AC_CERAMICA1

[Audio] Trabajo Semana 4. TEMA: Análisis de caso. Autor: Darwin Rosero Caso: Director de empresa de cerámica..

[Audio] 1. El Problema Operativo Actual: "El Desperdicio Silencioso en el Horno" .......................... 2 2. La Solución con IA: "Visión Predictiva de Defectos Pre-Cocción" .................................... 2 3. Plan de Acción (Fases del Proyecto) ................................................................................ 2 4. Recursos Necesarios ......................................................................................................... 2 Tecnológicos ....................................................................................................................... 2 Humanos............................................................................................................................. 2 Financieros ......................................................................................................................... 2 5. Indicadores de Éxito (KPIs) ............................................................................................... 2.

[Audio] Proyecto de Optimización con IA 1. Introducción. Llevamos décadas moldeando barro con las manos y cocinándolo con fuego. Somos maestros de un oficio ancestral, y eso es nuestro mayor orgullo. Pero hoy vengo aquí con una urgencia: nuestra lealtad a la tradición nos está cegando ante las ineficiencias del presente. Estamos perdiendo dinero todos los días, no porque nuestro barro sea malo, ni porque nuestros hornos sean viejos, sino porque nuestros ojos no pueden ver lo que la física dicta que va a fallar. Y cuando fallamos, pagamos el precio más caro de la cerámica: el fuego. Vengo a proponerles que integremos Inteligencia Artificial a nuestra línea de producción. Y sé lo que algunos pueden estar pensando: "¿IA en una cerámica? ¿No es eso demasiado futurista o caro para nosotros?". Mi respuesta es rotunda: no. Y quiero explicarles por qué este paso no es un lujo, es una ventaja competitiva y una necesidad de supervivencia. Las Ventajas de implementar IA en este caso Implementar IA no es reemplazar a nuestro personal; es darles superpoderes y blindar nuestros márgenes de ganancia. Las ventajas son claras: Velocidad y Consistencia Inhumanas: El ojo humano es magnífico, pero se fatiga. Una cámara de IA no parpadea, no tiene migrañas tras 6 horas de turno, y evalúa la pieza número 10,000 con la misma precisión milimétrica que la primera. Visión Más Allá de lo Visible: La IA no se limita a lo que la luz visible muestra. Con las cámaras correctas, puede ver micro-fisuras que son invisibles para nosotros, pero que el horno convertirá en quiebres. Transformar Desperdicio en Recurso: La mayor magia de la IA en este punto específico (pre-cocción) es que intercepta el error a tiempo. Nos permite reciclar el barro y ahorrar la energía del horno. Datos para la Mejora Continua: Hoy, cuando sale una pieza rota del horno, solo sabemos que falló. Con IA, sabremos exactamente qué tipo de defecto es, a qué hora ocurrió, y si viene de un lote de arcilla específico. Pasamos de reaccionar a prevenir..

[Audio] 2. . El Problema Operativo Actual: "El Desperdicio Silencioso en el Horno" Actualmente, nuestro mayor cuello de botella y fuente de pérdidas es el control de calidad previo a la cocción (en verde). Dependemos de inspectores humanos que revisan visualmente las piezas antes de entrar al horno tunnel. El ojo humano, por fatiga visual o velocidad de línea, no detecta micro-fisuras, burbujas de aire o variaciones de espesor de esmalte. Estas piezas defectuosas entran al horno, donde permanecen 12-14 horas consumiendo gas y electricidad. Al salir, se rompen o se clasifican como "segundas" (merma). El impacto: Estamos quemando energía, materia prima y tiempo en piezas que ya sabíamos que iban a fallar, pero no detectamos a tiempo. El 8% de nuestra producción mensual termina en basura por este motivo. 3. . La Solución con IA: "Visión Predictiva de Defectos PreCocción" Propongo implementar un sistema de Visión por Computador e Inteligencia Artificial en la línea de producción, justo antes del secado final y entrada al horno. ¿Cómo funciona? Un sistema de cámaras de alta resolución capturará imágenes 3D/multiespectrales de cada pieza. Un modelo de Deep Learning, entrenado con nuestras propias piezas defectuosas y buenas, detectará anomalías microscópicas en tiempo real. Si la IA detecta un fallo, detiene la banda transportadora y expulsa automáticamente la pieza defectuosa hacia un área de re-procesado (el barro aún está húmedo y se puede reciclar al 100%). El ahorro de los $10K viene de: cero energía gastada en cocer piezas malas, recuperación del 100% de la arcilla húmeda, y reducción de horas extras en control de calidad manual. 4. . Plan de Acción (Fases del Proyecto) Fase 1: Diagnóstico y Captura de Datos (Mes 1-2) Instalar cámaras de prueba en la línea. Recopilar 10,000 imágenes de piezas clasificadas (buenas/fisuras/burbujas/esmalte irregular). Responsable: Jefe de Producción y Proveedor de IA. Fase 2: Entrenamiento del Modelo (Mes 3-4) Etiquetado de datos y entrenamiento del algoritmo en la nube. Ajuste de parámetros hasta alcanzar un 95% de precisión..

[Audio] Responsable: Equipo de Data Science del proveedor. Fase 3: Integración Piloto (Mes 5) Implementar el modelo en un servidor local (Edge computing) conectado a las cámaras. El sistema clasificará, pero no expulsará automáticamente (solo alertará) para validar su eficacia contra inspectores humanos. Fase 4: Despliegue Total y Automatización (Mes 6) Conexión directa al PLC de la banda transportadora para expulsión automática de piezas malas. Cierre de los puestos de inspección manual nocturna. 5. Recursos Necesarios Tecnológicos: 2 Cámaras industriales de alta resolución (óptica + infrarroja para espesor de esmalte). 1 Servidor Edge (NVIDIA Jetson o similar) para procesar imágenes sin latencia. Software de Visión Artificial y licencia de modelo IA. Humanos: Interno: 1 Líder de Proyecto (yo, el Director, supervisando), 1 Ingeniero de Planta (para la integración mecánica/electrical), 2 Operadores de control de calidad (para etiquetar datos inicialmente). Externo: 1 Proveedor especializado en IA industrial (Key Partner). Financieros: Presupuesto inicial estimado: $6,000 - $8,000 (Cámaras, servidor, licencias, setup). ROI esperado: Recuperación de la inversión en el mes 8, con un ahorro neto de $10,000 al cierre del primer año operacional. 6. . Indicadores de Éxito (KPIs) Para asegurar que este proyecto no es un gasto, sino una inversión, mediremos rigurosamente estos KPIs: Tasa de Detección de Defectos (Precisión del Modelo): Debe ser ≥ al 95%. Si es menor, seguiremos perdiendo piezas. Reducción de Merma Post-Cocción: Objetivo: Bajar del 8% actual al 2% en los primeros 3 meses del piloto. Ahorro Energético por Horno: Medición en kWh y m³ de gas. Objetivo: Reducción del 5% en el consumo del horno por menos masa calorífica inútil. Ahorro Neto Acumulado: El termómetro definitivo. Debe marcar $10,000 de ahorro (energía + rescate de arcilla + mano de obra) al finalizar el Año 1..

[Audio] Tasa de Falsos Positivos: Que el sistema no tire piezas buenas. Máximo tolerable: 1%. Si tiramos piezas buenas, perdemos dinero..