modelos de negocio,
estrategia de plataformas de software de bajo código, y variantes de
metodologías ágiles para gestionar el cambio. Estos son los temas en los que se
centra el trabajo. Por otro lado, considera la integración de datos como impulsor
de la optimización de procesos industriales para aumentar la competitividad,
pero sobre todo para generar sustentabilidad ambiental, lograr democratizar el
conocimiento en los procesos para empoderar a las personas, y por último
alcanzar una mejor integración de las cadenas de valor.

El trabajo desarrolla casos de aplicación en industrias de procesos, que se

consideran relevantes con respecto a la posibilidad de adopción de soluciones
de inteligencia artificial. En todos los casos buscaban la optimización de
procesos industriales en el marco del paradigma de Industria 4.0/5.0.

Los casos demuestran los beneficios de implementar soluciones que permiten

generar inteligencia en los procesos industriales a partir del uso de los datos de
los procesos, integrando soluciones de Internet Industrial de las Cosas con
plataformas de inteligencia artificial y aprendizaje automático.

Por lo tanto, se muestra como un nuevo modelo de negocio basado en una

plataforma de software de bajo código, adoptado a través de la metodología Lean
Startup, permite facilitar la adopción de soluciones de Inteligencia Artificial y
Aprendizaje Automático en procesos industriales.
AGRADECIMIENTOS

Esta tesis llegó en un momento especial de mi carrera y mi vida, grandes

personas y excelentes profesionales me han acompañado e impulsado para
alcanzar este hito. Son muchos nombres de personas generosas que me han
apoyado, y de alguna manera han aportado para generar este trabajo.

En primer lugar, quiero agradecer al Dr. Oscar Pascal, quien me abrió las
puertas de la Facultad de Ingeniería de la UNLZ para comenzar con esta
maravillosa experiencia del Doctorado, y quien me puso en manos del Dr.
Andrés Redchuk, que sin conocerme accedió a ser mi Director de tesis, y se
convirtió en mucho más que eso. Muchas Gracias Andrés por tu generosidad,
compromiso, tus consejos, y todo el tiempo que me has dedicado para lograr
esta tesis.

Gracias a Elena por estar siempre, por enseñarme a celebrar el conocimiento y

su valor para ser libre y el crecimiento personal. Gracias Claudia por confiar
siempre, por el amor y el apoyo incondicional en esta aventura en todo
momento, que junto a Delfina y Bianca estuvieron siempre pendientes, y
sacrificaron tiempo que no les pude dedicar.

No quiero dejar de agradecer a Julián Tornillo, y al equipo de la catedra de PCOP

de la Facultad de Ingeniería de la UNLZ.

Y a los amigos que siempre estuvieron y aportaron, a todos ellos y ellas que me
impulsaron a llegar hasta acá.
PRODUCCIÓN CIENTÍFICA DURANTE EL PERÍODO
PREDOCTORAL

A continuación, se detalla la producción científica del doctorando Federico

Walas Mateo en el periodo predoctoral.

PUBLICACIONES EN REVISTAS INTERNACIONALES

F. Walas Mateo, A. Redchuk. (2021). The Emergence of New Business and

Operating Models under the Industrial Digital Paradigm. Industrial
Internet of Things, Platforms, and Artificial Intelligence/Machine
Learning. Journal of Mechanics Engineering and Automation 11 (2021) 54-60
doi: 10.17265/2159-5275/2021.02.004.
F. Walas Mateo, A. Redchuk. (2021). New business and operating models
under Industry 4.0 paradigm to boost industrial Process Optimization.
Industrial Internet of Things (IIoT) and Artificial Intelligence/Machine
Learning (AI/ML). American Journal of Engineering Research (AJER), vol.
10(8), 2021, pp. 265-270.
https://www.ajer.org/papers/Vol-10-issue-8/ZC1008265270.pdf

F. Walas Mateo, A. Redchuk. (2021). A review of IIoT/IoT and AI/ML as

Process Optimization driver under industry 4.0 model. Journal of
Computer Science & Technology (JCS&T). Vol 21. ed. 2, pp 170-176.
https://doi.org/10.24215/16666038.21.e15
Revista Indexada en Scopus y en Emerging Source Citation Index.
A. Redchuk, F. Walas Mateo (2022). New Business Models on Artificial
Intelligence—the Case of the Optimization of a Blast Furnace in the Steel
Industry by a Machine Learning Solution. Applied System Innovation. 5(1):6.
https://doi.org/10.3390/asi5010006.
Revista Indexada en Scopus y Emerging Source Citation Index.
A. Redchuk, F. Walas Mateo, G. Pascal, JE Tornillo. (2022) Contributions of
innovation ecosystems in the adoption of the industry 4.0 model in SMEs,
a bibliometric study. International Journal of Science and Research (IJSR).
ISSN: 2319-7064. Vol. 11. Nro 4. Pag. 1303.
https://www.ijsr.net/archive/v11i4/SR22329015143.pdf

F. Walas Mateo, A. Redchuk. (2022). Artificial Intelligence as a Process

Optimization driver under industry 4.0 framework and the role of IIoT, a
bibliometric analysis. – JIIM. Journal of Industrial Integration and
Management Innovation & Entrepreneurship. ISSN (print): 2424-8622 | ISSN
(online): 2424-8630. https://doi.org/10.1142/S2424862222500130
Revista Indexada en Scopus y Emerging Source Citation Index, y SJR Q1.

A. Redchuk, F. Walas Mateo, G. Pascal, JE Tornillo. (2023). Adoption Case of

IIoT and Machine Learning to Improve Energy Consumption at a Process
Manufacturing Firm, under Industry 5.0 Model. Big Data and Cognitive
Computing. 2023; 7(1):42. https://doi.org/10.3390/bdcc7010042
Revista Indexada en Scopus, Emerging Source Citation Index, y SJR Q1.

F. Walas Mateo, A. Redchuk, J.E. Tornillo. (2023). Smart manufacturing and

new business models in mining. Adoption Case of Machine Learning to
improve a Copper Milling Process. Journal of Mechatronics and Robotics
Volume 7(1):42-47. DOI: 10.3844/jmrsp.2023.42.47

PUBLICACIONES EN CONGRESOS
F. Walas Mateo, A. Redchuk. (2021). The Emergence of New Business and
Operating Models under the Industrial Digital Paradigm. Industrial
Internet of Things, Platforms, and Artificial Intelligence/Machine
Learning. International Conference of Production Research-Americas (ICPR-
Americas). Editorial UNS. ISSN 2619-1865. Argentina.
https://www.matematica.uns.edu.ar/ipcra/pdf/icpr_americas_2020_proceedi
ngs.pdf
F. Walas Mateo, A. Redchuk. (2021). Artificial Intelligence and Machine
Learning as a Process Optimization driver under Industry 4.0 framework,
the role of the people in the process. Global Conference on Engineering
Research (GLOBCER). Bandirma Onyedi Eylul University. 2-5 June 2021.
Turkey. ISBN: 978‐625‐44365‐9‐8.
https://www.globcer.org/_files/ugd/e04d41_afb86d75cfb84935a0c0073fa576
8c00.pdf
F. Walas Mateo, A. Redchuk. (2021). IIoT or IoT and Artificial Intelligence as
a Process Optimization driver under industry 4.0 framework. IX Jornadas
de Cloud Computing, Big Data & Emerging Topics. III-LIDI. UNLP. 22 al 25 de
junio de 2021. La Plata. Argentina.
http://sedici.unlp.edu.ar/handle/10915/128267
F. Walas Mateo, A. Redchuk. (2021). La necesidad de desarrollo de
Ecosistemas de Innovación para facilitar la adopción del modelo Industria
4.0 en PyMEs. Trabajo completo aceptado y presentado en el (5° Congreso
Argentino de Ingeniería (CADI), el 3° Congreso Latinoamericano de Ingeniería
(CLADI) y el 11° Congreso Argentino de Enseñanza de la Ingeniería (CAEDI)).
ISBN 978-987-88-1872-6.
https://www.researchgate.net/publication/355339220_Actas_Congreso_Arge
ntino_y_Latinoamericano
F. Walas Mateo and A. Redchuk. (2021). Searching for Key Topics around
Artificial Intelligence and Machine Learning as a Process Optimization
Driver. IEOM 2021, Monterrey Conference 6th North American Industrial
Engineering and Operations Management Conference. November 2-5, 2021.
Monterrey, Mexico. Actualmente en los proceedings del congreso bajo el #164.
ISSN: 2169-8767 (U.S. Library of Congress), ISBN: 978-1-7923-6130-2.
http://www.ieomsociety.org/monterrey2020/proceedings/
F. Walas Mateo, A. Redchuk, Process Optimization in the Steel Industry
using Machine Learning adopting an Artificial Intelligence Low Code
Platform. X Jornadas de Cloud Computing, Base de Datos y Emerging Topics
(JCC-BD&ET) de la UNLP 30/6 2022. Publicado en Short papers of the 10th
Conference on Cloud Computing, Big Data & Emerging Topics, Facultad de
Informática UNLP. ISBN: 978-950-34-2126-0.
http://sedici.unlp.edu.ar/handle/10915/139373

F. Walas Mateo, A. Redchuk, J.E. Tornillo. (2022). Industry 5.0 and new
business models in mining. Adoption Case of Machine Learning to optimize
the process at a copper Semi Autogenous Grinding (SAG) Mill.). 5th IEOM
European Conference on Industrial Engineering and Operations Management,
Rome, Italy, July 26-28, 2022.
http://ieomsociety.org/rome2022/proceedings/

F. Walas Mateo, A. Redchuk, J.E. Tornillo. (2022). Industry 5.0 and

sustainability. Adoption Case of Machine Learning to improve energy
consumption at a process industry. 2nd GLOBAL CONFERENCE on
ENGINEERING RESEARCH, GLOBCER ´22. Turquia.
https://www.globcer.org/_files/ugd/e04d41_26730e283a894ef09da9055dc75
38fbb.pdf
F. Walas Mateo, A. Redchuk, J.E. Tornillo. (2022). Incorporando el paradigma
Industria 4.0 en el Ecosistema Industrial Regional CADI/CAEDI 2022.
https://scholar.google.com/citations?view_op=view_citation&hl=es&user=daF
PTscAAAAJ&cstart=20&pagesize=80&citation_for_view=daFPTscAAAAJ:r0Bpnt
ZqJG4C
Listado de Acrónimos utilizados

Acrónimo Significado

AI Inteligencia Artificial

ML Aprendizaje Automático

LCP Plataforma Bajo Código

I4.0 Industria 4.0

I5.0 Industria 5.0

IoT Internet de las Cosas

IIoT Internet Industrial de las Cosas

MES Manufacturing Execution System

HMI Interfaces Hombre Máquina

SCADA Sistemas de Supervisión Control y Adquisición de Datos

PLC Controladores Lógicos Programables

CPS Sistema Ciber Físico

AGV Vehículos de Guiado Automático

MRP Planificación de recursos Materiales

CIM Manufactura Integrada por Computadora

BOM Bill of Materials

ERP Enterprise Resource Planning

TICs Tecnología de Información y Comunicaciones

ODS Objetivos de Desarrollo Sustentable de las Naciones Unidas

RFID Identificación por Radio Frecuencia

API Interfaz de la Programación de la Aplicación

MVP Producto Mínimo Viable

GUI Interfaz Gráfica del Usuario

APM Gestión de Proyecto a través de Metodologías Ágiles

SaaS Software como Servicio

ID Identificador Único de Cliente

IP Protocolo de Internet

KPI Indicador Clave de Desempeño

IT Tecnología de la Información

OT Tecnología de Operaciones

SOA Arquitectura Orientada a Servicios

CAPÍTULO 1 –Industria 4.0 y 5.0, conceptos
asociados, y nuevos modelos de negocio.

1.1 Introducción
En este capítulo se presentan los fundamentos sobre los que se desarrollará el
trabajo. En primer término, se detalla la motivación que da lugar a la tesis
doctoral que se presenta. Más adelante se establece el marco conceptual sobre
el que se genera la investigación, se establece el alcance, y las hipótesis
consideradas para abordar el desafío tecnológico que considera la producción
doctoral.

1.2 Antecedentes
A continuación, se presenta una sucinta descripción de los antecedentes que
preceden la irrupción de I4.0/I5.0. Se puede considerar que la producción
industrial comenzó a partir de la primera revolución Industrial o Industria 1.0,
que surge a finales del siglo XVIII a partir de la aparición de dispositivos
mecánicos accionados a través del vapor como vector energético.

La segunda revolución industrial o Industria 2.0 irrumpe en el último cuarto

del siglo XIX, y se caracterizó por la introducción de líneas de montaje para la
producción en masa a través del modelo que luego se conocería como “Fordista”.
Esto se profundizó con las prácticas recomendadas a través de los “Principios
de la Administración Científica” que desarrolló Frederick W. Taylor. La aparición
del teléfono, la electricidad, el uso intensivo de combustibles fósiles, y la
mecanización son algunas de las características de este modelo industrial que
caracterizó la primera parte del siglo XX.

La tercer revolución industrial o Industria 3.0 comenzó en la segunda mitad del

siglo XX, a partir del desarrollo de la electrónica, y la disrupción que significó la
aparición del transistor. Esto permitió en principio, un mayor nivel de
automatización a partir de la utilización de robots, tecnología de la información
y microprocesadores. La mayoría de estas iniciativas del siglo XX están
estrechamente relacionadas con tecnologías de la información y la
comunicación (TICs). Algunos emergentes de este paradigma son los Sistemas
Integrados por Computadora (CIM), Planificación de recursos de Manufactura
asistido por computadora (MRP), Diseño Asistido por Computadora (CAD), y los
Sistemas de Manufactura Flexibles, entre otros.

“Uno puede ver la era de las computadoras por todas partes salvo en las
estadísticas de productividad”. Robert Solow. 1987

Actualmente estamos atravesando la madurez del modelo Industria 4.0,

concepto que se establece hace un poco más de 10 años en Alemania. Este
paradigma o cuarta revolución industrial se basa en la idea de fusionar lo físico
y lo virtual a través de sistemas ciberfísicos e interconectando humanos,
máquinas y dispositivos a través del Internet de las Cosas (IoT). Por lo tanto, es
posible la interconexión horizontal y vertical en toda la cadena de valor, desde
el cliente hasta el proveedor, en todo el ciclo de vida del producto, y a través de
diferentes departamentos funcionales conformando nuevas redes de valor y
ecosistemas.

Mientras esto ocurre, se observa la aparición del paradigma Industria 5.0,

producto de la evolución incremental del modelo anterior. Sin rasgos
disruptivos, el modelo 5.0 se diferencia del anterior a partir de una mayor
focalización en valores sociales y ecológicamente relevantes. Este paradigma
reconoce el poder de la industria para lograr beneficios sociales más allá del
empleo y el crecimiento para convertirse en un proveedor de prosperidad, al
hacer que la producción respete los límites de nuestro planeta, y poner el
bienestar de los trabajadores de la industria en el centro del proceso de
producción. La Tabla 1 que se presenta a continuación, pretende sintetizar los
conceptos expresados en los párrafos anteriores.

En este marco de transformación hacia el paradigma Industria 5.0 es donde se

origina el trabajo de Tesis que se presenta a continuación.
 Producción industrial basada
Mecanización, energía a través del
Industria 1.0 1780 en máquina de vapor y Primer telar mecánico.
vapor y el agua.
energía hidráulica.

Producción en masa en líneas

Electricidad, División del trabajo, Primera línea de
Industria 2.0 1870 de producción. Aparición de
y producción en masa. ensamblado en serie.
la energía eléctrica.

Automatización con Automatización, Electrónica, Primer Controlador Lógico

Industria 3.0 1970
electrónica e Informática. Sistemas Informáticos. Programable.

Dispositivos conectados,
Digitalización, Cobots, IoT; Big
Industria 4.0 2011 Analítica de datos, Sistemas Sistemas ciberfísicos.
Data, Computación en la Nube.
ciberfísicos.
Cooperación entre personas Personas empoderadas en
Personalización,
sistemas tecnológicos para el foco de los sistemas
empoderamiento de las personas
Industria 5.0 Actualmente mejorar productos y servicios, productivos. Procesos
a través de la Inteligencia
foco en sustentabilidad industriales amigables con
Artificial , Sustentabilidad.
ambiental. el medio ambiente.

Tabla 1. Desde industria 1.0 a Industria 5.0. Síntesis de rasgos característicos de cada
modelo industrial.

1.3 Motivación

El ámbito productivo enfrenta importantes desafíos para adaptarse a las

condiciones de borde que impone la economía del conocimiento, y la
complejidad del entorno de negocios actual. Por un lado, las empresas necesitan
lograr una mayor eficiencia para ingresar y permanecer en cadenas de valor
globales, responder de manera eficiente a la volatilidad y complejidad de los
mercados, y por otro lado hacer un uso óptimo de los recursos para minimizar
la huella de CO2 que generan los procesos industriales, entre otros.

En ese marco la inteligencia artificial (AI) ofrece oportunidades a través de

nuevos modelos de negocio (Redchuk & Walas Mateo, 2022), para transformar
procesos productivos tradicionales hacia sistemas más inteligentes y eficientes.
Pfau & Rimpp (2021) destacan el potencial disruptivo de la IA y, más
específicamente, el aprendizaje automático (ML) para generar nuevos modelos
de negocios y oportunidades para los emprendedores.

Da Silva et al (2019), plantean que las oportunidades para el desarrollo de

industrias inteligentes, y la evolución de los sistemas productivos hacia
esquemas que maximicen la competitividad es resultado de la demanda de
tecnologías y procedimientos más eficientes, estándares de calidad y reducción
de costos, así como la innovación tecnológica. Por otro lado, el artículo visibiliza
varios temas relacionados con la Industria 4.0 (I4.0); el enfoque principal de
este paradigma de producción es generar en las industrias existentes procesos
más inteligentes y adaptables, con un óptimo uso de los recursos.

Los conceptos del párrafo anterior se refuerzan al revisar los Objetivos de

Desarrollo Sostenible (ODS) de la Organización de las Naciones Unidas (ONU)
(2015), en particular los referidos a la innovación industrial, el consumo y la
producción responsables, y la mitigación del cambio climático. Muller (2020)
observa que la generación de valor puede realizarse en un modo más eficiente,
personalizada, de mayor calidad, orientada al servicio, trazable, resiliente y
flexible. El mantenimiento estará conectado a producción de una manera
diferente a la anterior, resultando en una cadena integrada que cubre el ciclo
de vida completo. Generará beneficios en lo económico, ecológico y social,
relacionados con el Triple Impacto del desarrollo sostenible.

Por otro lado, la irrupción de la tecnología de Internet Industrial de las Cosas

(IIoT), permite integrar datos generados en el piso de planta para utilizarlos en
la gestión y de esta manera facilitar la optimización de procesos. Walas Mateo y
Redchuk (2022), presentan un trabajo donde analiza el concepto de inteligencia
artificial y aprendizaje automático (AI/ML) como herramienta para la
optimización de procesos dentro del modelo Industria 4.0. Esto es un ítem que
contribuye a la motivación para el desarrollo de la presente tesis.

Por último, la evolución del modelo I4.0 hacia un nivel superior que se conoce
como Industria 5.0 (I5.0) abre nuevos espacios para avanzar en la investigación
sobre cómo se adoptan soluciones que permitan a las empresas industriales
internalizar estos nuevos paradigmas productivos. Algunos autores (Di Nardo &
Yu (2020); Doyle-Kent & Kopacek (2021); Walas Mateo, Redchuk, & Tornillo
(2022); Chander et. al (2021)), conceptualizan el alcance y los objetivos del
modelo I5.0. Los autores coinciden en que el nuevo marco busca la
sostenibilidad junto con la integración en la cadena de valor, y la centralidad de
las personas en el entorno productivo. Además, Muller (2020) y Breque et al
(2021) observan que el modelo I5.0 es complementario al paradigma I4.0 que
impulsa a las empresas hacia una industria sostenible, centrada en el ser
humano y resiliente para adaptarse a las complejidades del entorno de negocio
actual. Finalmente, ambos artículos destacan que el modelo I5.0 cambia desde
el enfoque de generar valor para los accionistas directos, hacia otro donde el
valor sea generado para la sociedad toda.

Todo lo mencionado en los párrafos anteriores ha generado la inquietud para

indagar y profundizar en metodologías y soluciones que faciliten la
democratización de la IA y ML para optimizar procesos industriales en el marco
del paradigma I5.0.

1.4 El Paradigma I4.0 y la complementación con el modelo I5.0

La tesis se origina considerando el marco del paradigma de la I4.0, en proceso
de madurez, y el surgimiento de un nuevo paradigma que se conoce como el
modelo I5.0. Se considerará la observación de Breque et al (2021) que destaca
que el paradigma I5.0 no debe entenderse como una continuación cronológica
del modelo I4.0 existente, o una alternativa al mismo. Según los autores es el
resultado de un ejercicio prospectivo, una forma de enmarcar cómo la industria,
las tendencias y necesidades emergentes de la sociedad coexistirán. Como tal,
la I5.0 complementa y amplía las características distintivas de la I4.0. enfatiza
aspectos que serán determinantes para situar a la industria en la sociedad del
futuro; estos factores no son sólo de naturaleza económica o tecnológica, sino
que también tienen importantes dimensiones ambientales y sociales.

La definición del concepto de I4.0, es amplio y difuso, y puede ser tratado desde
múltiples miradas. Alguno de los enfoques más tecnocráticos están fuertemente
vinculados a la tecnología informática y hardware aplicados a la industria, otros
más vinculados a lo social se refieren al futuro del trabajo y el rol de las
personas, si miramos la gestión de la tecnología y la innovación nos interesará
la aparición de nuevos modelos de negocio, la innovación abierta y colaborativa,
y desde lo organizacional aparecen las oportunidades de mejora en la
Organización Industrial y la evolución de Cadenas Globales de Valor, entre
otros.

Entonces podemos decir que la I4.0, no se trata solo de la industria. Se trata de

una transformación general mediante la integración digital y la ingeniería
inteligente. Se cita como el siguiente nivel de fabricación donde las máquinas se
redefinirán en la forma en que se comunican y realizan funciones individuales
(Muhuri et al. 2019).
Da Silva et al. (2019) afirma que las oportunidades para el desarrollo de
industrias inteligentes se han expandido. Además de los procesos de
producción, la evolución está impulsada por la demanda del mercado de
tecnologías y la oportunidad para generar procesos más eficientes, estándares
de calidad y reducción de costos, y también por la evolución tecnológica. En este
artículo se discute una gran variedad de temas sobre la I4.0, uno de los enfoques
principales del nuevo paradigma productivo es facilitar a las industrias
existentes procesos más inteligentes y adaptables, con un mejor
aprovechamiento de los recursos productivos.

Otro punto de vista sobre la I4.0 lo dan Ibarra et al. (2017), según este trabajo,
el nuevo modelo ha sido introducido en el mundo de la manufactura por la
creciente fusión de la Producción Industrial y las Tecnologías de la Información
y la Comunicación (TIC). Este fenómeno está posibilitando la conexión de
información, objetos y personas debido a la convergencia de los mundos físico
y virtual (ciberespacio) en forma de Sistemas Ciberfísicos, o Cyber-Physical
Systems (CPS) en inglés. Esto entonces, está permitiendo la transformación de
fábricas en entornos inteligentes que generan una enorme cantidad de datos.

Sarmiento et al. (2020) establecen que un principio clave del paradigma I4.0 es
que los procesos y la maquinaria deben estar conectados en red y de esta forma
colaborar en la recolección, intercambio y análisis de datos. De esta manera es
posible predecir comportamientos futuros, y buscar soluciones óptimas a
posibles problemas. En el artículo, los autores consideran que en la actualidad
este principio comienza a ser alcanzable gracias al desarrollo de una serie de
tecnologías que se encuentran en evolución, como la IA. Sobre los sistemas CPS
sostienen que pueden ser optimizados con características de la tecnología de
Internet Industrial de las Cosas (IIoT), lo que les brinda la capacidad de obtener
continuamente información de sensores o procesos en toda la fábrica y enviarla
de forma segura a los centros de datos (generalmente basados en la nube). Esta
producción masiva de datos implica el desarrollo de nuevas herramientas
basadas en técnicas de Big Data, para su almacenamiento, gestión y
procesamiento.

Esta tesis pretende integrar y profundizar trabajos y experiencias previas en

cuanto a los nuevos modelos de negocio y modelos operativos, que surgen
vinculados al modelo I4.0 y evolucionan al paradigma emergente I5.0. En
particular se indaga sobre metodologías de adopción, rol del usuario y el cliente,
entre otros aspectos. Un punto de partida para esta tesis aparece en el trabajo
sobre el desarrollo de nuevos modelos de negocio, Walas Mateo (2020), y el
artículo de Walas Mateo & Redchuk (2021). En esta tesis se tratarán los temas
mencionados anteriormente con foco en torno a las soluciones en IIoT,
inteligencia artificial / aprendizaje automático (AI/ML), y metodologías de
adopción en el ámbito industrial para optimizar procesos.

1.5 Algunas definiciones y premisas preliminares

En primer lugar, es necesario aclarar que el modelo I4.0 y su evolución al I5.0
abordan un número muy importante de conceptos y tecnologías. Para completar
la introducción antes de focalizarnos en las hipótesis objeto de esta tesis, nos
ocuparemos de realizar un breve desarrollo de los conceptos más significativos
y relevantes que incorporan estos modelos productivos, para poder avanzar en
el trabajo con mayor claridad.

Se podrá observar en este apartado la compleja naturaleza del paradigma I4.0,

donde los elementos tecnológicos son solo una parte de este complejo modelo
de producción. Por ejemplo, Ganzarain et al (2016), identifican 7 elementos
centrales. Fábricas inteligentes, sistemas Ciberfísicos, auto organización,
nuevos sistemas de distribución y compras, nuevos sistemas de desarrollo de
productos y servicios, adaptación a las necesidades de las personas, y
responsabilidad social corporativa. Aquí nos referiremos a los Recursos
Humanos, Empresas de Base Tecnológica y startups, Innovación abierta,
Sistemas Ciberfísicos, Economía conectada, y los sistemas tecnológicos.

1.6 Foco en los Recursos Humanos.

Una de las primeras cuestiones que genera debate sobre el alcance e
implicancias de los nuevos modelos productivos, es sobre el rol de las personas.
Particularmente uno de los pilares del modelo I5.0 y producto de la evolución
del anterior I4.0, está en la centralidad de las personas dentro del sistema
productivo (Müller, 2020; Breque et al, 2021).

Breque et al (2021) afirman que una de las transiciones paradigmáticas más

importantes que caracterizan a la Industria 5.0 es el cambio de enfoque del
progreso impulsado por la tecnología a un abordaje completamente centrado en
el ser humano. Esto significa que la industria debe tener en cuenta las
limitaciones sociales, con el objetivo de no dejar a nadie atrás. Esto tiene una
serie de consecuencias, relacionadas con la seguridad y entorno de trabajo
propicio, al respeto de los derechos humanos y a las competencias requeridas
para los trabajadores.

Walas & Redchuk (2021) hablan de la oportunidad de complementación y la

nueva definición del rol de las personas, trabajando en forma sinérgica con los
sistemas tecnológicos. Para graficar esto es interesante citar lo que postula Peter
Thiel en su libro de Cero a Uno (2014) sobre la relación Hombre y Máquina, y la
oportunidad de optimizar los resultados de los procesos a través de la
complementación entre estos dos actores del sistema. En este sentido dedica un
capítulo del libro para dar visibilidad al potencial que existe en la
complementación entre hombre y máquina. En ese trabajo presenta varios
ejemplos de casos reales. El más interesante es el que llevó a la creación de la
startup Palantir, que aborda temas de seguridad y que se nutre de un sistema
hibrido hombre-máquina. Se trata de un sistema de software y hardware que
procesa enormes cantidades de datos, y finalmente expertos analistas humanos
toman decisiones.

Según Muller (2020), un pre requisito central para la I5.0 es que la tecnología
esté al servicio de las personas, en lugar de ocurra a la inversa. En un contexto
industrial, significa que la tecnología utilizada en la fabricación se adapta a las
necesidades y la diversidad de los trabajadores de la industria, en lugar de hacer
que el trabajador se adapte continuamente a la tecnología en constante
evolución. el trabajador en el nuevo modelo estaría empoderado, y el ambiente
de trabajo se transforma con más inclusión. Para lograr esto, los operarios
deben involucrarse en los procesos de adopción de nuevas soluciones
tecnológicas.

En línea con el párrafo anterior y para cerrar este tema por ahora, consideramos
que es posible afirmar que los roles y el tipo de trabajo deberá adaptarse a
nuevas formas de trabajo complementario e integrado con contenido de
conocimiento técnico. El trabajo de Erol et al (2016) indica que las personas en
un fututo escenario de producción necesitaran competencias específicas para
afrontar los nuevos desafíos relacionados con los desarrollos tecnológicos y
organizacionales, y los modelos de negocio.

1.7 Sistemas Ciberfísicos

Los sistemas Ciberfísicos o cyber-physical system (CPS), es la integración de
máquinas y artefactos a través del software y la posibilidad de interacción con
las personas. Los sistemas CPS, en sí mismos, son interdisciplinarios, incluyen
sistemas físicos, mecánicos, hidráulicos, eléctricos, electrónicos, software y
sensores. Esto permite generar procesos y productos inteligentes que puedan
ser operados a distancia, contar con información en tiempo real, facilitar la
complementación entre máquinas y personas para optimizar los procesos,
integrar productos con información relevante, entre otras cuestiones.

El artículo de Ferrer et al. (2018) indica que los sistemas de manufactura están
adoptando soluciones con mayor cantidad de sistemas de sensorización en base
a abordajes de CPS para realizar monitoreo de procesos en tiempo real,
optimizar la parametrización, y autoparametrización de máquina herramienta,
robots y procesos industriales desde equipos individuales a entornos de
producción globales.

Este concepto adquiere relevancia en el paradigma I4.0, en este sentido varios

autores identifican a los CPS como uno de los pilares o rasgo distintivo de la
I4.0, Basco et al (2018), Casalet (2018) y Brixner et al (2019), y Smit (2016),
entre otros.

Según Casalet (2018) el desarrollo de los CPS se apoya en: i) los sistemas
inteligentes, los servicios móviles y la computación ubicua, ii) los procesos de
negocios basados en internet, como la tecnología de radio frecuencia para la
identificación de dispositivos (RFID) utilizados de forma creciente en el comercio
y la logística, generalmente integrados con proveedores de servicios en la nube,
iii) las redes sociales y comunidades (web 2.0), incluidas las redes de
conocimiento abierto (open knowledge).

Por último, asociado a este concepto aparece la tecnología de comunicaciones

5G, según Wollschlaeger et al (2017) esta tecnología generará un importante
impacto integrando distintas plataformas y equipos de carácter heterogéneo con
una altísima capacidad de procesamiento, entre otros.
1.8 Sistemas Tecnológicos que integran el paradigma I4.0.

Los sistemas tecnológicos que son el núcleo central de la estrategia I4.0 son en
general tecnologías que están disponibles desde fines del siglo pasado que han
evolucionado, y se han convertido en accesibles por la baja de costos y aumento
de capacidad de los procesadores. Esto que postulo Gordon Moore inicialmente
en 1968, y se transformó en la ley que lleva su nombre permite explicar cómo
la ingeniería computacional se ha incorporado a los sistemas productivos, y en
la sociedad en general, de forma masiva.

Diversos autores (Muhuri et al. 2019, Da Silva et al. (2019), Basco et al (2018),
Casalet (2018) y Brixner et al (2019), entre otros) coinciden en considerar a IIoT,
Inteligencia Artificial, Impresión 3D, Blockchain, Computación en la Nube,
Cobots o Robots Colaborativos, Realidad Aumentada/Virtual, Gemelo Digital,
Ciberseguridad, como elementos tecnológicos comunes en el modelo I4.0.

Debe observarse que las soluciones tecnológicas no solo son aplicables a la

optimización de procesos industriales, sino también a productos y lograr mayor
valor agregado a partir de funcionalidad o servicio.

Las principales características de las soluciones tecnológicas que componen la

I4.0, según Smit (2016) son:

• Interoperabilidad: CPS (transportes, estaciones de trabajo, y productos)

permiten a las personas y fábricas inteligentes conectarse y comunicarse
entre ellos.

• Virtualización: una copia virtual de una fábrica inteligente se crea

vinculando datos de sensores con el modelo de planta virtual y modelos
de simulación.

• Descentralización: la habilidad de los CPS para tomar decisiones propias

y producir localmente gracias a tecnologías como impresión 3D.

• Capacidad en tiempo real: la capacidad de tomar y analizar datos, y

proveer los hallazgos inmediatamente.

• Orientación al servicio

• Modularidad: adaptación flexible de fábricas inteligentes a cambios de

requerimientos reemplazando o expandiendo módulos individuales.
Para redondear la descripción de los elementos de la tecnología computacional
que componen el paradigma de I4.0, Smit (2016) se refiere al potencial
disruptivo para la transformación de la producción que encapsula el modelo
I4.0, al considerar que por primera vez es posible vincular sistemas que
tradicionalmente estuvieron separados dando el ejemplo del uso de tecnología
RFID o mini transponders. Esto significa que cada producto posee información
digital embebida en él, y puede ser compartida al moverse a través de la cadena
de valor, comunicándose independientemente de la interferencia humana. Así
la información generada puede ser analizada con procesos de big data y
computación en la nube. De esta manera es posible permitir resolver
trazabilidad, detectar y resolver temas específicos de los procesos como desgaste
de la herramienta, uso de componentes, entre otros, en el piso de planta.
Teniendo en cuenta que todo es realizado automáticamente, los dispositivos
inteligentes son capaces de gestionar las operaciones de manufactura y
optimizarlas en forma autónoma, ajustando sus propios parámetros a medida
que censan propiedades de un producto.

1.9 Metodologías Ágiles

El último elemento que se introducirá para iniciar el tratamiento del tema está
referido al nuevo paradigma de gestión de proyectos y puesta en el mercado de
productos.

La incertidumbre en el entorno de negocios, acelerado por el vertiginoso cambio

tecnológico, en el marco de la evolución del paradigma hacia el modelo I5.0 más
sostenible y centrado en el ser humano, también ha generado la necesidad de
un nuevo estilo de gestión de proyectos. Los enfoques tradicionales basados en
planes ya no son efectivos y deben actualizarse con prácticas más centradas en
las personas y basadas en el valor.

Por lo tanto, en los últimos tiempos se ha generado una evolución del ámbito de
la producción hacia metodologías más dinámicas y flexibles con mayor
orientación al cliente, estas metodologías son las denominadas Ágiles (Cooper
and Sommer, 2018, Ullman, 2019). El concepto que subyace detrás de estas
metodologías es facilitar la adaptación del proyecto a condiciones de borde que
cambian permanentemente y poder interactuar con el cliente para obtener
feedback con la mayor frecuencia posible, y lograr la cocreación de la nueva
solución. De esta manera, se pretende entregar un producto lo más ajustado
posible a los requerimientos de la demanda. Por otro lado, las metodologías
ágiles a partir de explotar los beneficios de la generación de soluciones iterativas
e incrementales, típicos del desarrollo ágil de software, permite que el cliente o
el adoptante de la solución se involucre en el proceso de desarrollo en una
instancia temprana, y se transforme en cocreador de la nueva solución.

1.10 La economía conectada

Este concepto desarrollado por Andrei Vazhnov (2015), hace referencia a las
plataformas informáticas y su integración que permite un efecto de ubicuidad y
alcance extraordinario permitiendo modelos de negocio y trabajo disruptivos. El
autor cita especialmente los casos de Uber y Airbnb. Una plataforma es un
entorno donde se ejecuta una aplicación, y a partir de la conectividad en red
esta definición se ha extendido a un espacio donde distintos usuarios pueden
interactuar entre ellos o con objetos físicos. Esto da lugar a lo que se denominó
como CPS.

La integración y alcance de las plataformas se genera al estar conectadas a

través de APIs. Una API, acrónimo de Application Programming Interface, es el
mecanismo que permite integrar dispositivos y plataformas. Es algo que facilita
por ejemplo que aplicaciones que utilizan georreferenciación puedan acceder a
información de Google Maps.

Este fenómeno de mundo líquido, como lo llama Vazhnov (2015) a partir de la

posibilidad que genera internet y la movilidad, posibilita reconfigurar cadenas
globales de valor, e integrar distintas plataformas para facilitar la gestión de las
operaciones. Creemos que es un elemento emergente de la evolución de las TICs
y tiene fuerte implicancia en el desarrollo del modelo I4.0.

Además, este fenómeno puede considerarse también como un emergente del

paradigma de innovación abierta del tipo Outbound según Di Minin et al (2016),
donde presenta casos de empresas que integran sus productos para conformar
plataformas con un mayor alcance y completar funcionalidad.
1.11 Innovación abierta.
El término innovación abierta se ha hecho popular a partir de los trabajos del
Prof. Henry Chesbrough (2003). Aunque también podemos citar trabajos previos
de Von Hippel (1988, 2005), un investigador del MIT que sin mencionar
explícitamente el término innovación abierta, ha desarrollado el concepto de la
innovación desde distintas fuentes en su trabajo Sources of Innovation (1988).
Más tarde profundizó la importancia de las comunidades de innovación y su
interacción en el trabajo Democratizing innovation (2005).

La innovación abierta es un modelo de innovación que no posee una definición

exacta, pero podemos afirmar que se trata de innovar a partir de inputs del
mercado, compartir estándares de fabricación, interfaces y modelos de gestión
con otras empresas (incluso competidoras en el mismo sector) puede permitir
una mayor velocidad para la innovación por la reducción de costos y riesgos
asociados a los procesos de I+D+i. Como existen economías de plataforma, tal
como mencionamos en el apartado anterior, cuanto mayor sea el número de
participantes mejor será la funcionalidad de la plataforma. Basco et al (2018)
cita en su artículo el ejemplo de Nova Paint Club en la empresa Sinteplast en
Argentina.

Un emergente de la innovación abierta es el surgimiento de opciones de software

y hardware libre. La modalidad “open source”, genera una enorme oportunidad
para la difusión de la tecnología y como titula Von Hippel (2005), haciendo
posible la “Democratización” de la innovación.

El motivo por el cual se introduce este concepto, está relacionado con la

complejidad de las herramientas tecnológicas, su integración y la necesidad de
interacción entre actores de distinta naturaleza durante el proceso de adopción
de la herramienta en la empresa industrial, es decir la concreción de la
innovación. En este sentido podemos citar la posibilidad de integrar soluciones
de software o hardware libre con herramientas corporativas. Otro caso de
aplicación de innovación abierta es la posibilidad que brindan las plataformas
open source, como el caso del software de gestión ODOO (2022). Esta es una
plataforma de clase mundial que esta accesible a empresas de distintas
características y segmentos, y facilita la adopción de una plataforma que
permita integrar todos los procesos de la empresa sin incurrir en una gran
inversión. Un último caso podría ser el de una gran empresa tecnológica que se
asocia a un equipo de desarrollo de una universidad para adaptar una solución
tecnológica global a las necesidades de una empresa local.

Mónica Casalet (2018) en su trabajo sobre la digitalización industrial indica que

el trabajo colaborativo y multidisciplinario es una condición del proceso para
lograr diseños efectivos y viables, así como también la necesidad de generar
normas y protocolos en las interfaces entre componentes.

Finalmente, la Innovación Abierta se nutre de un ecosistema de innovación

donde es muy importante la especialización y la conectividad. Di Minin et al
(2016), expresa que el lugar de la innovación ya no está en las grandes empresas
individuales, sino en las redes de innovación, que involucran distintos socios:
universidades, laboratorios, Startups, PYME, multinacionales y gobiernos. Las
relaciones entre estos jugadores determinan en gran medida el rendimiento
general de un ecosistema de innovación. La innovación abierta es esencial para
el correcto funcionamiento de estos ecosistemas, ya que se basa en el
intercambio de ideas y la explotación de recursos dentro y fuera de las
organizaciones.

1.12 Alcance de la tesis

Para iniciar la discusión del tema que se pretende abordar, se pone en
consideración la definición de modelo operativo de negocio y modelo de negocio
según Iansity & Lakani (2020). Los autores definen que el valor de una empresa
está determinado por estos dos conceptos. El modelo de negocio de la empresa,
definido como la forma en que la empresa promete crear y capturar valor.
Mientras que el modelo operativo de la empresa, es definido como la forma en
que la empresa entrega el valor a sus clientes.

Tomando como referencia el trabajo de Walas Mateo & Redchuk (2021), se

puede observar que existe suficiente evidencia sobre el uso y beneficios de la
analítica de datos en el entorno productivo, en este trabajo se pretende estudiar
y analizar las oportunidades y dificultades que surgen del uso de la Inteligencia
Artificial y el Aprendizaje Automático en el entorno industrial para mejorar los
procesos industriales.

Por otro lado, Da Silva et al. (2019) observan que para implementar el concepto
de I4.0, además del conocimiento técnico, se deben evaluar una diversidad de
otros temas, como (i) ¿Cuáles son las ventajas y desafíos que presenta este
concepto? (ii) ¿Cuáles son los recursos que las empresas necesitan disponer?
(iii) ¿Cuáles son las barreras inherentes al proceso de adopción? Comprender
estos problemas es fundamental para una mejor dirección con respecto a la
implementación y la evolución de las soluciones vinculadas a la estrategia I4.0.
Estas son algunas de las preguntas que se han considerado como parte del
problema de investigación que se plantea y que se pretende responder en esta
tesis.

Otra observación que es objeto de este trabajo es lo que establece Muhuri et al.
(2019), referente a que la digitalización de productos y servicios se ha convertido
en una necesidad para un ecosistema industrial sólido. Sin embargo, estos
requisitos y tecnologías avanzadas han hecho que los sistemas sean más
complejos y han llevado a muchos otros desafíos como ciberseguridad,
confiabilidad, integridad, etc. Estos son algunos de los principales cuellos de
botella que deben superarse para el diseño e implementación exitosos del
modelo I4.0.

En el texto de Iansiti & Lakani (2020) se conceptualiza a la Fábrica de

Inteligencia Artificial (IA) como el núcleo de la empresa moderna, donde se
industrializa la recopilación de datos, el análisis y la toma de decisiones. La
fábrica de IA es el motor de decisiones escalable que impulsa el modelo operativo
digital, donde se crea valor, de la empresa del siglo XXI. Las decisiones
gerenciales están cada vez más integradas en el software, que digitaliza muchos
procesos que tradicionalmente han sido llevados a cabo por empleados. Los
modelos operativos digitales pueden tomar varias formas, las fábricas de IA
están en el centro del modelo, guiando los procesos más críticos y las decisiones
operativas, mientras que los humanos se mueven al límite, fuera del camino
crítico de la entrega de valor. A partir de los conceptos aportados por estos
autores se deben considerar dos puntos en este trabajo. El primero es
transformar el entorno industrial en un entorno de fábrica de IA, y el segundo
es el nuevo rol del operador industrial, o del ingeniero industrial.

Este trabajo tiene como objetivo tomar en consideración los problemas de los
párrafos anteriores, en el marco de la adopción de soluciones AI/ML. Un tema
clave a explorar es cómo los operadores de procesos o ingenieros industriales
pueden hacer frente al desafío que significa la disrupción que se produce en el
escenario industrial al adoptar modelos de análisis de datos.

Por lo tanto, el alcance de esta tesis está focalizado en metodologías que faciliten
la gestión del cambio en la organización, para la adopción de soluciones de
Inteligencia Artificial de forma efectiva en término de uso de recursos, y exitosa
en cuanto al logro de los resultados planificados al inicio del proceso de
implementación de la nueva solución.

El alcance comprende investigar como las empresas industriales tradicionales

pueden evolucionar hacia el nuevo paradigma I5.0 y su complementación con
el I4.0 a partir de la utilización de las metodologías citadas en el párrafo
anterior.

Se analizarán metodologías que logren el modelo de Inteligencia Artificial

centrado en el usuario. En este sentido se profundizará como hacer realidad la
incorporación de herramientas digitales que tradicionalmente requieren
recursos con conocimiento de programación de software, herramientas
matemáticas y estadísticas, en un entorno donde el ingeniero de procesos y
operador de planta no siempre cuentan con estas competencias. Por otro lado,
debemos considerar las cuestiones de borde de la operación industrial en
cuanto a factores que intervienen, es decir características del entorno, de los
procesos, personas, materiales, máquinas, entre otros.

Un punto central de la tesis será indagar sobre mecanismos para lograr integrar
los conocimientos del proceso, que posee el operador en la planta con la solución
analítica a desplegar. De esta forma lograr el empoderamiento de las personas
en la planta, y maximizar la optimización de los procesos operativos
consumiendo la menor cantidad de recursos en el proceso de adopción, y lograr
impacto significativo en el corto plazo.

Además, debe considerarse las oportunidades para generar nuevos modelos de

negocio centrados en el usuario y en el cliente. Este punto que se enuncia en el
trabajo de Walas Mateo & Redchuk (2020), será profundizado y analizado con
mayor detalle en la presente tesis.

Por último, se incluyen también cuestiones relacionadas con innovación abierta,

y el ecosistema de innovación para poder integrar soluciones de distintos
orígenes, facilitar el acceso a soluciones tecnológicas que permitan desarrollar
la plataforma analítica adecuada para cada proceso industrial con los mejores
resultados operativos en términos de KPI.

1.13 Hipótesis de la tesis

Habiendo planteado el alcance del trabajo es posible avanzar en el planteo de la
hipótesis sobre la que se trabajará en la presente tesis.
En primer término, se aparece la cuestión asociada a la necesidad de
democratización de la aplicación de modelos analíticos en las empresas
industriales a través de nuevos modelos operativos y de negocio, donde el
usuario y el cliente deben ser el foco de esos modelos.
Luego se debe considerar la velocidad de adopción de los nuevos modelos en el
marco de la estrategia I4.0/I5.0 y la necesidad de alcanzar el mejor resultado a
partir de la inversión en recursos, que por menor que sea, debe traer un retorno
a la inversión (o ROI según sus siglas en inglés) positivo, en plazos cortos, y el
mayor posible.
Por lo tanto, en esta tesis se buscará desarrollar conocimiento para responder
las siguientes preguntas:

¿Es posible adoptar los nuevos modelos de negocio en el menor

tiempo posible con el mayor retorno de la inversión?

¿Cómo preparar a las personas involucradas en los procesos

operativos para poder operar los nuevos modelos?

¿Cómo es posible saber de manera temprana si el proceso de

adopción del nuevo modelo tendrá impacto cuando esté
completamente desplegado?

¿Es posible desarrollar nuevas startups tecnológicas que

ofrezcan soluciones de IA/ML que faciliten la aplicación de
analítica prescriptiva en los procesos industriales?

¿Cómo se integra la arquitectura IIoT con soluciones IA/ML

para generar procesos inteligentes a partir del uso de la
analítica prescriptiva?

¿Es posible lograr empoderar a las personas en los procesos

industriales y lograr ámbitos productivos ambientalmente más
amigables, en el marco del paradigma I5.0?

Para validar la investigación objeto de esta tesis, se trabajará sobre el modelo

de negocios, y la solución de inteligencia artificial y aprendizaje automático para
procesos industriales que facilita el paradigma de las Plataformas Low-Code
(LCP por sus siglas en inglés). Además, se considerará la utilización de
metodologías ágiles, en particular la metodología Lean Startup (Ries, 2011).
Estos elementos generan interés para esta tesis por varios aspectos, más allá
de la posibilidad de proponer un modelo de negocio innovador permitiría
democratizar el uso de soluciones de inteligencia artificial en procesos
industriales.
El aspecto más destacable es el hecho de que la propuesta de valor que impulsa
el modelo de negocios está centrada en una LCP, es que permite simplificar la
adopción de modelos de datos en la industria. De esta manera propone
simplificar la optimización de procesos industriales a partir de inteligencia
artificial y aprendizaje automático.
Otras características interesantes a desarrollar sobre el modelo de negocio y la
mirada del paradigma I4.0 y su evolución al modelo I5.0, serán la integración
de esta plataforma con otras soluciones, el modelo de comercialización de
software como servicio (SaaS), y la consideración de los operadores de los
procesos para ser empoderados por las herramientas de IA.
CAPÍTULO 2 – IIoT, Inteligencia Artificial,
Aprendizaje Automático, y Datos en el entorno
Industrial

2.1 Introducción.

En este capítulo se desarrollan los conceptos asociados a la generación de datos

desde los procesos industriales, y su transformación en información para que
las empresas industriales evolucionen hacia el modelo I4.0 para alcanzar el I5.0.

Se presentan conceptos clave y un análisis del estado del arte sobre mejores
prácticas para integrar datos desde las operaciones industriales, y utilizarlos
para generar información de valor agregado para optimizar los procesos
industriales. Se tratan temas de estándares sobre arquitectura de Tecnología de
Operaciones (OT) y Tecnología Informática (IT), se incluyen conceptos de
Internet Industrial de las Cosas (IIoT), Inteligencia Artificial y Aprendizaje
Automático (AI/ML).

Se desarrolla el marco conceptual para analizar a la AI/ML como motor de

optimización de procesos, la integración con IIoT y el potencial para producir
datos para alimentar los modelos de AI/ML estrictamente en el ámbito
industrial.

Al final del capítulo se presenta un análisis de oportunidades y debilidades que

presentan estas soluciones para la optimizar de procesos en el ámbito industrial
según las condiciones de borde establecidas para los nuevos modelos de
producción.

2.2 Generación de datos del proceso industrial, arquitectura integrada

Para iniciar este tema, consideremos el artículo de He & Xu (2014) donde

destacan la necesidad de considerar el enfoque de sistemas al abordar la
investigación en la integración de la información industrial. El texto presenta el
modelado y la integración de flujos de información para la vinculación de la
información empresarial a través de la arquitectura que propone IIoT.

El tema de la recopilación e integración de información ha sido abordado por

organismos de normalización autorizados como la Sociedad Internacional de
Automatización (ISA) (2022) y la Comisión Electrotécnica Internacional (IEC)
(2022). Como ejemplo, el estándar multicapa IEC 62264 basado en las
especificaciones ISA-95 (2010) define un marco de intercambio de modelos de
información que permite la integración de aplicaciones que se ejecutan en áreas
de gestión, y operaciones. Las empresas que cumplen con este estándar pueden
definir interfaces entre el control y las funciones de gestión, lo que les permite
tomar decisiones informadas sobre los datos para intercambiar de forma que
los costos y los riesgos se mantengan bajos en caso de errores de
implementación.

La figura 1 muestra la arquitectura de niveles que propone el estándar

ANSI/ISA-95. Esta norma internacional ha sido generada para abordar los
problemas que surgen durante el desarrollo de interfaces automatizadas en el
ámbito de los sistemas de gestión de la empresa y los sistemas de control. Este
estándar proporciona una guía para la integración vertical de la información de
la firma.
El estándar ISA 95 define un modelo de jerarquía funcional para categorizar las
funciones de las empresas industriales. Este modelo de 5 capas es conocido
como la pirámide de automatización.
El nivel 0 es donde los procesos productivos son realizados. En ese nivel el
marco operacional esta medido en milisegundos (Åkerman, 2018). En este nivel
se encuentran los sensores (presión, temperatura, caudal, etc.), y todos los
dispositivos de campo (actuadores, servo motores, etc.).

El nivel 1 representa la primera capa lógica, donde los datos recibidos desde el
nivel anterior son procesados. Los procesos operativos en este nivel se basan en
mecanismos de retroalimentación constantes. En esta instancia aparecen
elementos de control como Controladores Lógicos Programables (PLC),
variadores de velocidad, entre otros. El marco temporal esta dado en segundos.

El nivel 2 representa la capa de automatización, donde se generan mecanismos

de control y automatización. En esta instancia aparecen las Interfaces Hombre
Máquina (HMI), sistemas de Supervisión Control y Adquisición de Datos
(SCADA). Estos sistemas se comunican con las capas inferiores como los PLC a
través de protocolos, estándares de comunicación, como MODBUS. El marco
temporal en este nivel esta dado en minutos.
El siguiente nivel, el 3, es la capa donde ocurre la contextualización con el
producto que es fabricado. En esta capa se definen y mantienen las recetas o
lista de Materiales (BOM). El sistema que trabaja en esta instancia es el Sistema
de Ejecución de Manufactura (MES), sobre esta herramienta es posible que
operadores ingresen datos. El marco temporal se da en horas hasta días.

El último nivel, el 4, representa la instancia de gestión, planificación, e

inteligencia de operaciones y negocio. El elemento clave es el Sistema de
Planificación de Recursos de la Empresa (ERP). Acá también podemos encontrar
soluciones de AI en la nube. El marco de tiempo se da en semanas hasta meses.

Fig. 1. Modelo de integración vertical de la Información que propone el estándar

ANSI/ISA 95. Fuente: Elaboración propia.

Para concluir este punto debemos observar que, aunque el modelo ISA 95 y la
pirámide de la automatización son aun pertinentes para respaldar las
tecnologías de producción inteligente e IIoT, parecería necesario analizar la
extensión de este modelo a partir de los desafíos que presentan las nuevas
variantes tecnológicas. Este ítem se adelanta como una de las futuras líneas de
investigación.
2.3 Elementos de IIoT
Seetharaman et al. (2019) consideran que la plataforma de IIoT comprende
cuatro capacidades fundamentales: conectividad, big data, analítica avanzada
y desarrollo de aplicaciones. IIoT tiene el potencial de proporcionar un alto nivel
de sinergias entre hombre, máquina, material y método. Según el autor, a los
proveedores de servicios les interesa colaborar y proporcionar una solución
universal para conservar los sistemas heredados a fin de minimizar la inversión
y reducir la amenaza a la seguridad, lo que podría impulsar la adopción de IIoT
al tiempo que garantiza que los fabricantes puedan aprovechar esta nueva
tecnología de manera eficiente.

Sobre los elementos de IIoT, Chandler et al (2022) identifica seis componentes,

que se muestran en la figura 2. Se describen a continuación:

2.3.1 Identificación

Este componente se refiere a la posibilidad de reconocer cada dispositivo

correctamente en el ámbito de la red en forma correcta, es decir asignar una ID
de dispositivo a una dirección IP especifica.

2.3.2 Sensado

La infraestructura de IIoT se nutre de datos del ambiente de operaciones para

transmitirlos a la base de datos local, o a la nube para su procesamiento. En
este componente se identifican sensores, procesadores, y dispositivos que
puedan aportar datos de la operación.

2.3.3 Comunicación

En general, la mayoría de los artefactos de IIoT se conectan a través de la red.

En el ámbito industrial, y esta es una de las particularidades más notables de
la IIoT, es que la comunicación debe soportar connotaciones ruidosas y con
pérdida de calidad. Algunos de las tecnologías utilizados por IIoT son, WiFi,
Bluetooth, NFC, RFID, Lora, e IEEE entre otros.
2.3.4 Proceso Computacional

El poder de cómputo de los dispositivos de hardware es una variable esencial

en IIoT. Los componentes de computación como microprocesadores,
microcontroladores representan el cerebro de la arquitectura.

2.3.5 Servicios

Este es el elemento de IIoT que genera insumos específicos para el usuario final
(por ejemplo, monitoreo de dispositivos o mantenimiento predictivo).

2.3.6 Semántica

La operación semántica en IIoT funciona con información abstracta útil que

surge de manera inteligente desde diferentes artefactos. Este ítem se refiere a
los distintos protocolos que permiten estandarizar la comunicación. Algunos de
estos son: (RDF), Wide Web Consortium (W3C), Efficient XML Interchange (EXI)
y Web Ontology Language (OWL).

Fig. 2. Componentes de IIoT según Chander et al (2022).

2.4 Arquitectura de IIoT. Integración de IT y OT a través de IIoT

La OT consiste en sistemas que monitorean y controlan procesos físicos que

administran procesos automatizados de fabricación, y las aplicaciones
asociadas suelen ser críticas para la seguridad, en tiempo real, incorporando
propiedades adicionales no funcionales, como latencia limitada, confiabilidad y
cumplimiento de estándares de seguridad y protección específicos de la
industria (Garbugli et al., 2021; Arestova et al, 2021).

Hasta ahora, las IT, como computación Cloud/Edge, arquitecturas orientadas a

servicios (SOA) y virtualización, han sido explotados en aplicaciones
industriales solo de forma limitada, es decir, solo en contextos donde no se
necesitaban requisitos muy estrictos. Sin embargo, cada vez es más evidente
que I5.0 tendrá un impacto muy significativo solo con una convergencia total
de OT/IT que impulsará para la profunda explotación conjunta de las
tecnologías informáticas y de comunicación más recientes.

El artículo de Patera et al (2022) desarrolla el marco conceptual sobre la

infraestructura IT y OT para facilitar el modelo I5.0. La convergencia de OT/IT
es fundamental para la integración de datos, y sobre todo para avanzar en
soluciones de AI en el proceso de toma de decisiones industriales,
proporcionando la base para una planta con capacidad cognitiva. El artículo
incluye un caso real que satisface las necesidades específicas de IT y OT,
logrando una transferencia rápida y homogénea de grandes volúmenes de datos
hacia la capa de IT.

Lara et al. (2020) considera que con el auge de tendencias como IIoT y
fabricación en la nube que buscan la convergencia de herramientas de IT en
redes de OT, el análisis de IT y OT es muy buscado en las industrias actuales
que buscan soluciones en tiempo real. análisis de los datos. Para analizar los
datos en el dominio IT y OT es necesario utilizar modelos, que no solo se centren
en describir ambos dominios, sino que también puedan mostrar la relación
entre ellos. En este artículo se presenta una técnica que utiliza los datos
operativos, producidos en una organización a partir de soluciones IIoT, para
modelar OT, con el fin de aplicar métodos de análisis.
2.5 IIoT como facilitador de la AI/ML

En esta sección se desarrollan conceptos, y un análisis del estado del arte sobre
IIoT como solución que habilita y genera oportunidades para la adopción de
soluciones de AI tales como ML.

Para comenzar a analizar esta arista, se puede citar el trabajo de Walas Mateo
& Redchuk (2021), donde se realizó una investigación a partir de un análisis
bibliométrico sobre el impacto de IIoT para el éxito de AI/ML como motor de
optimización de procesos en la I4.0. El trabajo valida la hipótesis, aunque
resalta la complejidad intrínseca que presenta este tipo de soluciones, observa
la novedad del tema, y por último que el tema es dominado por el ámbito
científico académico, pero existe una limitada aplicación en la industria.

En el marco de los sistemas de producción inteligente, el ecosistema de

manufactura está compuesto por una amplia variedad de dispositivos que
recolectan datos de los distintos procesos industriales. Yalcinkaya et al. (2021)
afirma que IIoT es una nueva generación de tecnología que se enriquece con la
existencia de soluciones que toman datos a nivel piso de planta (sensores,
actuadores, etc.) con altos grados de precisión. Por lo tanto, la visibilidad de las
operaciones ha avanzado a nuevos niveles que facilitan la adquisición de una
vasta cantidad de datos y retroalimentación prácticamente instantánea. De esta
manera es posible adoptar algoritmos de AI que facilitan la productividad y
eficiencia en los procesos.

Un trabajo de Silveira et al. (2020) estudia el modelo I4.0 en la industria de los

semiconductores, donde la alta confiabilidad y los bajos costos operativos son
críticos para el éxito de un negocio. En este contexto, ese trabajo propone un
piloto I4.0 como una recopilación de las lecciones aprendidas durante el
desarrollo de un diseño de referencia aplicado a una empresa de pruebas y
empaquetado de semiconductores. Se exploran los requisitos de las salas
limpias y la información relacionada con los sensores y las placas de adquisición
de datos, además de los detalles de rendimiento y las configuraciones
relacionadas con las herramientas de visualización y las notificaciones de
advertencia de las herramientas de AI.

Yang et al (2020) observa que la fabricación inteligente es un nuevo paradigma

que permite que la fabricación entre en su cuarta revolución mediante la
explotación de sensores, comunicaciones y computación de última generación
como el IIoT. Mediante el uso de computación de alto rendimiento y modelado
avanzado, SM tiene como objetivo mejorar la flexibilidad y adaptabilidad de la
fabricación. Los autores abordan esta metodología mediante la revisión del uso
combinado de modelos híbridos basados en datos y basados en el conocimiento,
y analiza cómo dichas técnicas encajan perfectamente en la plataforma de
fabricación inteligente. Además, se brinda una discusión sobre los nuevos
paradigmas de modelos híbridos habilitados por la plataforma de fabricación
inteligente.

En el artículo de Vatter et al. (2019) se afirma que IIoT, big data, análisis de
datos, y computación en la nube están cambiando la producción hacia la
próxima generación de la industria. Para abordar estos desafíos, la fabricación
inteligente en combinación con el análisis de datos juega un papel importante.
En este sentido, la integración de análisis prescriptivos en la fabricación puede
ayudar a la industria a aumentar la productividad. Este documento destaca los
requisitos para un control de producción basado en análisis prescriptivo,
llamado automatización prescriptiva, y finalmente señala el campo de
actividades en este tema.

Finalmente, Khakifirooz et al (2018) se refieren al análisis de big data como

impulsor de la inteligencia de fabricación efectiva para la gestión del
rendimiento en la fabricación de semiconductores, que es uno de los procesos
de fabricación más complejos, como observan los autores, debido a los procesos
de producción estrictamente restringidos, flujos de procesos reentrantes,
equipos sofisticados, demandas volátiles y una mezcla de productos
complicada. De hecho, la creciente adopción de sensores multimodo, equipos
inteligentes, y robótica ha permitido la evolución de IIoT y el análisis de big data
para la fabricación de semiconductores. El estudio desarrolla un marco basado
en la inferencia bayesiana y el muestreo de Gibbs para investigar los intrincados
datos de fabricación de semiconductores para la detección de fallas y potenciar
la fabricación inteligente. El enfoque propuesto fue validado a través de un
estudio empírico y simulación. Los resultados han demostrado la viabilidad
práctica del planteo realizado en este trabajo.
2.6 La Inteligencia Artificial en los procesos industriales
Existen diferentes trabajos en temas de Inteligencia Artificial para la búsqueda
de mejores procesos operativos los cuales han motivado la investigación que se
desarrolla en este trabajo. Uno de ellos es el artículo “Un sistema de soporte de
decisiones difusas para gestionar actividades de mantenimiento de
componentes críticos en sistemas de fabricación” de İhsan Erozan (2019), otro
que despierta interés es “Aplicaciones de aprendizaje automático en líneas de
producción: una revisión sistemática de la literatura” de Ziqiu Kang et al. (2020).
Estos documentos brindan excelentes conocimientos y conceptos sobre AI/ML
para optimizar las operaciones industriales. Al igual que otros trabajos, estos
artículos se centran en la metodología analítica y los beneficios de aplicar AI/ML
en procesos industriales. En este punto, no hay dudas sobre el valor agregado
y la viabilidad del análisis de datos en la fabricación. Lo que se pretende estudiar
en esta investigación es el estado del arte de la ciencia de datos en el entorno
industrial y sobre todo cómo democratizar el uso de AI/ML y llegar a un
despliegue más masivo para buscar la excelencia en los procesos productivos.

Estudios recientes sobre producción inteligente con algoritmos ML cubren áreas

en el ámbito industrial que incluyen planificación de producción, consumo total
de energía, programación de máquinas, diseño de productos y mecanizado
sostenible (Javaid et al., 2020). La inclusión de tecnologías emergentes como
IoT, inteligencia artificial, análisis de datos, servicios de entrega digital está
influyendo en las prácticas de producción inteligente en la era de la I4.0 (Jamwal
et al., 2021; Machado et al., 2020). Algunos estudios han informado que el uso
de estas tecnologías avanzadas en la fabricación sostenible da como resultado
la minimización del consumo total de energía, la reducción de los insumos de
mano de obra y una mejor predicción del mantenimiento basada en las
condiciones (Khan et al., 2017).
Por otro lado, algunos autores (Jamwal et al., 2021; Kumar et al., 2018)
consideran que uno de los principales desafíos es la generación de una gran
cantidad de datos. Esto se justifica por el hecho de que los datos generados
serán útiles para la toma de decisiones, pero se deben organizar, y analizar
mediante el uso de herramientas de modelado de datos.

Las industrias actualmente están aplicando inteligencia artificial y aprendizaje

automático para mejorar la eficiencia, la seguridad de los empleados y mejorar
la calidad del producto. En las empresas manufactureras, el mantenimiento
continuo de las líneas de producción y la maquinaria resulta en gastos
importantes, que también tienen un impacto importante en el resultado final de
cualquier operación de producción dependiente de activos (Sharp et al., 2018).

Según Hernández Orallo et al. (2004), ML o aprendizaje automático es el área

de la inteligencia artificial que se ocupa de desarrollar algoritmos (y programas)
capaces de aprender, y constituye, junto con la estadística, el corazón del
análisis inteligente de los datos. Los principios seguidos en el aprendizaje
automático son similares a los aplicados en la minería de datos: la máquina
aprende un modelo a partir de ejemplos y lo usa para resolver el problema.

La aplicación de técnicas de ML en la fabricación ha ganado popularidad en las

últimas dos décadas (Sharma et al., 2020). En la actualidad, considerando el
ámbito industrial, las herramientas de aprendizaje automático se utilizan en
diversas áreas, p. Ej. resolución de problemas, control y optimización (Syafrudin
et al., 2018). El alcance de las técnicas de ML en la producción, según distintos
requerimientos del sector, se muestra en la tabla 2.

Requerimientos de Fabricación Capacidad de ML para alcanzar requisitos de producción

Capacidad de manejar grandes
Algoritmos de ML son capaces de manejar grandes volúmenes
volúmenes de datos y problemas
de datos con problemas complejos.
complejos.
Capacidad para adaptarse a nuevos ML como parte de Inteligencia Artificial aprende y se adapta a
escenarios por cambios tecnológicos a cambios en el ambiente productivo que genera la adopción de
costos y esfuerzos razonables. la nueva tecnología.
Las técnicas de ML pueden manejar patrones de grandes
Capacidad de minimizar la naturaleza
volúmenes de datos y pueden anticiparse a futuros
compleja de los resultados.
comportamientos de un sistema.
Las técnicas de ML están diseñadas de tal manera que pueden
Capacidad para trabajar con datos
generar conocimiento de datos existentes cuando son
disponibles de maquinas o procesos
procesados. Estos datos procesados es usada para predicciones
productivos.
de comportamiento, ej. Mantenimiento.
Las técnicas de ML pueden contribuir a generar nueva
Capacidad de identificar relaciones
información y conocimiento identificando patrones a partir de
entre e intra procesos.
datos existentes.

Tabla 2. Posibilidad de generar información para la gestión de la producción de

soluciones de ML según requerimientos de la producción específicos.

Las técnicas de ML son parte de la inteligencia artificial, y pueden aprender y

adaptarse a nuevos cambios en los sistemas (Loyer et al., 2016). Priore et al.,
(2001) desarrollan un artículo donde argumentan porqué las técnicas de ML son
necesarias en el sector manufacturero. Según este artículo aprender del
entorno, y adaptarse automáticamente de acuerdo con los requerimientos que
marca la demanda, es la principal fortaleza de las técnicas de aprendizaje
automático.

Cuando nos referimos a la integración de la información y su arquitectura para

contar con datos para nutrir los algoritmos de ML, podemos considerar el
estándar ISA 95 visto anteriormente. Tal como se observó cuando se trató este
estándar, en los niveles inferiores ocurre la captura de la información y las
actividades de control, y a medida que llegamos a los niveles superiores la
complejidad aumenta. En los dos niveles superiores es donde las plataformas
de gestión y planificación comparten datos y se comunican entre ellas. Pedone
& Mezgar (2020) estudiaron sistemas altamente heterogéneos en I4.0 desde la
perspectiva de la adaptación con el modelo de la nube, incluyendo sistemas IIoT
y CPS. En el trabajo que presentan justifican que la interoperabilidad y la
portabilidad de datos son los desafíos más importantes para adoptar nuevas
tecnologías en el complejo ecosistema I4.0.

En el mismo texto los autores, destacan que es en los dos niveles superiores
donde los sistemas productivos se benefician con la adopción de computación
en la nube, big data, AI, y ML. La figura 3 muestra donde se genera el espacio
para adoptar ML en la pirámide de automatización.

Fig. 3. Donde se presentan las oportunidades de adopción de soluciones de ML en los

procesos industriales según el estándar ISA 95.
Witten et al. (2017), presenta el ciclo de vida de referencia de proyectos de Data
Science, aplicable a ML en la industria. El CRoss Industry Standard Process
for Data Mining (CRISP-DM) es un modelo de proceso que sirve como base para
un desarrollo de ciencia de datos. El mismo tiene seis fases secuenciales:

1- Entendimiento del negocio – ¿Qué necesita el negocio?

2- Comprensión de datos: ¿qué datos tenemos/necesitamos? ¿Está limpio?
3- Preparación de datos: ¿cómo organizamos los datos para el modelado?
4- Modelado – ¿Qué técnicas de modelado debemos aplicar?
5- Evaluación: ¿Qué modelo cumple mejor con los objetivos comerciales?
6- Implementación: ¿cómo acceden las partes interesadas a los resultados?

Publicado en 1999 para estandarizar los procesos de minería de datos en todas

las industrias, desde entonces se ha convertido en la metodología más común
para proyectos de minería de datos, análisis y ciencia de datos.

Según Witten et al. (2017), la metodología de adopción sugerida para un

proyecto de ML, u otro de ciencia de datos, debería combinar una
implementación flexible de CRISP-DM con enfoques generales de gestión de
proyectos ágiles basados en equipos para obtener los mejores resultados. La
figura 4 ilustra el ciclo de vida del CRISP-DM.

Fig. 4- Ciclo de vida de un proyecto de ML según el modelo CRISP- DM.

Por último, sobre la aplicación de AI/ML en los procesos industriales, en
términos de Brun et al. (2019) este tipo de soluciones también representa un
upgrading del proceso, es decir, permite llevar a los procesos industriales a
niveles superiores para generar cadenas de valor globales más competitivas.
Bajo este punto de vista, se deben considerar algunas otras cosas en este
documento, como el tiempo y los recursos necesarios para implementar y
capturar el valor de AI/ML en el taller, los costos y el ROI, la calidad y cantidad
de datos necesarios para alimentar los modelos analíticos, entre otros
elementos.

2.7 Antecedentes de aplicación de AI/ML en la industria

Esta sección presenta un análisis del estado del arte en la adopción de AI/ML
en la industria. Se desarrollan casos de aplicación en el sector siderúrgico, la
minería, y optimización de energía en industrias de procesos, sectores de interés
para el desarrollo de esta tesis.

El trabajo de Mishra et al. (2020) presenta una metodología basada en ML

utilizada para mejorar la productividad del alto horno en Jindal Steel and Power
Limited (JSPL), India. El artículo menciona que el impacto de la mejora en la
productividad se observó luego de 18 meses de iniciado el proyecto. Las mejoras
se lograron, entre otras cosas, utilizando ML y la integración con el conocimiento
del dominio de los especialistas en la operación metalúrgica de un alto horno.

En este caso, los autores destacaron la importancia de los métodos de ML para

mejorar la productividad y la calidad en el procesamiento de materiales de flujo
continuo, como sucede en un alto horno.

Según Spadaccini et al. (2018), una plataforma de datos totalmente integrada

es la base para utilizar un enfoque de análisis de datos estadísticos, potenciado
por tecnologías emergentes de AI y ML. De esta manera es posible la extracción
de conocimiento embebido útil para la optimización de la producción, los costos
y la calidad, entre otros. La industria siderúrgica es un campo abierto en el que
aplicar estas técnicas: la alta disponibilidad de datos, y la necesidad de
controlar procesos complejos y multifísicos, cumplen los requisitos para una
implementación exitosa de un enfoque basado en datos. Esto fue demostrado
en la planta de ABS, Acciaierie Bertoli Safau, Italia, que, junto con la experiencia
de socios industriales, comenzó a utilizar análisis predictivo.

Entre otras aplicaciones de ML en el ámbito industrial se encuentra el

presentado por Ruiz-Sarmiento et al. (2020) que desarrollo una metodología
para aportar soluciones que permitan resolver el problema del procesamiento y
renderizado de datos, y diseño de modelos predictivos. Estos han sido
desplegados en una fábrica de ACERINOX Europa S.A.U para optimizar la
gestión del mantenimiento de los equipos que intervienen en el proceso
productivo.

El estudio de Gazola et al. (2021) en Gerdau Aços Longos SA, Brasil, presenta
una solución basada en ML para evitar que palanquillas de acero con un grado
diferente al especificado siga al siguiente proceso. La metodología identifica el
producto de acero en el proceso de laminación. Usando una técnica de detección
de valores anómalos, es posible identificar patrones en los datos para cada
grado de acero, identificando cuándo no coincide con el resultado esperado en
los datos simulados. Al momento de generar el artículo, los autores habían
logrado resultados con el modelo funcionando off line, y estaban trabajando
para realizar más pruebas durante la producción para lograr validar la eficiencia
del modelo.

Siguiendo con casos en la industria del acero, Waters et al. (2021) presenta el
caso de la startup tecnológica Falkonry, que ofrece una plataforma de AI como
una solución para resolver el desafío que genera la adopción de tecnología ML y
la AI en el ámbito productivo. En este caso la aplicación de ML se basa en una
técnica de clasificación de series de tiempo consistente, y repetible que presenta
robustez frente a fuente de datos incompletos e irregulares. Según el artículo,
esta solución genera información para reaccionar ante cambios en las
condiciones de producción, a partir de los datos generados en el proceso. En el
documento se presenta una discusión sobre los desafíos subyacentes en la
aplicación en tiempo real en los sistemas industriales. Luego presenta un
estudio de caso de cómo se aplicó ML en una planta de producción de acero
para predecir la falla de equipos, y de esta manera facilitar la gestión del
mantenimiento predictivo.
En el trabajo de Manojlović et al. (2022) se desarrolla un caso donde un horno
eléctrico en una industria siderúrgica ha sido optimizado a través de aplicación
de ML, lo que genera un menor consumo de energía del proceso productivo. En
el estudio, se utilizaron diferentes métodos de procesamiento de datos y
aprendizaje automático para evaluar los parámetros de eficiencia energética del
horno. Los autores señalan que el conjunto de datos se recopiló durante cinco
años, en una fábrica de acero, se consideraron 42 variables. El artículo da
cuenta de complejidades a ser resueltas en el camino para lograr una adopción
exitosa de la metodología para optimizar un proceso industrial.

El artículo de Avalos et al (2021) presenta la adopción de ML en operaciones

mineras para predecir el consumo de energía en un Molino SAG. El trabajo
propone una metodología que utiliza variables operativas en tiempo real para
pronosticar el próximo consumo de energía a través de técnicas de aprendizaje
automático y aprendizaje profundo. Se estudiaron varios métodos predictivos y
se presenta un flujo de trabajo sobre cómo manejar conjuntos de datos reales y
cómo encontrar modelos óptimos.

Flores & Leiva (2021) en su trabajo, abordan el uso de métodos de IA para

mejorar los procesos de producción de cobre. El artículo desarrolla un caso en
una operación minera en el norte de Chile, donde compararon tres modelos para
predecir la recuperación de cobre por lixiviación utilizando cuatro conjuntos de
datos del proceso. El artículo describe todo el proceso desde la preparación del
conjunto de datos hasta la obtención final de los resultados, que dieron valores
competitivos altos en comparación con los obtenidos en estudios similares
utilizando otros enfoques en el contexto.

El trabajo de Barnerwold & Lotermozer (2020) observa las limitaciones que

presenta el sector minero para determinar qué tecnologías digitales son más
relevantes para sus necesidades de optimización de procesos. Los resultados
demostraron que actualmente se consideran 107 tecnologías digitales diferentes
en el sector minero. Las operaciones mineras a gran escala parecen seleccionar
y aplicar tecnologías digitales adecuadas a sus necesidades, mientras que las
operaciones con tasas de producción más bajas no implementan las tecnologías
digitales actualmente disponibles en la misma medida. Estos productores
menores pueden requerir otras soluciones de transformación digital adaptadas
a sus capacidades y necesidades y aplicables a su escala de operaciones.
El artículo de Zelinska (2020) es un punto de partida muy interesante sobre el
potencial del ML en la minería a través de sus diversos métodos. El artículo
aborda el posible impacto para mejorar los procesos en la empresa minera y
maximizar el uso de los equipos. El artículo destaca la alta dependencia de las
tecnologías de la información, el análisis matemático, los especialistas en
estadística. Además, el artículo también señala que la adopción de la tecnología
ML es una condición prometedora y necesaria para aumentar la eficiencia
minera y garantizar la seguridad ambiental.

Ali y Fripong (2020) observan que la industria minera ha estado rezagada en la

aplicación de metodologías innovadoras para lograr la autonomía de operación
aplicando AI. Sin embargo, afirman que esta tendencia está cambiando y
presentan un estudio que revisa y analiza todo el trabajo reciente relacionado
con la automatización en la industria minera. El trabajo brinda
recomendaciones para implementar Deep Learning (DL), ML y AI en el sector
minero. El artículo concluye que la tecnología mencionada podría contribuir a
establecer la mina del futuro, generando procesos más eficientes, efectivos y
más seguras con operaciones mineras sostenibles.

El trabajo de Visser (2020) se centra en la creciente disponibilidad de

información y capacidades de análisis de datos. El documento presenta un
modelo para la alineación de los sistemas, el diseño organizacional y las
prácticas de gestión para facilitar la adopción de la gestión de operaciones
impulsada por el rendimiento en la minería y el procesamiento de minerales. El
artículo destaca la necesidad de involucrar y motivar a los operadores en la
metodología de mejora basada en datos y empoderarlos para tomar el control
de la toma de decisiones en intervalos cortos.

Contribuyendo a establecer el marco conceptual, el artículo de Sharma et al.

(2021). En este artículo, los autores destacan la lentitud de la industria minera
en adoptar la digitalización en comparación con otros segmentos de la industria.
Las empresas están lidiando con las presiones de los costos de operación debido
a las fluctuaciones de la demanda y al aumento de los costos de operación. Los
costos de mantenimiento del equipo suman alrededor del 10% al 30% de los
costos directos de las operaciones mineras debido a las diferentes condiciones
de operación. En el artículo se desarrolla un modelo innovador de ML que
optimiza el programa de mantenimiento centrado en las acciones basadas en
datos para demostrar las métricas de la efectividad general del equipo (OEE), la
efectividad del rendimiento general (OTE) y el cálculo del factor de impacto (IF).
Además, la mejora del IF se demuestra a través de un estudio de caso de palas
mineras. En este sentido la optimización del IF, al optimizar el tiempo de uso y
el volumen producido por equipo, está alineada con la mejora de la
productividad de los equipos según los ODS de la ONU.

Por último, otro trabajo que colabora en este estudio es el trabajo de Abukwaik
et al. (2022), que a través de un estudio de caso empírico evalúa la eficacia y
eficiencia del método propuesto en comparación con los existentes en la
literatura en un proceso industrial. La investigación destaca la importancia de
considerar el conocimiento del dominio industrial en la selección de
características para construir un modelo de ML industrial robusto. En el trabajo
definen el proceso industrial como una red compleja de miles de elementos
interconectados por flujos de material, energía e información. Finalmente, el
documento propone un método de selección de características para capturar el
conocimiento del dominio e identificar las señales de proceso relevantes.

2-8 Oportunidades para el desarrollo de una nueva metodología para la

incorporación de IA/ML en el ámbito Industrial

Teniendo en cuenta los antecedentes considerados, parece no existir dudas

sobre el valor agregado que aportan las soluciones basadas en AI/ML en el
ámbito industrial para optimizar procesos operativos. Por otro lado, la adopción
de estas soluciones aparece como una opción viable según las numerosas
publicaciones académicas que dan cuenta de casos en distintos sectores
industriales.

No obstante, la afirmación del párrafo anterior, se percibe la necesidad de

generar metodologías y soluciones que permitan democratizar el uso de AI/ML
en la industria, como elemento clave para el despliegue masivo y la excelencia
en los procesos productivos.
Un artículo de Davenport (2020), que se basa en una investigación de Deloitte
sobre el uso de herramientas de IA en la industria, destaca cómo han
disminuido las barreras para la adopción de herramientas de inteligencia
artificial. Basado en una encuesta de más de 2727 ejecutivos globales de nueve
países, y todas sus organizaciones han adoptado IA. Los hechos clave que
surgen del artículo son que los encuestados sienten que la IA es cada vez más
fácil y seguirá siéndolo.
Desde este artículo se desprenden dos conceptos a considerar. El primero es la
preferencia por adoptar tecnología de AI desde una solución del mercado, en
lugar de desarrollar algo específico para la empresa. Además, siguiendo con el
primer concepto, el artículo destaca que el 74% de los ejecutivos consultados
coincidieron en que “la AI se integrará en todas las aplicaciones empresariales
dentro de tres años”. En términos de la práctica actual, el 50% dice que
"comprará todas" sus capacidades de AI. El segundo concepto, se refiere a los
riesgos que el adoptante ve sobre la AI. Algunos de los riesgos específicos que
más preocuparon a los encuestados fueron problemas de ciber seguridad, fallas
de IA que podrían afectar las operaciones, uso indebido de datos personales, y
cambios regulatorios relacionados con IA/ML.
Por otro lado, a partir de la investigación desarrollada se puede observar que el
concepto en este momento es bien conocido y dominado por Investigadores,
Matemáticos e Ingenieros en el campo de la investigación operativa y de
software, entre otros. Parece surgir una gran duda con respecto al conocimiento
del concepto y el valor que AI/ML puede agregar en el taller para el operador del
proceso. En esta línea, el trabajo de Davenport (2020) arroja algunas luces sobre
el conocimiento del tema por parte de los Directivos.
Otra observación para considerar es lo que afirma Muhuri et al. (2019) sobre
estudios que han demostrado que la digitalización de productos y servicios se
ha convertido en una necesidad para un ecosistema industrial sólido. Sin
embargo, estos requisitos y tecnologías avanzadas han hecho que los sistemas
sean más complejos y han dado lugar a muchos otros desafíos, como la
ciberseguridad, la confiabilidad, la integridad, etc. Estos son los principales
cuellos de botella que deben superarse para el diseño y la implementación
exitosa del modelo I4.0.
Entre las oportunidades que se perciben a partir de la investigación realizada,
aparece la necesidad de acortar los ciclos de implementación de varios meses,
dieciocho como se ve en el caso de Jindal Steel Power Limited (Mishra et al.,
2020) o generar metodologías que faciliten acelerar el proceso de adopción de
soluciones de AI/ML en sectores que muestran un retraso en la incorporación
de soluciones de digitalización industrial, como sucede en la Minería (Sharma
et al, 2021).
Por otro lado, aparece la necesidad de involucrar a las personas, empoderarlas
para la toma de decisión, y lograr el compromiso para la operación y en la
metodología de mejora basada en datos. En este sentido esto se alinea sobre lo
que observa Visser (2019) en su artículo.
Otra oportunidad surge en la necesidad de llevar a la solución de IA/ML al
dominio industrial con todas sus particularidades y complejidades que
contienen sistemas socio técnicos complejos como el ámbito de la producción.
En ese sentido el artículo de Abukwaik et al. (2022) da algunas
recomendaciones para que el equipo de científicos de datos sin conocimientos
del proceso industrial adquiera ese conocimiento para entrenar al modelo de
ML. Aquí la observación a realizar es que la adopción de modelos de ML/AI
según esos autores es un terreno que le pertenece a científicos y tecnólogos sin
conocimiento del entorno industrial.
Lepenioti et al (2020) observan que hay una gran cantidad de datos operativos
que no se están utilizando. El artículo señala que las industrias están sentadas
en una mina de oro de datos históricos, heredados y operativos inexplorados de
sus sistemas de ejecución de fabricación (MES) y sistemas de planificación de
recursos empresariales (ERP), entre otras fuentes de software, y no pueden
darse el lujo de perderse su potencial inexplorado. Sin embargo, actualmente
solo se utiliza entre el 20% y el 30% del total de dichos datos disponibles en
bases de datos.
Entre los casos de aplicación en la industria aparece el caso de la startup
Falkonry (Waters et al., 2021). Este trabajo pone de manifiesto las posibilidades
que generan las técnicas de análisis de datos para optimizar procesos
industriales, y las oportunidades para generar oferta de soluciones que
permiten hacer más fácil la adopción de IA/ML en empresas industriales
tradicionales, como en el caso del sector siderúrgico.
Una observación sobre los casos analizados es que en general se trata de
desarrollos puntuales difíciles de escalar. Se trata de casos altamente
especializados en la resolución de una problemática puntual, y podrían
presentar dificultades para y demostrar los beneficios de la IA/ML en el taller
de producción.
Por último, aparece la oportunidad de generar metodologías que permitan
adoptar AI/ML en procesos industriales, y potenciar el conocimiento experto, o
conocimiento tribal (Lin et al., 2016) en el ámbito industrial. En las empresas
industriales, el conocimiento tribal se refiere a información sobre un proceso
que no está debidamente documentado, y en general se trata de conocimiento
tácito de los operadores de procesos. Si bien el conocimiento tribal fomenta el
trabajo en equipo, dificulta las mejoras de procesos y los análisis de causa raíz,
especialmente porque las personas manejan información en forma individual y
no siempre es compartida correctamente, lo que oculta los datos al impedir el
libre intercambio de información de valor agregado. Este fenómeno se ha visto
agravado por el retiro de trabajadores experimentados, y una nueva generación
de profesionales más jóvenes ocupando espacios de toma de decisión en las
industrias. Como resultado, las empresas deben lidiar con el desafío de tratar
de asesorar a profesionales con menor experiencia, y avanzar en el conocimiento
del dominio, mientras intentan estandarizar las mejores prácticas para
desarrollar una ventaja competitiva.
CAPÍTULO 3 – Metodología propuesta y casos de
aplicación
3.1 Introducción

En los capítulos anteriores se ha planteado el marco conceptual, y el estado del

arte en la tecnología de interés, AI/ML, en el marco de la digitalización industrial
y el modelo Industria 4.0/5.0. Para avanzar en el desarrollo de esta tesis, en
este capítulo se propone y se describe, una metodología que pretende impulsar
y democratizar la adopción de soluciones de AI/ML en el ámbito industrial, y de
esta manera facilitar a las empresas de distintos sectores productivos,
evolucionar en el modelo I4.0/I5.0.

Los artículos de Walas Mateo & Redchuk (2021, 2022) se refieren al impacto de
la aplicación de soluciones de AI/ML sobre los procesos industriales. En esos
artículos se presenta importante evidencia sobre los aspectos positivos que
conlleva la aplicación de este tipo de soluciones en la industria, tal como se
desarrolló en el capítulo anterior a través de nuevos modelos de negocio. En esa
sección fue posible visibilizar los desafíos y oportunidades que aparecen para
lograr una exitosa transformación del ámbito industrial a través de la adopción
de soluciones de analítica prescriptiva.

Por lo tanto, a continuación, se desarrollan los conceptos que permiten

establecer una metodología para que, a partir de un nuevo modelo de negocios
innovador, los operadores de procesos industriales sean empoderados
utilizando IA/ML. La propuesta se focaliza en una solución de ML desarrollada
sobre una plataforma de bajo código (Low Code platform, LCP) que se adopta en
entornos de producción, a través de un proceso de cocreación facilitado por una
metodología ágil conocida como Lean Startup (Ries, 2011). Esta metodología
permite lograr mejores resultados en un proceso de adopción menos complejo y
lento, posibilitando la democratización de la inteligencia artificial y aprendizaje
automático en entornos industriales tradicionales. Esta metodología involucra
a los usuarios de la solución propuesta en el proceso de adopción desde una
etapa temprana.

Por lo tanto, para avanzar en la descripción de la metodología propuesta

comenzaremos con la presentación de conceptos sobre nuevos modelos de
negocio, metodologías ágiles, y en particular sobre Lean Startup, fundamentos
sobre LCP. Luego se presenta la metodología propuesta, y finalmente su
validación a partir del desarrollo de tres casos reales.

Al final del capítulo, se desarrollan casos de aplicación a modo de validación de

la metodología propuesta. El primero se trata de una aplicación en la industria
siderúrgica, otro en el proceso de industrialización del mineral de cobre en una
mina de los Andes peruanos, y el último se refiere a un caso de optimización del
uso de la energía en una firma de producción de alimentos.

3.2 Nuevos Modelos de Negocios.

Para iniciar este tema, se debe observar la base conceptual que establece el
trabajo de Oterwalder et. al (2005). Entonces, aquellos nuevos modelos de
negocios cuya propuesta de valor se focaliza en AI transforman las fábricas
tradicionales en ámbitos más inteligentes y eficientes, y las personas en el piso
de producción pueden empoderarse a partir de la información que generan este
tipo de soluciones. El trabajo de Pfau & Rimpp (2021), destaca el potencial
disruptivo de la AI y, más recientemente, el ML para generar nuevos modelos de
negocios y oportunidades para los emprendedores. Los autores respaldan el
desarrollo conceptual con muchos casos de la práctica y concluyen que el
potencial innovador de los nuevos modelos de negocios puede dar lugar a
nuevos modelos operativos radicales que podrían conducir a empresas de un
tipo nunca antes visto.

Sobre las tecnologías disruptivas, Borja (2020) coincide sobre el potencial

disruptivo de Inteligencia Artificial, y además en ese mismo sentido considera a
Blockchain, Realidad Virtual y Aumentada, y Robótica. Observa que a través de
estas tecnologías aparecen oportunidades de generar nuevos modelos de
negocio que generan cambios en la organización económica y social.

El trabajo de Borja (2020) además apunta que existen tres tipos diferentes de
modelos de negocio disruptivos, algunos de ellos derivados de la transformación
digital, la economía de plataformas, los modelos descentralizados o la economía
superfluida, o líquida tal como se mencionó en el primer capítulo de este trabajo
según Vashov (2015). Los nuevos modelos de negocio y las empresas que los
representan se apoyan en una serie de premisas repetidas: la personalización,
el pago por uso, el modelo colaborativo, los modelos organizativos ágiles y
flexibles, y el valor agregado a partir del uso de datos.

Iansiti y Lakhani (2014) propusieron tres propiedades para comprender por qué
los productos conectados están cambiando los modelos de negocio: (1) A
diferencia de las señales analógicas, las digitales pueden transmitirse
perfectamente, sin errores. (2) Además, las señales digitales se pueden replicar
indefinidamente sin ninguna degradación. (3) Una vez que se ha realizado la
inversión en infraestructura de red, la página se puede comunicar al
consumidor incremental a un costo marginal cero (o cercano a cero). Y una tarea
digital realizada a un costo marginal cero reemplazará inmediatamente
cualquier tarea analógica tradicional completada a un costo marginal
significativo.

Walas Mateo & Redchuk (2020) afirman que diferentes empresas en una amplia
variedad de sectores están cambiando modelos de negocio desde la
comercialización y distribución de bienes físicos, para ofrecerlos como un
servicio (As a Service). Este modelo, conocido como Servitización será un tema
para desarrollar en futuras investigaciones, tal como se plantea en el último
capítulo de este trabajo.

Por otro lado, muchas empresas se enfrentan a la creciente amenaza de la

obsolescencia del mercado, la incertidumbre, y el cambio constante parecen ser
condiciones de borde establecidas. Con respecto al papel del cliente y los
operadores en el taller, parece que las personas tienen un papel central en los
nuevos modelos operativos y de negocio. Se puede decir que cada nueva
oportunidad requerirá la participación de personas y departamentos que hoy
están aislados en sus silos, y generar equipos multidisciplinarios. Además, la
colaboración con otras empresas serán la norma una vez que se entienda que
la complejidad que enfrentan las empresas es demasiado importante para ser
resuelta de forma aislada.

Una visión interesante con respecto a la innovación, las plataformas y la

disrupción digital es presentados por Cozmiuc, & Petrisor (2018). Estos autores
indican que los modelos de negocio se han vuelto clave en la disrupción digital,
y los últimos modelos de negocios se transforman en plataformas de creación
de conocimiento. Destacan la importancia de la innovación abierta como parte
de los modelos de negocio de plataforma. Por otro lado, destacan que las
startups tecnológicas ingresan a los mercados sin barreras y obligan a empresas
establecidas a competir con ellas en función de los modelos comerciales, y
combinar la agilidad y la creatividad de las empresas emergentes. En este
trabajo describen el caso de una de las principales empresas proveedora de
tecnología del mundo, Siemens, y la forma en que esta gran empresa utiliza las
últimas herramientas para la innovación. Se destacan innovación abierta para
el desarrollo de tecnología, modelos comerciales para concretar la innovación, y
por último como financia nuevos modelos de negocio. Siemens ha creado una
estructura interna que tiene la intención de adoptar las ventajas de los nuevos
modelos de negocio en la estructura de la empresa.

En el marco de lo descrito anteriormente, surge la iniciativa Siemens Next47.

Según Walas Mateo & Redchuk (2021), Next47 es una aceleradora de startups
tecnológicas desarrollada por la gran empresa tecnológica alemana. La misma
apoya startups con productos y servicios para IIoT, AI/ML y otras soluciones
disruptivas de digitalización.

En ese artículo Walas Mateo & Redchuk (2021), observan otro caso de
cooperación entre grandes empresas tecnológicas y startups. Se trata de
Gradient Ventures, el fondo de riesgo de la empresa Alphabet, Google. Esta
aceleradora invierte y conecta startups en etapas tempranas con recursos del
ecosistema tecnológico de la inteligencia artificial. Analizando su cartera de
nuevas empresas fundadas, aparecen varias startups cuyos modelos de negocio
están basados en plataformas de análisis predictivo impulsada por AI para
procesos industriales.

Para finalizar este punto, se debe considerar el éxito en la adopción de los

nuevos modelos de negocio. Un enfoque a considerar de acuerdo al alcance de
esta tesis, es el que da Sailer et al. (2019) en un artículo donde se afirma que se
identifican tres imperativos clave en las transformaciones digitales exitosas.
Estos imperativos han dado forma a su metodología de Gestión Integrada del
Cambio:

 Instituir un enfoque integrado a través de los hechos, es decir,

amalgamar elementos tangibles como tecnologías y equipos, y elementos
 intangibles como los procesos, interacciones sociales y la cultura a lo
largo del viaje de transformación a través de toda la empresa.
 Generar el cambio de forma ágil actualizando proactivamente indicadores
de gestión para cumplir con necesidades y objetivos generales de manera
eficaz.
 Adaptar palancas de Gestión del Cambio “clásicas” como la
comunicación, liderazgo, formación de equipos, etc. para las necesidades
de digitalización.

3.3 Metodologías de desarrollo de software a través de bajo código (Low

Code)

Una alternativa al desarrollo tradicional de soluciones de software se presenta

a partir de las plataformas de bajo código (LCP). El artículo de Di Ruscio et al
(2022) desarrolla la evolución de la alternativa de generación de soluciones de
software a través de minimizar la necesidad de programación utilizando
lenguajes visuales, interfaces gráficas, y configuración.

El término "Low Code", bajo código en cuanto a la necesidad de codificación de

un software, fue acuñado por primera vez por Richardson & Rimer en (2014).
Este nuevo modelo de desarrollo de soluciones de software establece un nuevo
paradigma de la ingeniería de software para soluciones industriales. Este
modelo genera que las empresas prefieren elegir alternativas de código bajo para
un desarrollo rápido, continuo, y eficiente a raíz de la menor demanda de
recursos especializados en desarrollo de software que demanda este paradigma.
Las LCP son ecosistemas con los que las aplicaciones pueden ser desarrolladas,
minimizando la definición de código manualmente, porque ya está desarrollado
y preconfigurado.

Las LCP enfatizan las interfaces visuales para permitir que las personas, sin un
conocimiento de software, puedan crear e implementar aplicaciones comerciales
con relativa facilidad según Waszkowski (2019). El principal objetivo de las LCP
es permitir que las empresas desarrollen aplicaciones sin ingeniería compleja,
que faciliten su configuración, para conseguir así, rapidez y agilidad.

Además, este tipo de plataformas también ofrecen a las empresas una forma
más económica de cumplir con el mercado y/o requisitos internos de las
mismas. Por medio de las LCP, las firmas pueden crear programas o apps para
dispositivos móviles o de escritorio, multifuncionales y de alta capacidades de
gestión de la información.

Bock & Frank, (2021) afirman que las LCP facilitan el logro de objetivos en el
núcleo de los sistemas de información comercial, como aumentar la
productividad y reducir los costos de desarrollar y mantener sistemas de
software empresarial. Como también, mejorar la capacidad de las
organizaciones para adaptar los sistemas de software a los requisitos que
cambian rápidamente y empoderar a los usuarios. Los autores también señalan
que no está del todo claro qué distingue a los LCP de las herramientas de
desarrollo de software tradicionales, como los entornos de desarrollo integrado
(IDE) clásicos y las herramientas para el desarrollo dirigido por modelos (MDD).

El artículo de Bock & Frank, (2021) destaca que las LCP poseen algunas
funcionalidades o características comunes. En particular para este estudio
interesan ítems como la interfaz de programación de aplicaciones (API), y la
interfaz gráfica del usuario (GUI). La primera se refiere a la capacidad de acceder
a fuentes de datos externas usando una variedad de aplicaciones. La segunda
se refiere a la posibilidad de visualizar resultados e información en forma
amigable para el usuario, en distintas plataformas. Además, esta última
funcionalidad permite integrar artefactos prediseñados que facilitan la adopción
de la solución.

Cabot (2020), sostiene que utilizar un enfoque de bajo código, permite a los
ingenieros de procesos aplicar rápidamente aplicaciones de datos de IA sin
necesidad de conocimientos de codificación. La mayor demanda de soluciones
de analítica descriptiva ha impulsado el desarrollo de alternativas de LCP. A
pesar de que no es tan avanzado, los proveedores también ofrecen versiones
LCP para análisis predictivo y software de aprendizaje automático que toman el
análisis o ciencia de datos a través de una serie automatizada de pasos para
crear modelos que luego puedan entrenar datos.

Sanchis et al. (2020) observan que expertos predicen que las LCP serán muy
importantes para trabajar eficientemente y lograr mayor competitividad en las
empresas. En ese sentido mencionan que herramientas de software de
automatización industrial tales como las LCP, pueden ser una respuesta para
facilitar la adaptación de empresas industriales para adoptar la digitalización
que promueve el modelo I4.0/I5.0. En particular para aquellas firmas con
menos resiliencia y nivel de adaptabilidad.

3.4 Solución propuesta a través del nuevo modelo de negocio

La propuesta de valor del nuevo modelo de negocio que emerge de este trabajo
está focalizada en las oportunidades que genera la adopción de IA/ML en la
industria, y la opción que se presenta a través de LCP para acelerar los procesos
de adopción de nuevas soluciones, mientras se empodera a los operadores
industriales.

La solución bajo estudio, es una plataforma desarrollada especialmente para

que empresas industriales logren agregar valor a los datos generados en la
operación. La misma consta de distintas herramientas para la visualización de
los datos, el análisis de la calidad de los mismos para avanzar en el modelo, y
además cuenta con plantillas pre configuradas para abordar distintas
problemáticas específicas que requieren optimización, en los procesos
industriales.

La plataforma de software que se analiza, ofrece seis plantillas de modelos de

datos genéricas. Estas abordan las siguientes cuestiones, Pronóstico, Detección
de anomalías, Optimización, Simulación, Predicción de fallas y Predicción de
piezas defectuosas. La plantilla a utilizar definirá el modelo en cada caso,
dependiendo de la naturaleza del proceso y de la oportunidad de mejora a
abordar. La figura 5 muestra las seis opciones de plantillas y características de
aplicación de cada una de ellas.

Estas plantillas, o templates, son artefactos preconfigurados como parte de la

GUI que provee la plataforma. Esta característica, permite a los usuarios en el
piso de producción, quienes son los expertos en el proceso industrial,
comprender de forma visual y, por lo tanto, más amigable, los logros que se
pretenden obtener con el modelo de datos. Esto acelera la evaluación del modelo
y facilita obtener resultados en forma más temprana, y de esta manera lograr
evaluar la efectividad de la propuesta en forma anticipada.
El ciclo de adopción comienza con el análisis de los datos, para esto la LCP
provee herramientas visuales para analizar la calidad y consistencia de los
datos. A través de este tipo de funcionalidad se realiza el curado de los datos,
normalizando y validando los mismos. Se desarrolla un proceso de
estandarización y validación de datos para eliminar las redundancias o
inconsistencias, completando datos que actualizan cada registro, eliminando
anomalías, y revisando los parámetros más relevantes.

Luego se procede a determinar el modelo apropiado para el caso de uso a

resolver. Una vez determinado el modelo más apropiado se continúa trabajando
con el modelo fuera de línea, en un espacio de cocreación. Esto significa la
iteración y colaboración entre personas que poseen conocimiento del proceso
industrial, y las que conocen sobre software y modelos matemáticos. Una vez
generado, el modelo analítico se alimenta con datos de la base de datos del
historiador, estos son datos del tipo series de tiempo. De esta forma, los
usuarios evalúan los resultados que genera el modelo de datos y ganan
confianza en el uso de la plataforma iterando a través de múltiples
experimentos.

Fig. 5. Esquema de las 6 plantillas preconfiguradas que ofrece la LCP, y el alcance de

cada una. Fuente: autor.
El modelo se despliega en el espacio en la nube y comienza a operar, ingestando
datos en tiempo real de los procesos industriales a través de streaming. La
solución se ofrece en un modelo como servicio (SaaS), ingiriendo datos en un
formato de serie de tiempo desde una plataforma MES; o arquitectura IIoT. De
esta manera, el software AI/ML se integra en la operación industrial con la
solución de piso de producción, y trabaja con datos en tiempo real para generar
las predicciones para facilitar la operación del proceso. Para esto la solución
incluye APIs, que posibilitan la comunicación con las plataformas de gestión
integrando los datos de la operación.

Por último, un tema complejo para el entorno industrial, y una debilidad

reportada por el estudio presentado por Davenport (2020); es la ciberseguridad.
Este problema se soluciona alojando la plataforma en Azure Microsoft Cloud
(https://azure.microsoft.com/). Esta solución en la nube también proporciona
la infraestructura para lograr la potencia de cálculo para los requisitos de los
modelos AI/ML.

3.5 Metodologías ágiles como facilitadoras del cambio

Tal como se anticipó en el capítulo 1, la gestión de proyecto a través de

metodologías ágiles (APM), aparece como una necesidad para el éxito en la
adopción de las nuevas prácticas y soluciones que propone el modelo I4.0/5.0.

Los enfoques de APM se basan en el desarrollo de productos iterativos e

incrementales, y en la colaboración activa con el cliente o usuario. Luego de
cada iteración, el cliente valida el resultado de la entrega (ej. un código de
software en funcionamiento) y proporciona información de retroalimentación
(Schuh et al., 2017). Esto permite un diseño más rápido de los requisitos finales,
la detección temprana de discrepancias, y el desarrollo del producto ajustado a
las necesidades del cliente. Algunas de las prácticas de APM más utilizadas son:
planificación iterativa, reuniones diarias, pequeños equipos autoorganizados,
miembros del equipo completamente dedicados, historias de usuarios,
retrospectivas, integración continua y otras (Conforto et al., 2014; Diebold y
Dahlem, 2014). Con base en estas prácticas, también se han desarrollado
muchos métodos ágiles estructurados, siendo el más popular el scrum (Schuh
et al., 2016).
Algunos de los beneficios de la aplicación de APM, son una respuesta rápida y
efectiva al cambio, detección rápida de errores y feedback por parte de los
clientes, mayor productividad y motivación, y mejoras en el trabajo en equipo
(Kumar y Bhatia, 2012; Thesing et al., 2021). Debido a sus muchas ventajas y
buenos resultados en la industria del software, muchos otros sectores de la
industria también están comenzando a reconocer a APM como un nuevo
enfoque de gestión prometedor. Sin embargo, debido a las características
específicas del desarrollo de software, una transferencia directa de los enfoques
de APM a otros sectores no es posible y tampoco sería eficaz (Schuh et al., 2016).

El desafío más obvio de APM en la fabricación es la restricción de la cuestión

física. La razón de esto radica en la naturaleza incremental e iterativa de APM
que se caracteriza por una entrega frecuente de un producto intermedio
funcional que el cliente ya puede usar. Si bien la realización de un código de
software que funcione, y se pueda enviar en breves periodos de tiempo, es un
desafío, pero factible, mientras que la entrega de productos físicos a menudo es
prácticamente imposible (Cooper, 2016). Por lo tanto, en la fabricación surgió la
idea de un protocepto: una versión de un producto que puede representar de
distintas formas el producto a lograr, desde el concepto inicial hasta un
prototipo de trabajo y permite una retroalimentación temprana por parte del
cliente (Cooper y Sommer, 2018).

Entre otros desafíos importantes relacionados con las limitaciones físicas,

también se encuentran la modularización del producto, la producción de las
herramientas necesarias, la mayor especialización requerida de los miembros
del equipo, la sincronización de diferentes dominios y otros (Atzberger y
Paetzold, 2019; Ullman, 2019). También existe la necesidad de un apoyo de
gestión completo (Cooper y Sommer, 2018) y la voluntad del cliente de participar
activamente en todo el proyecto (Atzberger y Paetzold, 2019). Otra cosa que
resultó ser muy exigente en las empresas de fabricación es asegurar un equipo
de proyecto dedicado (Cooper y Sommer, 2018; Edwards et al., 2019).

El artículo de Mota et al. (2022), destaca cómo el uso de metodologías ágiles

contribuye para la adopción de nuevos modelos de negocio. Los autores
mencionan que en este contexto las metodologías ágiles son herramientas de
planificación que facilitan definir el alcance del proyecto y su cumplimiento.
Entre los beneficios que genera el uso de las metodologías ágiles, según
observan los autores, se destaca la alineación entre la propuesta de valor del
negocio y la respuesta a los requerimientos del usuario o cliente.

3.6 Metodología Lean Startup como alternativa para Gestión de Proyectos

Ágiles

Una variante a las metodologías ágiles es la que Eric Ries introduce bajo el
concepto de Lean Startup. Este concepto se presenta en el libro The Lean
Startup (2011), esta metodología inspirada en la estrategia de Gestión Lean
Manufacturing, pretende generar un producto para conocer la respuesta del
cliente ante la innovación lo más rápido posible. Este producto que sería un
prototipo, es conocido como Producto Mínimo Viable (PMV), o MVP por su
denominación en inglés. Lo que persigue esta metodología es lograr
innovaciones en el menor tiempo posible con el menor esfuerzo, y poder pivotar
o realizar los cambios necesarios con la opinión del cliente sobre un producto
mostrable. Faiña et al (2016) indica que, frente a los tradicionales modelos de
un desarrollo frontal completo del producto, se busca un producto mínimo
viable (un prototipo o una demostración) con el que pueda iniciarse el proceso
de ventas y la captación de información desde el mercado.

Otro elemento a considerar cuando se habla de un nuevo modelo de negocio

bajo el paradigma de la Industria 4.0 es la incertidumbre. Para hacer frente a
este hecho, es fundamental la detección y la respuesta rápida al planificar una
nueva estrategia. Una herramienta que podría ayudar a desarrollar y encontrar
un producto y modelo de negocio que realmente funcione es una metodología
Agile llamada Lean Startup. El verdadero desafío es desarrollar y validar la
propuesta de valor, y buscar un modelo de negocio rentable que permita
consolidar las ventas y escalar el volumen de negocio.

La metodología Lean Startup creada por Eric Ries, recogiendo el adjetivo "lean"
ampliamente difundido al describir métodos de producción desarrollados por
Toyota y otros fabricantes japoneses para prescindir de todo lo que sobra,
dificulta y alarga los procesos productivos. El objetivo fundamental de la
metodología Lean Startup es acortar el ciclo de desarrollo del producto y
emplear métodos de desarrollo ágiles, con pruebas de validación por parte del
mercado, para adecuar los procesos a la aceptación de los clientes, ajustando y
pivotando -cuando sea necesario-. Se utilizan indicadores incrementales para
medir el resultado de las acciones sobre los clientes interesados y las ventas, y
se analiza y controla el modelo de crecimiento adecuado en función de los costos
de adquisición, de retención de clientes y del valor de los clientes a lo largo de
su ciclo de vida. En resumen, un conjunto de técnicas para hacer coincidir los
procesos de desarrollo de productos con el descubrimiento y desarrollo del
cliente.

Para validar la efectividad de la plataforma y tener resultados en un período más

corto que los enfoques tradicionales, se utiliza una metodología Lean Startup.
De esta manera, se minimizan las actividades que no agregan valor y las
personas del proceso industrial pueden involucrarse antes, mientras se
presenta la nueva solución. La metodología Lean Startup tiene tres principios
clave: reemplazar la planificación con la experimentación, el enfoque de "salir
del edificio" y, por último, el desarrollo ágil (Blank, 2013).

El proceso de experimentación se describe mediante el ciclo de

retroalimentación Construir-Medir-Aprender que consta de tres pasos:
construir, medir y aprender. En el primer paso, construir, es fundamental
generar el MVP utilizando la menor cantidad de recursos posible después de
identificar las hipótesis más importantes (Ries, 2011). El objetivo de construir
un MVP es identificar el potencial de la solución propuesta (Kerr et al., 2014) y
el valor para el cliente. El paso de medir tiene como objetivo recopilar datos que
puedan verificar o descartar la hipótesis realizada sobre la solución a ofrecer
(Ries, 2011). En el paso de aprendizaje, el objetivo es conocer las hipótesis
investigadas a partir de los datos recopilados. El proceso de aprendizaje muestra
si una hipótesis subyacente puede verificarse o no, e indica si el MVP es una
solución viable al problema del cliente (Ries, 2011). Esto se muestra en la figura
6.

Finalmente, el trabajo de Scheuenstuhl et al. (2020) presenta una experiencia

para validar la aplicación de la metodología Lean Startup para facilitar la
innovación en empresas establecidas. El trabajo destaca dos puntos claves que
suman a la hipótesis de esta tesis. El primero se refiere a la optimización del
uso de los recursos y el logro de resultados en menor plazo que enfoques
tradicionales, y el segundo aspecto es el logro de un mayor y más temprano
feedback por parte de usuarios alcanzados por el proyecto de innovación.
Fig. 6. Etapas del Método Lean startup. Fuente: Autor.

3.7 Propuesta metodológica

Luego del análisis de la problemática a abordar y el marco conceptual que se ha
presentado, se detalla a continuación la propuesta metodológica que se ha
generado y que constituye el aporte central de la tesis.

En primer lugar, debe observarse que para desarrollar la propuesta

metodológica se ha tenido en cuenta lo que se indica en el capítulo 2, sobre la
estrategia de adopción sugerida para un proyecto de ML, u otro de ciencia de
datos. Se trata de combinar una implementación flexible de CRISP-DM con
enfoques generales de gestión de proyectos ágiles basados en equipos para
obtener los mejores resultados. En este sentido debe considerarse
especialmente que los equipos a conformar, en el caso del dominio de interés,
estarán constituidos tanto por profesionales del software y la ciencia de datos,
como por profesionales de los procesos industriales, que aportarán el
conocimiento del ámbito productivo.
Para este fin se considera la metodología Lean Startup como solución para la
gestión ágil del proyecto de adopción de ML en procesos industriales. Además,
se propone utilizar la solución ofrecida a través del nuevo modelo de negocios
basado en la LCP, que se describió en este capítulo. Esta herramienta de
software será la que permitirá generar valor sobre los datos de la operación.

Para validar la propuesta, a continuación, se desarrollan tres casos de

aplicación en empresas industriales con el objetivo de ilustrar la forma en que
un nuevo modelo de negocio basado en LCP para aplicar AI/ML puede motorizar
la optimización de procesos industriales.

Se pretende demostrar como la metodología propuesta podría transformar un

proceso de producción tradicional haciéndolo más eficiente, logrando impacto
en menos tiempo que las metodologías tradicionales de AI/ML.

3.8 Validación de la metodología y el nuevo modelo de negocio en

casos de aplicación en la industria
A continuación, se presentan tres casos de aplicación para analizar la
efectividad de la metodología propuesta, y lograr la validación.

3.8.1. Caso de Aplicación en la industria del acero

La primera experiencia a presentar es la que se desarrolló una empresa
siderúrgica que necesitaba mejorar el proceso de fundición de acero de su alto
horno, con foco en eficiencia energética, consistencia en la calidad, y además
minimizar consumo de silicio.

Para comenzar a tratar el caso se desarrollan a continuación conceptos

relacionados con el análisis de datos relacionados con la industria del acero.
Luego, se describe el caso de la acería, la solución adoptada y los resultados
alcanzados.

Consideraciones sobre AI/ML y el funcionamiento del Alto Horno

La primera referencia para esta sección la presenta el estudio en el trabajo de

Daoutidis et al (2018). En este artículo se observa que los sistemas de procesos
en la fabricación de acero son entidades complejas que involucran materias
primas, productos, energía, procesos, sistemas automatizados y personas. Su
funcionamiento eficiente implica numerosas funciones y tareas. Una
clasificación de uso común para los sistemas de proceso incluye planificación,
programación, optimización en tiempo real y control.

Más específicamente, Mishra et al (2020), señala que los procesos que tienen
lugar en un alto horno están influenciados por muchos factores, y varios de
ellos interactúan entre sí. Es justo decir que el proceso es inmensamente
complejo. Si bien la complejidad del proceso en los altos hornos modernos de
última generación tiene el efecto positivo de permitir un límite teórico más alto
tanto en la productividad como en la calidad, esto también se presta a patrones
de comportamiento crónicos indeseables que se vuelven intratables, lo que
conduce a una menor productividad y calidad. Es en este contexto que los
métodos de aprendizaje automático se convierten en un dispositivo útil y un
vehículo para el descubrimiento.

La complejidad de los procesos en el alto horno para la fundición de acero se

puede observar en el trabajo de Nishioka et al. (2018). Este artículo presenta un
análisis matemático para altos hornos donde se desarrolla un modelo
tridimensional de estado no estacionario para expresar el comportamiento de
operación de un alto horno.

Desarrollo del Caso

El caso estudiado se focaliza en el proceso de fundición en el alto horno de una

acería. Como se mencionó en el punto anterior, los procesos metalúrgicos en el
alto horno son procesos complejos y dinámicos que generan cientos de tipos de
datos con alta variabilidad. Esto genera desafíos de gestión para mantener la
consistencia de la calidad de la producción, un menor consumo de energía, y
minimizar el consumo de silicio.

Se debe considerar que las inconsistencias en la calidad en el proceso de

fundición generan exceso de chatarra, reelaboración, y retrasos en la
producción, entre otros problemas. El control de calidad tradicional se realiza a
través de muestras que se analizan en un laboratorio. El problema de esta
metodología es que, si se detecta alguna inconsistencia, el problema se
soluciona en forma reactiva, cuando ya se produjo el material defectuoso.

Otra observación se da en el hecho de que el proceso se desarrolla en tres turnos

de ocho horas, y por lo tanto los operadores son diferentes, cada uno con su
propio criterio y experiencia en el proceso. Luego, el control depende del criterio
de cada persona. Además, el proceso de fundición incluye una gran cantidad de
variables químicas y termodinámicas que son muy difíciles de monitorear y
controlar.

Desde los procesos se generan datos en tiempo real en formato de series de

tiempo y son procesados y contextualizados a través de la plataforma IIoT de
clase mundial, OSI PI de OSIsoft (www.osisoft.com).

Solución y Resultados

El proyecto de mejora abordado por la empresa siderúrgica se sustentaba sobre

los siguientes objetivos:

1. Identificar los parámetros que influyen en la maximización del rendimiento

de producción utilizando datos de proceso generados por la plataforma de
software IIoT OSI PI.

2. Predecir la calidad y el rendimiento del producto en diferentes intervalos y

utilizar esas predicciones para ajustar los parámetros de control en tiempo real,
maximizando así la calidad y el rendimiento del producto.

3. Aplicar una política proactiva para la resolución de problemas y anomalías

del proceso basada en tener información anticipada de lo que ocurre en el
proceso de fundición.

4. Institucionalizar las mejores prácticas de los operadores, y fortalecer la toma

de decisiones a partir de información objetiva.

La solución LCP fue adoptada después de identificar los objetivos del proyecto
mencionados anteriormente, y determinar el alcance del caso de uso.

Luego, los datos históricos se revisaron según la cantidad y la calidad para que
el modelo pueda comenzar a ser entrenado a partir de esos datos. Este proceso
significa estandarizar datos, filtrar anomalías, resolver datos faltantes, entre
otras tareas. Luego, se realizó una fase de exploración y preparación para
obtener información de los datos y prepararse para el modelado.

En la plataforma, se eligió un modelo de plantilla de pronóstico que permite

predecir el comportamiento del proceso. El último paso fue entrenar el modelo
con los datos históricos consolidados, y validar los resultados.
Seguidamente, la base de datos de la solución OSI PI se integró a través de una
API pre configurada en la LCP. De esta forma, los datos de los procesos fueron
tomados por la LCP alojada en la nube de MS Azure, a través de streaming en
tiempo real. El modelo se puso en producción y luego comenzaron a generarse
predicciones en tiempo real. Se monitorearon los resultados y se realizaron
ajustes.

Finalmente, los resultados del modelo arrojaron predicciones para facilitar la

toma de decisiones sobre los cambios en el proceso para lograr su mejora. En
la Figura 7 se muestra el proceso de siete pasos que se utilizó siguiendo la
metodología Lean Startup, para la incorporación de la solución de ML y el
posterior logro de resultados que permitieron optimizar el proceso.

La adopción de la solución tomó unos dos meses desde el inicio del proyecto,
hasta la disposición del modelo en línea incorporando datos en tiempo real, y
generando predicciones para sugerir mejores condiciones de operación a los
responsables del proceso en el alto horno. En este período, los operadores del
proceso fueron capacitados en el uso de la solución, y sobre cómo interpretar la
información entregada por la plataforma, mientras que los profesionales
encargados de la plataforma ajustaron el modelo con el feedback de los
responsables del proceso. Finalmente se logró la validación que fue realizada en
conjunto por los ingenieros de software y los operadores de planta.
Fig. 7. Metodología aplicada en el proceso de adopción de ML en el caso de la industria
del acero. Fuente: Autor.
La LCP facilitó la definición de las relaciones entre las variables que afectaron
significativamente el resultado de la producción, como la cantidad de silicio
agregado y el consumo de combustible. Los modelos de IA colaboraron para
determinar cuál de las variables de control tienen un impacto positivo o negativo
en la calidad de la producción. Al aplicar el aprendizaje reforzado con ML a
través de la plantilla de pronóstico, se predijo el resultado de la producción en
ciertos intervalos debidamente especificados.

Los datos históricos que se consideraron corresponde a un periodo de un año,

y se analizaron parámetros como consumo de energía, temperatura, y contenido
de silicio, entre otros, para generar un modelo que permitió predecir cuándo se
debe acondicionar la aleación con mayor contenido de silicio, y cuándo
aumentar o disminuir la temperatura del horno. De esta forma, es posible
trabajar de manera proactiva, y el operador del horno recibe información con
anticipación para la toma de decisiones precisas.

Como resultado del uso de datos generados en la operación de la acería, y

procesados en la LCP mediante un modelo de ML, la firma siderúrgica obtuvo
una ventaja competitiva al mejorar los procesos y lograr mayor consistencia en
la calidad, ajustando el contenido de silicio siempre en un rango apropiado.
Además, al definir puntos de control en tiempo real para el consumo de
combustible, se facilitó el ahorro de energía. La firma también redujo el
porcentaje de chatarra, reduciendo así los costos y produciendo acero de mayor
calidad. Todo esto ha permitido generar una triple optimización para la
empresa: reducir costos, mejorar los servicios al cliente, y mejorar la
rentabilidad.

El uso de métodos ML empleados junto con el conocimiento del dominio de los

especialistas en el proceso industrial y metalurgia, facilitó un mayor
conocimiento del proceso para las personas involucradas que se incrementó
continuamente. Esto permitió trabajar en mejoras permanentes y lograr mejores
KPI, y la evolución hacia sistemas de gestión más maduros.

3.8.2 Caso de Aplicación en la Minería

El siguiente caso de aplicación es una experiencia en el sector minero, el mismo

se desarrolló en una mina de cobre en los Andes Sudamericanos, donde existía
interés por mejorar el OEE. En este sentido se decidió explorar la utilidad de la
metodología en el proceso de molienda poniendo foco en un molino del tipo SAG
(Semi Autogenous Mill). Al introducir la solución de AI/ML en la molienda, se
pretendía maximizar el tonelaje procesado, manteniendo estable el índice P80
(Chelgani et al., 2021), que se refiere al tamaño de las partículas de Cu, mientras
se maximiza la recuperación de material.

El proceso industrial de la mina se describe en la figura 8, e incluye las

siguientes etapas o áreas:
 Chancado Primario: reduce el tamaño de las rocas a menos de 8” por
medio de molinos de bola.
 Transporte y recuperación de gruesos: fajas de trasporte (6 km), ruma de
gruesos (con capacidad de 55,000 tons), y alimentadores que dosifican el
mineral hacia Molienda.
 Molienda: se reduce el tamaño del mineral, según el índice P80 a 240um
  Chancado de Pebbles: proceso auxiliar que ayuda al molino SAG a
procesar el mineral que alcanza el tamaño crítico. El producto vuelve a
ingresar al SAG.
 Flotación: Se captura y separa las partículas ricas en cobre, se obtiene
una pulpa rica en cobre llamado concentrado.
 Remolienda: se continua la reducción de tamaño de las partículas con
contenido de cobre. La reducción de tamaño es necesaria para liberar el
cobre.
 Espesado de concentrado: Primera etapa de reducción de contenido de
agua, a una densidad mayor de 1.6
 Filtrado de concentrado: Se continua con la reducción de contenido de
agua, el objetivo es lograr una humedad menor al 8%.

En esta última instancia el material debe tener el tamaño de grano adecuado

para un filtrado eficiente. Los expertos del proceso de la mina identificaron esto
como una oportunidad de mejora, mantener estable el índice P80, y maximizar
la recuperación del material.

Los principales insumos del proceso son las características del mineral
(granulometría, tipo, dureza, elementos presentes, etc.) y la tasa de
alimentación. Los resultados son las características del concentrado (porcentaje
de humedad, contenido de cobre, granulometría y otros).
 Fig. 8. Proceso industrial en la mina de cobre. Fuente: Autor

Los expertos en la operación en la mina observaron que la alimentación al

molino SAG podía incrementarse siempre que exista capacidad ociosa. Al
momento de comenzar el proyecto el tonelaje procesados por el SAG no era muy
alto, la producción de pebbles era menor a 800 ton/h, los molinos de bolas
utilizados en el proceso contaban con potencia disponible, y el P80 era menor a
240um.

En este proceso los parámetros posibles a ajustar eran los siguientes: Volumen
de alimentación del SAG, Volumen de Pebbles entregado al SAG, Porcentaje de
sólidos en el SAG (relación de mineral vs. agua en el SAG), Velocidad del SAG,
entre otros. La figura 9 muestra un esquema del molino y el proceso, junto con
las variables involucradas.
Fig. 9. Esquema del proceso en el molino SAG con indicadores relevantes. Fuente:
Autor.

Cabe señalar que, si bien existe un sistema experto que controla el molino SAG,
la mayoría de los parámetros son establecidos por el operador, al igual que en
caso de la empresa siderúrgica en este caso también aparecen inconsistencias
debido a los distintos criterios que aplica cada operador. El sistema
automatizado puede manipular la alimentación del molino, la velocidad SAG y
el porcentaje de sólidos SAG, pero opera el 70% del tiempo.

Una última observación importante es que la empresa genera datos en tiempo

real de los procesos de producción y son gestionados a través de una plataforma
IIoT. Estos datos se almacenaron en bases de datos en la nube. Por lo tanto, la
empresa tiene una cantidad muy valiosa de datos para alimentar el modelo
fuera de línea y de esta manera entrenarlo.
Desarrollo del caso y resultados

El caso se desarrolló utilizando la metodología propuesta según Lean Startup,

el ciclo Construir-Medir-Aprender. La primera fase, CONSTRUIR, comenzó
después de comprometer a las personas, los procesos y la tecnología. Eso
significa establecer un equipo de IA liderado por el ingeniero jefe de procesos, y
que se incluyó también a miembros de los equipos de informática y
automatización, y de operaciones de la mina, luego se estableció el alcance del
caso de uso y sus objetivos.

Una observación importante es que se verificó que existían suficientes datos

disponibles generados por la solución IIoT en la base de datos en la nube, solo
era necesario normalizarlos. Paso siguiente, los ingenieros de procesos de la
mina comenzaron a trabajar con los expertos en análisis de datos y matemática
de la plataforma de software, para analizar y comprender la metodología y los
detalles técnicos del proceso de molienda.

Una de las tareas de esta primera parte de la metodología es preparar los datos
históricos, para ello fueron sometidos a un proceso de limpieza y normalización.

1-Variables no relacionadas con el proceso fueron identificadas y descartadas,

así como variables con una alta proporción de valores faltantes;

2- Las observaciones con valores faltantes fueron eliminadas o completadas con

un valor arbitrario (por ejemplo, la media de la columna), dependiendo de la
naturaleza de las variables.

3-Las distribuciones de las variables en el conjunto de datos resultante fueron

examinadas para identificar valores anómalos, y se determinó si representaban
errores de medición, errores de registro o valores verdaderos, y fueron tratados
según su naturaleza.

Se decidió que para mejorar el proceso en el Molino SAG se utilizaría el template

de pronóstico de la plataforma de software. En ese sentido el objetivo era
pronosticar tonelaje tratado, energía específica, P80 y recuperación. Se espera
tener predicciones con una anticipación de doce horas.

El equipo de AI de la mina se entrenó con el apoyo de expertos en análisis de

datos de la Startup de software. Mientras tanto, los expertos en procesos de la
mina colaboraron con los profesionales en datos de la plataforma para aclarar
dudas, realizar ajustes, e internalizar temas específicos sobre la metalurgia y
los procesos característicos de la mina de cobre. El primer paso de la
metodología tomó tres semanas.

La siguiente etapa siguiendo la metodología Lean Startup fue la de MEDIR. En

esta fase, se generó un modelo en la plataforma de software y los usuarios de la
mina evaluaron el caso de uso a partir de trabajar con los datos históricos en la
plataforma.

Se realizó una exploración de los datos que arrojaba el modelo, y fueron

evaluados por los expertos de procesos de la mina, y los profesionales en análisis
de datos y de la puesta en marcha del software brindaron apoyo en todo
momento. Los ingenieros de proceso experimentaron con el modelo, y
finalmente lo validaron.

Esta fase de la metodología se completó con la puesta en marcha del modelo en

la plataforma en línea. Los datos en tiempo real producidos por la solución IIoT
comenzaron a incorporarse a la solución de ML instalada en la nube. Toda la
integración fue realizada por especialistas en software de la Startup. La API
embebida en la LCP simplificó la integración con la plataforma IIoT. De esta
forma, los usuarios de la mina accedieron a la solución ML y contaron con el
soporte continuo del proveedor de software. Esta etapa duró seis semanas.

La última etapa, la denominada APRENDER, con la plataforma de ML en

producción y procesando datos de la operación en tiempo real permitió evaluar
el valor que aportó el caso de uso. Los resultados fueron analizados por el
proveedor de software, y los ingenieros de la mina. El caso de uso se revisó en
una sesión de mapeo de plataforma en la que ambos equipos obtuvieron
conocimientos más profundos sobre los datos, el valor comercial, y la
complejidad de otros casos de uso previamente identificados.

A partir del streaming de datos en tiempo real entre el proceso instrumentado,

la plataforma de ML, y el sistema de control se podría lograr un lazo cerrado que
permitiría la automatización sin intervención humana. De todas maneras, esa
opción se descartó, y se mantiene el operador.

Las predicciones se muestran como parte de la pantalla de control que visualiza

el operador del proceso. Cuando el operador activa el modo automático, el
sistema de control toma directamente la predicción que genera la plataforma de
ML, como un valor sugerido para ajustar los sesgos del molino. Esto permite
que el proceso automatice la optimización sin la intervención del personal de
operaciones. Finalmente, se capacitó a todo el personal del equipo de proceso,
se adoptó la plataforma, y se modificó el proceso para seguir las notificaciones
de la plataforma respecto al desempeño del Molino SAG. La tercera fase tomó
unas 2 semanas.

Finalmente, como conclusión preliminar se puede decir que a través de la

metodología propuesta se generó un proceso de cocreación entre expertos de
software y análisis de datos, y los profesionales del proceso de la firma minera.
Este proceso dio como resultado la aplicación de ML para optimizar un proceso
industrial, y se logró demostrar el valor de la IA para la mina en sus operaciones
diarias. Con confianza en las predicciones, la automatización del Molino SAG se
ha incorporado como procedimiento de producción, y se ha generado un proceso
de mejora continua apoyado por el nuevo procedimiento.

El equipo de operaciones actualmente está trabajando en oportunidades de

mejora que se transformen en oportunidades para expandir el uso de la IA a
otros procesos, y escalar la adopción en la empresa.

3.8.3 Caso de aplicación en la industria alimenticia para lograr eficiencia

energética

La siguiente experiencia a presentar es el desarrollo de un caso de uso en una

empresa de producción de ingredientes para alimentos. El proyecto de adopción
de ML se encuadra en la estrategia de optimización de sus operaciones.

De acuerdo a la metodología propuesta, la primera etapa comenzó después de

definir el caso de uso, su alcance de la adopción y sus objetivos. Una de las
oportunidades de mejora o “Puntos débiles” identificados fue hacer que sus
procesos de producción de energía sean más eficientes. La energía era el
segundo costo detrás de las materias prima, y además la empresa tiene el
objetivo de reducir las emisiones de CO2 en un 25% para el año 2030.

El equipo de operaciones industriales consideró oportuno utilizar AI para

predecir la eficiencia térmica de cada caldera de forma tal que el consumo de
gas pueda optimizarse de acuerdo con la predicción de eficiencia. El proceso se
ajusta perfectamente a los objetivos de la organización de reducir el consumo
de energía, los costos de funcionamiento, y el uso adecuado en términos de
preservación de activos en cuanto a las turbinas, y el mencionado objetivo con
respecto a las emisiones de carbono.

Los expertos en procesos de la empresa de alimentos se capacitaron sobre el

funcionamiento de la plataforma con el apoyo de expertos en análisis de datos
del proveedor de la misma. Mientras tanto, los expertos en procesos industriales
colaboran con los expertos en datos de la plataforma AI/ML para aclarar dudas,
y temas específicos sobre las características del proceso a mejorar.

La empresa industrial utiliza turbinas y calderas de gas natural para generar

vapor para la planta. Aunque las calderas fueron adquiridas al mismo
proveedor, el comportamiento de cada dispositivo difiere según cambios en el
ambiente. El rendimiento térmico de cada caldera puede fluctuar debido a
diferentes configuraciones de piping, condiciones ambientales y asimetrías en
el desgaste, lo que significa que consumían la misma tasa de gas natural pero
no necesariamente generan el mismo throughput. La figura 10 muestra un
esquema de cómo funciona el sistema de generación de energía de la planta.

En cuanto a la infraestructura OT/IT, la firma cuenta con una arquitectura

robusta, integrada de acuerdo con los estándares ISA95. Los datos en tiempo
real de los procesos de producción se generan y almacenan en bases de datos
de tipo historizador. Por lo tanto, la empresa tiene una cantidad muy valiosa de
datos de proceso para alimentar el modelo fuera de línea y avanzar en el caso
de uso.

Para optimizar la eficiencia de la operación de la caldera, el equipo de

operaciones necesitaba pronosticar el gradiente óptimo del flujo de ingreso de
combustible entre las calderas. Por lo tanto, se analizaron las alternativas de la
LCP, y se decidió utilizar las plantillas para elaborar modelos de ML de la
plataforma de software para configurar tres modelos:

• Modelo de simulador de caldera: para predecir el consumo esperado de

combustible

• Modelo de optimización de parámetros de control para identificar los setpoints

que minimizarían el consumo total de combustible de las 3 calderas
• Modelo de consumo de combustible: para predecir cómo los diferentes
parámetros impactan en el consumo de combustible.

Usando la funcionalidad de análisis de datos de la LCP, el equipo de operaciones

revisó 18 meses de datos generados por las turbinas y calderas de gas, y datos
de ambiente. Entre los datos considerados para nutrir el modelo se incluyen,
datos de las calderas como presión, temperatura, consumo de combustible en
cada una de ellas, y datos de ambiente como temperatura, humedad, velocidad
del viento, dirección del viento.

A través de las herramientas de análisis visual de datos, el equipo de

operaciones pudo detectar datos faltantes, determinar los parámetros
relevantes para el modelo, la correlación de relaciones, y los valores anómalos
en el proceso.

Con la combinación de los tres modelos, y con los datos históricos normalizados
y validados, se llegó al MVP para avanzar en el entrenamiento del mismo en la
siguiente etapa propuesta por la metodología.

Durante la etapa MEDIR, se produjo un modelo en la plataforma de software y

los usuarios en el proceso evaluaron el caso de uso mediante la ingestión de
datos históricos en la plataforma.

La plataforma LCP entrenó los modelos de AI con los datos históricos fuera de
línea previamente normalizados. La plataforma determino automáticamente el
mejor modelo mediante la validación cruzada de los datos históricos. Además,
la plataforma se utilizó para configurar un modelo de simulador para cada
caldera para lograr predecir el consumo de combustible esperado según la
demanda de vapor de la planta, así como las condiciones de operación de la
turbina y la caldera.
Figura 10. Considerando la eficiencia térmica de cada caldera, el problema a resolver es
estimar la cantidad de combustible óptimo requerida para cada caldera asegurando
cubrir la demanda de vapor requerida. Fuente: Autor.

A continuación, se configuró un modelo optimizador sobre estos modelos de

simuladores de calderas para identificar los parámetros de control óptimos que
minimizarían el consumo total de combustible de todo el conjunto, respetando
las limitaciones físicas y de seguridad de cada caldera. El equipo de operaciones
configuró un modelo de simulación adicional para predecir cómo los diferentes
parámetros afectan el consumo de combustible.

Se realizó una exploración de datos y la evaluación del modelo de datos por

parte de los expertos del proceso, y profesionales de software de la startup
proveedora brindaron apoyo en todo momento. Los ingenieros de proceso luego
de sugerir ajustes, finalmente lo validaron.

La segunda fase de la metodología se completó con la puesta en marcha del

modelo en la plataforma en línea. El tiempo real de la solución IIoT comenzó a
incorporarse a la solución basada en la nube. Toda la integración fue realizada
por especialistas en software de la startup. Además, como la solución de
software tiene posee una API para conectarse con plataformas IIoT se simplificó
el proceso de integración con la plataforma de gestión de los datos operativos.
Los usuarios de la planta accedieron a la solución ML para conocer las
predicciones. Contaron con el soporte continuo del proveedor de software para
poder conocer mejor la plataforma, y adaptarse al nuevo entorno.

Finalmente, en la última etapa de la puesta en marcha del caso de uso el

personal de producción reconoció el valor que aportaba el caso de uso. Los
resultados fueron analizados por el proveedor de software y los ingenieros de
procesos. El caso de uso se revisó en una sesión de mapeo de la plataforma en
la que ambos equipos obtuvieron conocimientos más profundos sobre los datos,
el valor comercial y la complejidad de los casos de uso previamente
identificados.

Una vez que los modelos de AI se activaron en producción, el equipo de

operaciones usó la plataforma para refinar los procedimientos de trabajo, y
aplicar reglas al entorno operativo específico de la empresa. En la fase de prueba
se observó una mejora del 2,5 % en el rendimiento térmico con respecto a los
informes anteriores.

La infraestructura de entrenamiento de modelos automatizados de LCP

garantiza que los modelos de AI mejoren continuamente con nuevos datos del
proceso de generación de vapor.

Además, se capacitó a todo el personal del equipo de proceso, se adoptó la

plataforma, y se adaptó el proceso para seguir las notificaciones de la
plataforma. La tercera fase se ejecutó en 3 semanas.

En función de la eficiencia térmica de cada caldera, la plataforma LCP estima el

combustible óptimo necesario para cada caldera mientras garantiza que la
producción general de vapor satisfaga la demanda de la planta.

Una vez analizados los resultados, el equipo de mejora continua y el equipo de

operaciones de la empresa propusieron modificar el intervalo de generación de
pronósticos de consumo, llevándolos a periodos de tiempo más cortos.

3.9. Resultados y discusión sobre los casos

A partir del estudio de los casos, se desarrolla a continuación las conclusiones

preliminares que se completarán en el capítulo 4.
En principio se puede observar que en los tres casos se generaron resultados
positivos tras el desarrollo de los casos de uso. La mejora de proceso se basó en
análisis predictivos destinados a explotar los datos operativos generados por la
infraestructura digital existente en las empresas analizadas.

Los casos resultan útiles para demostrar como las soluciones de AI logran
impactar positivamente en una empresa tradicional. La adopción del LCP a
través de una metodología ágil impacta en acortar los tiempos de adopción, y en
facilitar la co-creación del modelo entre el profesional experto en la industria y
el del software.

Una primera consideración para la aplicación de la metodología propuesta es la

necesidad de una infraestructura IIoT que genere datos de la operación en forma
consistente, y gran cantidad de datos históricos. Además, no solo importa la
cantidad, sino la calidad de los datos considerados (datos faltantes, anomalías,
descripción de la problemática, entre otras). Esto es una limitación importante
para varias industrias tradicionales que aún están rezagadas en la
digitalización. Este problema es una debilidad importante de las industrias que
podrían usar modelos de datos para abordar cuestiones criticas como mejorar
la vida útil restante (RUL) de los equipos pesados, reducir la huella de carbono,
optimizar la gestión del mantenimiento, y reducir las actividades que no agregan
valor, entre otras oportunidades desperdiciadas.

Los tres casos presentados muestran la ventaja de utilizar la metodología

propuesta para optimizar procesos industriales. Debe observarse que en todos
los casos las empresas contaban con una infraestructura digital relativamente
madura, de acuerdo a estándares como ISA 95. En los casos estudiados el
proceso de adopción se facilitaba al contar con datos históricos, y sobre todo
con plataformas robustas que generan datos de los procesos en tiempo real para
nutrir a la plataforma de ML desplegada en la nube.

Un tema central a considerar esta referido a la posibilidad de contextualización

y adaptación al dominio industrial especifico que se desea optimizar. En los 3
casos se resolvieron problemáticas complejas de optimizar, donde las
características de los procesos sobre los que se aplicó la metodología son muy
diferentes.
Continuando con lo que se menciona en el párrafo anterior, la funcionalidad
GUI visual y amigable de la LCP, junto con la utilización de la metodología Lean
Startup, permite desarrollar una metodología de creación conjunta entre los
profesionales de la ciencia de datos y software, y los expertos en el dominio
industrial a optimizar. Esto facilita el proceso de adopción de ML, reduciendo el
tiempo desde la preparación de datos hasta el entrenamiento del modelo, su
validación y puesta en producción. Esto se debe en parte a la participación
temprana del personal de procesos industriales y al uso de la preparación de
datos automatizada de la plataforma y las capacidades del modelo de
construcción de IA.

En los tres casos la LCP se integró con plataformas de gestión de las operaciones
existentes, las plataformas IIoT de la acería, la empresa minera, y la de
alimentos. Esta integración no resultó en un tema critico en ninguno de los
casos, esto es facilitado por la API que incorpora la LCP. Más allá, que se deben
realizar acciones sobre esta integración, el tema no resulta un aspecto crítico
para la adopción de la solución de ML.

Por lo tanto, de acuerdo a las observaciones planteadas en este punto se debe

considerar que más allá de la metodología a aplicar, es necesario cumplir con
algunas condiciones requeridas para desarrollar modelos analíticos. Esto es,
disponibilidad de datos, calidad de datos, variables de proceso relevantes que
forman parte de la instrumentación del proceso y la disponibilidad de expertos
de dominio experimentados que puedan trabajar en un equipo
multidisciplinario junto con científicos de datos, y expertos de software. Esto es
un condicionante importante para crear valor a través de los datos, y debe
evaluarse antes de comenzar a aplicar la metodología propuesta.

Se observa, de acuerdo a los resultados de los casos que el valor potencial a

generar para la operación de la firma implica un retorno sustancial sobre
inversión y podría permitir a las organizaciones desarrollar nuevas estrategias
diferenciadoras en el mercado.

El potencial del enfoque propuesto es alto en las industrias tradicionales que

aún no se han evolucionado al modelo I4.0/5.0 y, en la mayoría de los casos,
comienzan a desarrollar la infraestructura tecnológica para alcanzar un nivel
de madurez tecnológica que permita trabajar con el análisis de datos y el
aprendizaje automático para la optimización de sus procesos de producción.
CAPÍTULO 4
Conclusiones y Futuras Líneas de Investigación
4.1 Introducción

En el siguiente capítulo desarrollamos las principales conclusiones que resultan

del trabajo de investigación, conclusiones sobre el aprendizaje que dejó este
trabajo. Por último, se presentan las futuras líneas de investigación en la que
se propone avanzar a partir de los hallazgos que dejó el proceso de elaboración
de la tesis que se presenta.

4.2 Conclusiones

La primera conclusión que se desprende del trabajo se refiere a la necesidad de

contar con un nivel de madurez digital avanzado para poder utilizar AI/ML para
optimizar procesos industriales. Esto es una condición excluyente para avanzar
en la adopción de AI en la industria.

La observación del punto anterior podría ser una debilidad para muchas
industrias tradicionales. Los casos se desarrollaron en plantas con una
arquitectura madura que facilitó la evolución hacia el uso de AI, esta es una
fortaleza para estas empresas que no es común en muchas otras firmas
industriales, en particular en el segmento PyME. Uno de los puntos a tener en
cuenta en esta línea, es la existencia de gran cantidad, alrededor de 18 meses,
de datos de alta calidad, con un bajo porcentaje de valores faltantes y
anomalías.

Por otro lado, aparece la necesidad de integración de la solución con otras

arquitecturas como plataformas MES o IIoT, y el alojamiento en la nube, todas
de terceros. Esta vinculación en un ecosistema facilita la adopción de AI
proporcionando la arquitectura necesaria en términos de alto uso de recursos
computacionales y herramientas de ciberseguridad. De esta manera la LCP
trabaja en una arquitectura multitenant en la nube que resulta confiable.

La metodología de adopción, y las características de la LCP también impactan

en lograr uno de los pilares de I5.0, la centralidad de las personas. Los
ingenieros de proceso que son involucrados desde el primer momento, y luego
comprenden la solución y sus beneficios, logrando un fuerte compromiso con la
solución y el proyecto de mejora. La solución final consiste en un sistema
humano empoderado, donde el operador observa las predicciones de IA, y realiza
cambios en el proceso en consecuencia, logrando la automatización para la
mejora de proceso, impulsada por la IA.

A lo largo de este trabajo se pudo validar que la aplicación de IA desempeña un

papel central en la mejora de las operaciones de la empresa industrial, y en la
disminución de la huella de carbono. Esto es posible siempre que se logre
preparar a la organización para la IA, alineando a las personas, y logrando si
compromiso, procesos y tecnología.

En este punto se puede considerar que la estrategia de adopción que propone

el modelo de negocio a través de la plataforma de bajo código parece apropiada
para dinamizar los procesos de evolución hacia la optimización de procesos
industriales a partir de modelos analíticos.
A continuación, se desarrolla un análisis más detallado de la afirmación del
párrafo anterior respondiendo las preguntas planteadas en el primer capítulo
de esta tesis.
La solución propuesta presenta una ventaja sobre otras metodologías de
adopción AI en la industria. La propuesta desarrollada en la tesis disminuye los
plazos y simplificaban la adopción de la analítica en la industria. La
característica distintiva del enfoque con respecto a otras alternativas es el
enfoque bajo código y la metodología ágil Lean Startup, que facilita el uso de
AI/ML por parte de los operadores de procesos con poco conocimiento de
matemáticas o estadísticas, y baja radicalmente los tiempos de adopción.
De acuerdo con el párrafo anterior, la gestión del cambio se simplificó hacia un
enfoque ágil; el nuevo modelo de negocio generó resultados más rápidos y con
menor complejidad que las soluciones analíticas tradicionales. Esto se debe a
que el modelo propuesto está centrado en el usuario final, el operador del
proceso. El modelo bajo código facilita las tareas críticas y que consumen mucho
tiempo relacionadas con el desarrollo de software y los algoritmos. De esta
forma, el modelo de negocio propuesto en este caso valida como la posibilidad
de democratizar la IA/ML en las industrias tradicionales, facilitando la adopción
de este tipo de herramientas para segmentos industriales tradicionales, y con
mayor inercia para evolucionar al modelo I4.0/5.0.
Un punto clave que simplifica la metodología ágil y la LCP es la preparación de
las personas de los procesos, los usuarios de los resultados de las predicciones
a través de ML. La propuesta presentada en la tesis facilita la cocreación, es
decir la vinculación e iteración de expertos de software y analítica con los
expertos del dominio industrial. Esto facilita por un lado poder integrar
información tanto del contexto industrial, como de aspectos de software y
matemática. Las herramientas visuales e interface gráfica de la LCP dinamizan
el proceso de aprendizaje y la internalización de la solución por parte de los
actores industriales.
Otra cuestión que se plantea en la hipótesis, es como se logra conocer en forma
temprana si el proceso de adopción de una solución de ML tendrá impacto. En
línea con el párrafo anterior las herramientas visuales permiten analizar el
modelo, que se transforma en el PMV, y experimentar para validarlo y lograr el
modelo ajustado que será puesto en producción.
Por último, se observa que las posibilidades que generan los modelos analíticos
para la optimización de procesos, junto con la dinámica del desarrollo de
soluciones de software a partir del modelo de bajo código. Todo esto hace que el
surgimiento de nuevos modelos de negocio para dinamizar la estrategia de
adopción de IA/ML en la industria tenga un alto potencial. Este tema se
profundizará en una de las futuras líneas de investigación.

4.3 Futuras Líneas de Investigación

4.3.1 Las personas y las habilidades digitales para el modelo I 5.0, el

operador 5.0

Las futuras líneas de investigación sobre este tema deberían incluir nuevas
metodologías de aprendizaje y formación acordes con el paradigma digital que
faciliten la formación de las personas del proceso industrial para hacer frente a
las nuevas habilidades necesarias en el escenario digital. El aprendizaje
inmersivo o la gamificación, entre otros, deben usarse para facilitar la adopción
de la solución de IA en la planta.

Desarrollo de habilidades digitales en las personas, learning by playing, Serious

games, entre otras metodologías.
En este sentido se continuará indagando a partir de los hallazgos en el trabajo
de Walas Mateo & Redchuk (2021), donde a partir de un estudio bibliométrico
sobre las personas en el modelo I4.0, se destaca la brecha que existe en el
manejo de habilidades digitales en las personas vinculadas a los procesos
industriales, para abordar el cambio de paradigma.

Por otro lado, según Cotta et al (2020) el modelo I5.0 resuelve la mayoría de los
problemas de fabricación asociados con eliminar trabajadores del taller. Sin
embargo, debe incorporar habilidades adicionales con visión de futuro ya que
los humanos pueden agregar habilidades de fabricación innovadoras.

4.3.2 Soluciones a través de nuevos modelos de negocio y las

oportunidades del paradigma de bajo código.

Otro punto a destacar son las oportunidades que el paradigma de la fabricación

inteligente abre a las startups y sus innovadores modelos de negocio que ofrecen
soluciones para facilitar la adopción de AI/ML en la industria. La dinámica
evolutiva que presenta el modelo I4.0 aumentan la presión y las exigencias de
las personas que trabajan en la automatización, que es uno de los principales
motivadores de la Industria 5.0.

Esta tesis mostró cómo un modelo de negocio que utiliza AI/ML centrado en
una estrategia de bajo código podría acortar los ciclos de implementación de
varios meses (18 como se vio en el caso de Jindal Steel y Power Limited) a un
par de meses, tal como se muestra en los casos desarrollados en este trabajo.

La solución presentada por la IA Operacional de Falkonry en la sección 2 del

trabajo para mejorar el mantenimiento de los equipos. El caso de Falkonry
podría estudiarse a fondo para ampliar los conceptos de este trabajo y se
considera para próximos pasos en esta investigación.

Por otro lado, como se ha visto en este trabajo el desarrollo de software para la
digitalización industrial se ha convertido en un tema crítico, ya que tanto el
conocimiento del dominio como las habilidades de programación son necesarios
para un software mantenible de alta calidad.
Para analizar el potencial de esta línea de investigación se realizó un estudio
bibliométrico preliminar con el siguiente Query:
"low-Code" OR "No-Code" OR "low code" OR "no-code" AND "industry
4.0" OR "smart manufacturing" OR "business models" OR "industry 5.0"

La búsqueda arrojo 14 documentos desde 2018 al 2021, y muestra la figura 11.

Lo que parecería ser un tema cuyo interés se encuentra en crecimiento en la
comunidad científica.

Fig. 11. Documentos por año sobre el tema. Fuente: SCOPUS.

4.3.3 Modelos de negocio orientado al servicio. Servitización

Según la lógica del mundo digital, las máquinas poco a poco dejarán de ser
productos y se convertirán en servicios. En lugar de comprar un motor, el cliente
va a comprar un servicio de ventilación, generación o propulsión. Y el fabricante
tendrá los datos en tiempo real de los miles o millones de sus creaciones
girando, generando energía o moviendo cosas alrededor del mundo Con estos
datos, las empresas no sólo serán capaces de mantener las máquinas sin
accidentes y pérdidas debido a la inactividad, sino que también podrían usar
los datos para diseñar la próxima versión de la máquina con ventaja de conocer
la totalidad de la historia de su ciclo de vida.
Iansiti y Lakhani (2014) establecen en su trabajo que adaptarse a la
conectividad digital ubicua es esencial para competitividad en la mayoría de los
sectores de la economía. Los autores refuerzan el concepto diciendo que han
examinado la transformación en docenas de industrias y empresas, tanto
tradicionales como digitales, y hablaron con cientos de ejecutivos en un esfuerzo
por entender cómo los modelos tradicionales de la innovación y la ejecución
operativa están cambiando.

Tienen visto que la transformación digital no es una disrupción tradicional. El

paradigma no es el desplazamiento y reemplazo sino conectividad y
recombinación.

El concepto de producto como servicio se ha ampliado a cualquier cosa como

servicio (XaaS). Costa (2019) define que este concepto significa que, en lugar de
ofrecer un producto como inversión o costo, se ofrece como un servicio pagando
por lo que se usa reduciendo el costo de propiedad del equipo o máquina. En su
artículo Costa (2019) sitúa a XaaS como el futuro de la economía colaborativa
y da ejemplos más allá de Uber o Airbnb, como Mobike o BMW en china.

4.3.4 Estrategia Lean 5.0, La optimización de procesos industriales en el

marco del paradigma Industria 4.0

En las últimas décadas, las empresas han trabajado para aumentar más la
calidad y variedad de servicios y productos, así como minimizar costos y
aumentar los beneficios, potenciando eficiencia de producción y procesos para
los ciclos de vida del proyecto, y mejorar las condiciones de trabajo para las
personas, y fidelización de los clientes (Mourtzis, D.,2016, y Hernandez-de-
Menendez et al., 2020). En efecto, siempre se requiere que cualquier negocio sea
exitoso y sostenible. Mientras que se buscan técnicas para la mejora continua.

Herramientas como la gestión Lean nos permiten mantener los resultados

mientras somos capaces de competir en mercados muy volátiles (Smith y
Besharov. 2019). El artículo de Ciano et al. (2019), pone de manifiesto el
creciente interés en el vínculo entre Lean Management (LM) e I4.0, con el
objetivo de eliminar el desperdicio de los procesos comerciales para mejorar su
eficiencia, así como su competitividad según Lai et al. (2019). A pesar de la
existencia de documentos que combinan estos dos enfoques, no se visibiliza una
sistematización integral de conocimiento que estudia la interacción entre todos.

Por otro lado, la innovación abierta genera oportunidades para desarrollar

soluciones tecnológicas encuadradas en el marco de I4.0, a partir de utilizar
software o hardware libre, o metodologías colaborativas entre emprendedores,
Universidades, y grandes empresas.

Un análisis bibliométrico preliminar en la base de datos Scopus, arrojo 240

documentos, con una evolución creciente del tipo exponencial. Se utilizó la
siguiente consulta, ("Lean manufacturing” AND ”Industry 4.0” OR ”Lean 4.0")

Los primeros artículos sobre la materia se publicaron en el año 2016, 3 trabajos,

y en el año 2021 se destacan 75 trabajos. El crecimiento exponencial de la
temática, según se muestra en la figura 12, demuestra que el tema es de
creciente interés en el ámbito de la comunidad académica.

Fig. 12. Cantidad de trabajos publicados por año sobre la temática LM e I4.0. Fuente:
Scopus.

Por otro lado, el análisis también arrojo el porcentaje de documentos por área
de investigación. Según se puede ver en la figura 13, Ingeniería, ciencia de
decisiones, y gestión de negocios representan más del 50% de los artículos
publicados sobre el tema. Esto da otro indicador sobre lo pertinencia del tema
para ser investigado, y generar conocimiento aplicado en la materia para
transferir a las empresas locales.

Fig. 13. Distribución por área del conocimiento de los documentos publicados sobre
LM e I4.0. Fuente: Scopus.

4.3.5 IIoT y alternativas de arquitectura para integración de datos en la

industria.

Tal como se adelantó en el capítulo 2, el tema las nuevas alternativas de

arquitectura para integrar datos desde las operaciones hasta la función de
planificación. Más allá del estándar ISA 95, citado en el capítulo 2, aparecen
otros marcos de referencia como el RAMI 4.0 (Reference Architecture Model
Industrie 4.0), desarrollado por la Asociación Alemana de Fabricantes Eléctricos
y Electrónicos (ZVEI).

Por otro lado, la aparecen alternativas tecnológicas como la virtualización y la

contenedorización para la gestión del sistema, que facilitan la integración de los
sistemas OT en la seguridad de TI como una opción tecnológica para facilitar
aún más la utilización de soluciones IIoT y llevar la OT a la nube.
Los temas enunciados en los párrafos anteriores, y el trabajo desarrollado en la
tesis permiten abrir la puerta para continuar investigando y profundizar la
temática de la IIoT y las numerosas alternativas que se generan para avanzar
en la integración de los datos, y el agregado de valor a partir de modelos
analíticos para la optimización de procesos industriales.
REFERENCIAS
Capítulo 1
A. Redchuk, and F. Walas Mateo (2022). New Business Models on Artificial
Intelligence—the Case of the Optimization of a Blast Furnace in the Steel
Industry by a Machine Learning Solution. Applied System Innovation. 5(1):6.
https://doi.org/10.3390/asi5010006
W. Pfau, P. Rimpp. (2021). AI-Enhanced Business Models. Digital
Entrepreneurship, Digital Entrepreneurship, Future of 341 Business and
Finance. Springer International Publishing. https://doi.org/10.1007/978-3-
030-53914-6_7
V. L. Da Silva, J. Luiz Kovaleski, R. Negri Pagani, J. De Matos Silva, A. Corsi.
(2019). Implementation of Industry 4.0 concept in companies: empirical
evidences, International Journal of Computer Integrated Manufacturing.
UN General Assembly. “Transforming Our World: The 2030 Agenda for
Sustainable Development” United Nations (UN), Oct. 2015.
J. Müller. European Commission, Directorate-General for Research and
Innovation, Enabling Technologies for Indus-try 5.0: results of a workshop with
Europe’s technology leaders, Publications Office, 2020,
https://data.europa.eu/doi/10.2777/082634
F. Walas Mateo, A. Redchuk. (2022). Artificial Intelligence as a Process
Optimization driver under industry 4.0 framework and the role of IIoT, a
bibliometric analysis. – JIIM. Journal of Industrial Integration and Management
Innovation & Entrepreneurship. ISSN (print): 2424-8622 | ISSN (online): 2424-
8630. https://doi.org/10.1142/S2424862222500130
M. Di Nardo, H. Yu. (2021). Special Issue. Industry 5.0: The prelude to the sixth
industrial revolution. Appl. Syst. Innov, 4, 45.
M. Doyle-Kent, P. Kopacek. (2020). Industry 5.0: Is the manufacturing industry
on the cusp of a new revolution? Adv. Mech. Eng., 432–441.
F. Walas Mateo, A. Redchuk, J. E. Tornillo. (2022). Industry 5.0 and new
business models in mining. Adoption Case of Machine Learning to optimize the
process at a copper Semi Autogenous Grinding (SAG) Mill. July 2022. 5th
European IEOM Rome
B. Chander, S. Pal, D. De, R. Buyya. (2022). Artificial Intelligence-based Internet
of Things for Industry 5.0. In: Pal, S., De, D., Buyya, R. (eds) Artificial
Intelligence-based Internet of Things Systems. Internet of Things. Springer,
Cham. https://doi.org/10.1007/978-3-030-87059-1_1
M. Breque, L. De Nul, A. Petridis. (2021). European Commission, Directorate-
General for Research and Innovation, Industry 5.0: towards a sustainable,
human-centric and resilient European industry, Publications Office,
https://data.europa.eu/doi/10.2777/308407.
P. K. Muhuri, K. Shukla, Amit, A. Abraham. (2019). Industry 4.0. A bibliometric
analysis and detailed overview. Eng. Appl. Artificial Intelligence 78, 218–235.
D. Ibarra, J. Ganzaraina, J. I. Igartua. (2017). Business model innovation
through Industry 4.0: A review. 11th International Conference
Interdisciplinarity in Engineering, INTER-ENG 2017, October 2017, Tirgu-
Mures, Romania.
J. R. Ruiz-Sarmiento, J. Monroy, F. A. Moreno, C. Galindo, J. M. Bonelo, J.
Gonzalez-Jimenez. (2020). A predictive model for the maintenance of industrial
machinery in the context of industry. Engineering Applications of Artificial
Intelligence. ISSN: 0952-1976.
F. Walas Mateo. (2020). Industry 4.0 and the emergence of new business
models. LACCEI 2020. The Eighteen LACCEI International Multi-Conference
For Engineering, Education Caribbean Conference For Engineering And
Technology. Buenos Aires. Argentina.
F. Walas Mateo, A. Redchuk. (2021). The Emergence of New Business and
Operating Models under the Industrial Digital Paradigm. Industrial Internet of
Things, Platforms, and Artificial Intelligence/Machine Learning. International
Conference of Production Research-Americas (ICPR-Americas). Editorial UNS.
ISSN 2619-1865. Argentina.

J. Ganzarain, N. Errasti. (2016): Three stage maturity model in SME’s toward

industry 4.0, Journal of Industrial Engineering and Management (JIEM), ISSN
2013-0953, OmniaScience, Barcelona, Vol. 9, Iss. 5, pp. 1119-1128.
F. Walas Mateo, A. Redchuk. (2021). Artificial Intelligence and Machine Learning
as a Process Optimization driver under Industry 4.0 framework, the role of the
people in the process. Global Conference on Engineering Research (GLOBCER).
Bandirma Onyedi Eylul University. 2-5 June 2021. Turkey. ISBN: 978‐625‐
44365‐9‐8
P. Thiell. (2014). De Cero a Uno. Centro Libros PAPF, S.L.U, Grupo Planeta.
S. Erol, A. Schumacher, W. Sihn. (2016). Strategic guidance towards Industry
4.0 – a three-stage process model. International Conference on Competitive
Manufacturing 2016 (COMA'16) at: Stellenbosch, South Africa
B. R. Ferrer, W. M. Mohammed, J. L. Martínez Lastra, A. Villalonga, G.
Beruvides, F. Castaño, R. E. Haber. (2018). Towards the Adoption of Cyber-
Physical Systems of Systems Paradigm in Smart Manufacturing Environments.
IEEE 16th International Conference on Industrial Informatics (INDIN). DOI:
10.1109/INDIN.2018.8472061.
A. Basco, G. Beliz, D. Coatz, P. Garnero. (2018). industria 4.0: fabricando el
futuro. bid-intal-uia.
M. Casalet. (2018) “La digitalización industrial: un camino hacia la gobernanza
colaborativa. Estudios de casos”, Documentos de Proyectos (LC/TS.2018/95),
Santiago, Comisión Económica para América Latina y el Caribe (CEPAL).
C. Brixner, P. Isaak, S. Mochi, M. Ozono, G. Yoguel. (2019). Industria 4.0:
¿intensificación del paradigma tic o nuevo paradigma tecno organizacional? 1ª
ed. - Ciudad Autónoma de Buenos Aires: ciecti,
J. Smit, S. Kreutzer, C. Moeller, M. Carlberg. (2016). Industry 4.0. Directorate
General for Internal Policies. European Parliament. Disponible en:
http://www.europarl.europa.eu/studies .
M. Wollschlaeger, T. Sauter, J. Jasperneite. (2017). The Future of Industrial
Communication. Automation Networks in the Era of the Internet of Things and
Industry 4.0. IEEE industrial electronics magazine, march 2017.
M. Porter, J. Heppelmann. (2015). How Smart, Connected Products Are
Transforming Companies. Harvard Business Review.
F. Walas Mateo, A. Redchuk. (2021). A review of IIoT/IoT and AI/ML as Process
Optimization driver under industry 4.0 model. Journal of Computer Science &
Technology (JCS&T). Vol 21. ed. 2, pp 170-176.
F. Walas Mateo, A. Redchuk (2022). Process Optimization in the Steel Industry
using Machine Learning adopting an Artificial Intelligence Low Code Platform.
Jornadas de Cloud Computing, Big Data & Emerging Topics – 2022. DOI:
10.35537/10915/139373
A. Vazhnov. (2015). La Red de Todo, Internet de las Cosas y el Futuro de la
Economía Conectada. @andreidigital
R. Dorf, A. Kusiak. (1994). Handbook of Design, Manufacturing and
Automation. John Wiley & Sons Inc. Hoboken, Nueva Jersey, Estados Unidos.
OECD (2020), Digitalisation and Responsible Business Conduct: Stocktaking of
policies and initiatives. Centre for Responsible Business Conduct. OEDC.
R. G. Cooper, A. F. Sommer. (2018). Agile–Stage-Gate for Manufacturers:
Changing the Way New Products Are Developed’, Research-Technology
Management, 61(2), pp. 17–26.
D. G. Ullman. (2019). Scrum for Hardware Design. Oregon: David Ullman LLC.
A. Di Minin, C. De Marco, C. Marullo, A. Piccaluga, E. Casprini, M. Mahdad, A.
Paraboschi. (2016) ’Case Studies on Open Innovation in ICT’; Institute for
Prospective Technological Studies, Joint Research Centre. JRC Science for
Policy Report.
H.W. Chesbrough. (2003). The era of open innovation. MIT Sloan Management
Review.
E. von Hippel. (1998). THE SOURCES OF INNOVATION. New York Oxford
University Press
E. von Hippel. (2005). Democratizing innovation: The evolving phenomenon of
user innovation. JfB 55, 63–78. https://doi.org/10.1007/s11301-004-0002-8)
Sitio web de ODOO. Disponible online: https://www.odoo.com/ (accedido el 15
de mayo de 2022).
M. Iansiti, K. Lakhani. (2020). Competing in the age of AI: strategy and
leadership when algorithms and networks run the world / Boston, MA:
Harvard Business Review Press.
E. Ries. (2011). The Lean Startup. Crown Business (USA). ISBN 0307887898

Capítulo 2
W. He, L. Xu. (2014). Integration of Distributed Enterprise Applications: A
Survey. IEEE Transactions on Industry Informatics, 10(1), pp. 35-42.
ISA. International Society of Automation. Available online:
https://www.isa.org/ (accessed on 1 July 2022).
International Electrotechnical Commission. Available online:
https://www.iec.ch/ (accessed on 1 July 2022).
American National Standards Institute (ANSI), ISA-95.00.01-2010, ISA-
95.00.02-2010, ISA-95.00.03-2013, ISA-95.00.04-2012, ISA-95.00.05-2013.
North Carolina USA.
M. Åkerman. (2018). Implementing Shop Floor IT for Industry 4.0. Department
of Industrial and Materials Science. CHALMERS UNIVERSITY OF
TECHNOLOGY. Gothenburg, ISBN 978-91-7597-752-2.
A. Seetharaman, N. Patwa, A.S. Saravanan, A. Sharma. (2019). Customer
expectation from Industrial Internet of Things (IIOT). Journal of Manufacturing
Technology Management.
B. Chandler, S. Pal, D. De, R. Buyya. (2022). Artificial Intelligence-based
Internet of Things for Industry 5.0. Artificial Intelligence-based Internet of
Things Systems. DOI: 10.1007/978-3-030-87059-1_1
A. Garbugli, A. Bujari, P. Bellavista. (2021). End-to-end QoS Management in
Self-Configuring TSN Networks. In Proceedings of the IEEE International
Conference on Factory Communication Systems (WFCS), Linz, Austria, 9–11
June 2021; pp. 131–134. [CrossRef]
A. Arestova, M. Martin, K.S.J. Hielscher, R. German. (2021). A Service-Oriented
Real-Time Communication Scheme for AUTOSAR Adaptive Using OPC UA and
Time-Sensitive Networking. Sensors 2021, 21, 2337. [CrossRef]
L. Patera, A. Garbugli, A. Bujari, D. Scotece, A. Corradi. A Layered Middleware
for OT/IT Convergence to Empower Industry 5.0 Applications. Sensors 2022,
22, 190. https://doi.org/10.3390/s22010190
P. Lara, M. Sánchez, J. Villalobos. (2020). Enterprise modelling and operational
technologies (OT) application in the oil and gas industry. Journal of Industrial
Information Integration.
F. Walas Mateo, A. Redchuk. (2021). A review of IIoT/IoT and AI/ML as Process
Optimization driver under industry 4.0 model. Journal of Computer Science &
Technology (JCS&T). Vol 21. ed. 2, pp 170-176.
https://doi.org/10.24215/16666038.21.e15
E. Yalcinkaya, A. Maffei, H. Akillioglu, M. Onori. (2021). Empowering ISA95
compliant traditional and smart manufacturing systems with the blockchain
technology. Manufacturing Review. 8, 15
https://doi.org/10.1051/mfreview/2021013.
G.D.N. Silveira, R. F. Viana, M.J. Lima, H.C. Kuhn, C.D.P. Crovato, S.B.
Ferreira, G. Pesenti, E. Storck, R. da Rosa Righ. (2020). I4.0 pilot project on a
semiconductor industry: Implementation and lessons learned. Sensors 2020,
5752S.
S. Yang, P. Navarathna, S. Ghosh, B.W. Bequette. (2020). Hybrid Modelling in
the Era of Smart Manufacturing. Computers and Chemical Engineering. DOI:
10.1016/j.compchemeng.2020.106874.
J. Vater, L. Harscheidt, A. Knoll. (2019). Smart Manufacturing with Prescriptive
Analytics. Proceedings of 2019 8th International Conference on Industrial
Technology and Management, ICITM.
M. Khakifirooz, C.F. Chien, Y.J. Chen. (2018). Bayesian inference for mining
semiconductor manufacturing big data for yield enhancement and smart
production to empower industry 4.0. Applied Soft Computing Journal.
I. Erozan. (2019). A fuzzy decision support system for managing maintenance
activities of critical components in manufacturing systems. Journal of
Manufacturing Systems. June 2019.
Z. Kang, C. Catal, B. Tekinerdogan. (2020). Machine learning applications in
production lines: A systematic literature review. Computers & Industrial
Engineering 149.Tayal et al., 2020
M. Javaid, A. Haleem, R.P. Singh, R. Suman. (2022). Artificial intelligence
applications for industry 4.0: A literature-based study. Journal of Industrial
Integration and Management, 7(01), 83-111.
A. Jamwal, R. Agrawal, M. Sharma, A. Giallanza. (2021). Industry 4.0
Technologies for Manufacturing Sustainability: A Systematic Review and Future
Research Directions. Appl. Sci. 2021, 11, 5725.
https://doi.org/10.3390/app11125725
C. Gonçalves Machado, M.P. Winroth, E.H. Dener Ribeiro da Silva. (2020).
Sustainable manufacturing in Industry 4.0: an emerging research agenda,
International Journal of Production Research, 58:5, 1462-1484, DOI:
10.1080/00207543.2019.1652777.
M. Khan, X. Wu, X. Xu and W. Dou, "Big data challenges and opportunities in
the hype of Industry 4.0," 2017 IEEE International Conference on
Communications (ICC), Paris, France, 2017, pp. 1-6, doi:
10.1109/ICC.2017.7996801.
R. Kumar, S. Prakash Singh, K. Lamba. (2018). Sustainable robust layout using
Big Data approach: A key towards industry 4.0. Journal of Cleaner Production,
Volume 204, Pages 643-659, ISSN 0959-6526,
https://doi.org/10.1016/j.jclepro.2018.08.327.
M. Sharp, R. Ak, T. Hedberg (2018). A survey of the advancing use and
development of machine learning in smart manufacturing. Journal of
Manufacturing Systems. Volume 48, Part C, Pages 170-179, ISSN 0278-6125,
https://doi.org/10.1016/j.jmsy.2018.02.004.
J. Hernández Orallo; M.J. Ramírez Quintana; C. Ferri Ramírez. (2004).
Introducción a la Minería de Datos. Pearson Educación SA. Madrid. ISBN 84-
205-4091-9
R. Sharma, S. S. Kamble, A. Gunasekaran, V. Kumar, A. Kumar. (2020). A
systematic literature review on machine learning applications for sustainable
agriculture supply chain performance. Computers & Operations Research.
Volume 119, 104926, ISSN 0305-0548,
https://doi.org/10.1016/j.cor.2020.104926.
M. Syafrudin, G. Alfian, N.L. Fitriyani, J. Rhee. (2018). Performance Analysis of
IoT-Based Sensor, Big Data Processing, and Machine Learning Model for Real-
Time Monitoring System in Automotive Manufacturing. Sensors 2018, 18, 2946.
https://doi.org/10.3390/s18092946
J.L. Loyer, E. Henriques, M. Fontul, S. Wiseall. (2016). Comparison of Machine
Learning methods applied to the estimation of manufacturing cost of jet engine
components, International Journal of Production Economics, Volume 178,
Pages 109-119, ISSN 0925-5273, https://doi.org/10.1016/j.ijpe.2016.05.006.
P. Priore, D. de la Fuente, R. Pino. (2001). Learning-based scheduling of flexible
manufacturing systems using case-based reasoning, Applied Artificial
Intelligence, 15:10, 949-963, DOI: 10.1080/088395101753242697.
G. Pedone, I. Mezgár. (2018). Model similarity evidence and interoperability
affinity in cloud-ready Industry 4.0 technologies. Computers in Industry. Vol.
100 (2018) 278-286.
I. Witten, E. Frank, M. A. Hall, C.J. Pal. (2017). Data Mining. Practical Machine
Learning Tools and Techniques. Fourth Edition. Morgan Kaufmann, Elsevier.
Cambridge, MA 02139, United States. ISBN: 978-0-12-804291-5L.
L. Brun, G. Gereffi, J. Zhan. (2019). The “lightness” of Industry 4.0 lead firms:
implications for global value chains. In Book Transforming Industrial Policy for
the Digital Age: Production, Territories and Structural Change. Publisher:
Edward Elgar Publishing Ltd.
R. Mishra, A. Gandhi, R. Jaiswal, S. Mishra, A. Fadnis. (2018). Machine
Learning to Improve Blast Furnace Productivity at Jindal Steel & Power. In
Proceedings of the AISTech 2020, Iron & Steel Technology Conference,
Cleveland, OH, USA, 31 August–3 September 2020.Spadaccini et al.
P.E. Gazola, O. dos Santos HS, M. Daroit, A.A. Locatelli. (2020). Machine
Learning Approach for Steel Grade Detection in Hot Rolling Mills. In Proceedings
of the AISTech 2021, Iron & Steel Technology Conference, Nashville, TN, USA,
29 June–1 July 2020.
C. Waters, B. Klemme, R. Talla, P. Jain, N. Mehta. (2021). Transforming Metal
Production by Maximizing Revenue Generation With Operational AI. In
Proceedings of the AISTech 2021, Iron & Steel Technology Conference,
Nashville, TN, USA, 29 June–1 July 2021
V. Manojlović, Ž. Kamberović, M. Korać, M. Dotlić. (2022). Machine learning
analysis of electric arc furnace process for the evaluation of energy efficiency
parameters, Applied Energy 307 118209 (2022). DOI:
10.1016/j.apenergy.2021.118209.
S. Avalos, W. Kracht, J.M. Ortiz. (2021). Machine Learning and Deep Learning
Methods in Mining Operations: A Data-Driven SAG Mill Energy Consumption
Prediction Application. Mining, Metallurgy & Exploration. 37:1197-1212.
https://doi.org/10.1007/s42461-020-00238-1
V. Flores, C.A. Leiva. (2021). Comparative Study on Supervised Machine
Learning Algorithms for Copper Recovery Quality Prediction in a Leaching
Process. Sensors 2021, 21, 2119. https://doi.org./10.3390/s21062119.
L. Barnerwold, B.G. Lotermozer. (2020). Identification of digital technologies and
digitalisation trends in the mining industry. International Journal of Mining
Science and Technology. Volume 30, Issue 6, November 2020, Pages 747-757
S. Zelinska. (2020). Machine learning: technologies and potential application at
mining companies. E3S Web of Conferences 166, 03007 (2020)
https://doi.org/10.1051/e3sconf/202016603007
D. Ali, S. Fripong. (2020). Artificial Intelligence, machine learning and process
automation: existing knowledge frontier and way forward for mining sector.
Artificial Intelligence Review (2020) 53:6025-6042
https://doi.org/10.1007/s10462-020-09841-6
W.F. Visser. (2020). A Blueprint for Performance-Driven Operations
Management. Mining, Metallurgy & Exploration 37:823-831.
https://doi.org/10.1007/s42461-020-00199-5
N.R. Sharma, A.K. Mishra, S. Jain. (2021). Impact factor improvement and
maintenance Schedule optimization of mining shovels by remaining useful life
and linear programming. Journal of Mines, Metals and Fuels. Volume 69, Issue
9, Pages 315 - 326. September 2021.
H. Abukwaik, L. Sula, P. Rodriguez. (2022). TopSelect: A Topology-based
Feature Selection Method for Industrial Machine Learning. Proceedings - 1st
International Conference on AI Engineering - Software Engineering for AI, CAIN
2022, 46,47. 10.1145/3522664.3528618.
T. H. Davenport. (2020). Is AI Getting easier? Forbes Media LLC.
Y. Lin, A. M. Shahhosseini, M. A. Badar, T. Foster, J. Dean. (2016). A concept
map-based cognitive framework for acquiring expert knowledge in industrial
environment. Proceedings - Frontiers in Education Conference, FIE Volume
2016. Article number 775770246th Annual Frontiers in Education Conference.

Capítulo 3
F. Walas Mateo, A. Redchuk. (2021). The Emergence of New Business and
Operating Models under the Industrial Digital Paradigm. Industrial Internet of
Things, Platforms, and Artificial Intelligence/Machine Learning. Journal of
Mechanics Engineering and Automation 11 54-60 doi: 10.17265/2159-
5275/2021.02.004.
F. Walas Mateo, A. Redchuk. (2022). Artificial Intelligence as a Process
Optimization driver under industry 4.0 framework and the role of IIoT, a
bibliometric analysis. – JIIM. Journal of Industrial Integration and
Management. DOI: 10.24215/16666038.21.e15
A. Osterwalder, Y. Pigneur, C.L. Tucci. (2005). Clarifying Business Models:
Origins, Present, and Future of the Concept. Communications of the Association
for Information Systems, 16, pp-pp. https://doi.org/10.17705/1CAIS.01601.
M. Borja. (2020). La Doble velocidad de los datos: Como incorporar una
estrategia “Data Driven” en la organización. Harvard Deusto. Feb. 2020.
M. Iansiti, K. Lakhani. (2014). Digital Ubiquity: How Connections, Sensors, and
Data Are Revolutionizing Business. Harvard Business Review. Nov. 2014.
F. Walas Mateo, A. Redchuk. (2020). The Emergence of New Business and
Operating Models under the Industrial Digital Paradigm. Industrial Internet of
Things, Platforms, and Artificial Intelligence/Machine Learning. International
Conference of Production Research-Americas (ICPR-Americas). Editorial UNS.
ISSN 2619-1865.
D. C. Cozmiuc, I. I. Petrisor. (2018). Handbook of Research on Strategic
Innovation Management for Improved Competitive Advantage Volume 2, Pages
477-497 Innovation in the age of digital disruption: The case of Siemens (Book
Chapter). 13 April 2018.
P. Sailer, B. Stutzmann, D. Kobold. (2019). Successful Digital Transformation.
How Change Management helps you to hold course. Siemens IoT Services.
Copyright © Siemens AG. Oct 2019
D. Di Ruscio, D. Kolovos, J. Lara, A. Pierantonio, M. Tisi, M. Wimmer. (2022).
Low-code development and model-driven engineering: Two sides of the same
coin? Software and Systems Modeling (2022) 21:437–446
https://doi.org/10.1007/s10270-021-00970-2.
C. Richardson, J.R. Rymer. (2014). New Development Platforms Emerge For
Customer-Facing Applications; Forrester: Cambridge, MA, USA, 2014.
R. Waszkowski. (2019). Low-code platform for automating business processes
in manufacturing. IFAC-PapersOnLine. IFAC-PapersOnLine. Volume 52, Issue
10, 2019, Pages 376-381. doi.org/10.1016/j.ifacol.2019.10.060
A.C. Bock, U. Frank. (2021). Low-Code Platform. Business & Information
Systems Engineering 63(3–4). DOI: 10.1007/s12599-021-00726-8
J. Cabot. (2020). Positioning of the low-code movement within the field of model-
driven engineering. In Proceedings of the MODELS’20: ACM/IEEE 23rd
International Conference on Model Driven Engineering Languages and Systems,
Virtual Event, Canada, 18–23 October 2020.
R. Sanchis, O. García-Perales, F. Fraile, R. Poler. (2020). Low-Code as Enabler
of Digital Transformation in Manufacturing Industry. Appl. Sci. 2020, 10, 12.
https://doi.org/10.3390/app10010012
Sitio web de Azure. (2022). disponible online: https://azure.microsoft.com/
(accedido el 22 julio de 2022).
G. Schuh, T. Gartzena, S. Soucy-Bouchardb, F. Basse. (2017). ‘Enabling Agility
in Product Development through an Adaptive Engineering Change
Management’, Procedia CIRP, 63, pp. 342–347.
E.C. Conforto, F. Salum, D.C. Amaral, S. L. da Silva, L. F. Magnanini de
Almeida. (2014). Can Agile Project Management Be Adopted by Industries Other
than Software Development? Project Management Journal, 45(3), pp. 21–34.
P. Diebold, M. Dahlem. (2014). Agile practices in practice. Proceedings of the
18th International Conference on Evaluation and Assessment in Software
Engineering - EASE ’14. London, UK: ACM Press, pp. 1–10.
G. Schuh, M. Riesener, F. Diels. (2016). Structuring highly iterative product
development projects by Using HIP-indicators. IEEE International Conference
on Industrial Engineering and Engineering Management (IEEM). Bali,
Indonesia: IEEE, pp. 1171–1175.
G. Kumar, P.K. Bhatia. (2012). Impact of Agile Methodology on Software
Development Process. International Journal of Computer Technology and
Electronics Engineering (IJCTEE), 2(4), pp. 46–50
T. Thesing, C. Feldmann, M. Burchardt. (2021). Agile versus Waterfall Project
Management: Decision Model for Selecting the Appropriate Approach to a
Project. Procedia Computer Science, 181, pp. 746–756.
R. G. Cooper. (2016). Agile–Stage-Gate Hybrids: The Next Stage for Product
Development, Research-Technology Management, 59(1), pp. 21–29.
R. G. Cooper, A. F. Sommer. (2018). The Agile-Stage-Gate Hybrid Model: A
Promising New Approach and a New Research Opportunity. Journal of Product
Innovation Management, 33(5), 513-526. https://doi.org/10.1111/jpim.12314
A. Atzberger, K. Paetzold. (2019). Current challenges of agile hardware
development: What are still the pain points nowadays? Proceedings of the
International Conference on Engineering Design, ICED. Delft, Netherlands:
Cambridge University Press, pp. 2209–2218.
D. G. Ullman. (2019). Scrum for Hardware Design. Oregon: David Ullman LLC.
K. Edwards, R.G. Cooper, T. Vedsmand, G. Nardelli. (2019). Evaluating the
agile-stage-gate hybrid model: Experiences from three SME manufacturing
firms. International Journal of Innovation and Technology Management, 16(8),
pp. 1–31.
P.G. Mota, A.L.B. de Silva, R.F.C. Limongi. (2022). The use of agile
methodologies and their contribution to innovation of the business model: a
study of multiple cases in the context of incubators and startups. Iberoamerican
Journal of Entrepreneurship and Small Business, 11(2), Article e2170.
https://doi.org/10.14211/ibjesb.e2170
J. A. Faiña Medín, C. Losada-López, P. Montes-Solla. (2016). Innovación y
emprendedurismo: Ordenando el rompecabezas de la Nueva Gestión
Empresarial de la Innovación [Innovation and entrepreneurship: Sorting the
puzzle of the New Business Management of Innov," MPRA Paper 75479,
University Library of Munich, Germany.
S. Blank (2013). Why the Lean Startup changes everything. Harvard Business
Review, May 2013
W. R. Kerr, R. Nanda, M. Rhodes-Krop. (2014). Journal of Economic
Perspectives. Volume 28, Number 3, 2014. Pages 25–48. DOI:
10.1257/jep.28.3.25.
F. Scheuenstuhl, P. Bican, A. Brem. (2021). How Can the Lean Startup
Approach Improve the Innovation Process of Established Companies? An
Experimental Approach. International Journal of Innovation Management
2150029 © World Scientific Publishing Europe Ltd. DOI:
10.1142/S1363919621500298P.
Daoutidis, J.H. Lee, I. Harjunkoski, S. Skogestad, M. Baldea, C. Georgakis.
Integrating operations and control: A perspective and roadmap for future
research. Computers & Chemical Engineering, Volume 115,179-184, ISSN
0098-1354,
R. Mishra, A. Gandhi, R. Jaiswal, S. Mishra, A. Fadnis. (2020). Machine
Learning to Improve Blast Furnace Productivity at Jindal Steel & Power. In
Proceedings of the AISTech 2020, Iron & Steel Technology Conference,
Cleveland, OH, USA, 31 August–3 September 2020.
 K. Nishioka, Y. Ujisawa, K. Akatani. (2018). Development of Mathematical
Models for Blast Furnaces. Nippon Steel Sumitomo Met. Tech. Rep. 2018, 120,
69–75.
Website de OSIsoft. (2021). Disponible en: www.osisoft.com (accedido el 26 de
julio 2021).
C. Chelgani, H. Nasiri, A. Tohry. (2021). Modelling of particle sizes for industrial
HPGR products by a unique explainable AI tool- A ‘‘Conscious Lab”
development. Advanced Powder Technology 32 (2021) 4141–4148

Capítulo 4
J. Cotta, M. Breque, L. De Nul, A. Petridis. (2020). Towards a sustainable,
human-centric and resilient European industry. Online DOI:
https:op.europa.eu publication-detail-publication 468a892a-5097-11eb-b59f-
01aa75ed71a1CSO. CSO Online: https://www.cso.ieenrel.
G. Costa. (2016). El Futuro de la Economía colaborativa. Harvard Business
Deusto. Oct. 2019.
D. Mourtzis. (2016). Challenges and future perspectives for the life cycle of
manufacturing networks in the mass customisation era. Logistic Research. 9,
2. Doi.org/10.1007/s12159-015-0129-0
Hernandez-de-Menendez, M., Díaz, C.A.E., Morales-Menendez, R. (2020).
Engineering education for smart 4.0 technology: a review. International Journal
on Interactive Design and Manufacturing (IJIDeM). 14, 789–803.
W.K. Smith, M.L. Besharov. (2019). Bowing before dual gods: How structured
flexibility sustains organizational hybridity. Administrative Science Quarterly.
64, 1–44.
M.P. Ciano, R. Pozzi, T. Rossi, F. Strozzi. (2019). How IJPR has addressed ‘lean’:
a literature review using bibliometric tools. Int. J. Prod. Res. 57, 5284–5317
G. N. Y. Lai, K.H. Wong, D. Halim, J. Lu, H.S. Kang. (2019) Industry 4.0
enhanced lean manufacturing. In: 8th International Conference on Industrial
Technology and Management, ICITM 2019, 2-4 March 2019, Cambridge, United
Kingdom.

View publication stats