No es un tema nuevo, pero no ha tenido nunca demasiado éxito, en gran parte debido a que no se han explicado bien en su naturaleza y funcionamiento –no hace falta para esto explicar los detalles técnicos–, y por lo tanto, las personas que debían aplicar sus resultados han acabado desconfiando, entendiendo como fallos las aproximaciones lógicas que cualquier modelo hace, y confinándolos a la postre a un núcleo muy reducido de ingenieros que, viendo el desinterés los han acabado abandonando.
El problema no ha sido de falta de utilidad o mal enfoque de los modelos, sino más bien de 
timidez y de la asunción errónea de que “hay cosas –y ésta es una– que no se pueden hacer comprender a legos”.
Otro error del pasado fue intentar sofisticar al máximo las formulaciones para lograr unos resultados lo más exactos posibles. El desenfoque está en que algo muy sofisticado es más difícil de hacer entender, y en que, además, su utilidad es asintótica (FIG. 1), porque el entorno de la producción cambia muy rápido, o porque los parámetros de los modelos son siempre aproximaciones, o bien porque las probabilidades son una incertidumbre incomoda y se gestionan con miopía.
Entonces, por qué no hacer sistemas más sencillos y explicables, que den resultados más frecuentes aunque sean aproximados, y que establezcan un escenario en el que las personas crean y con el que vayan organizando sus decisiones?
Este es en nuestra opinión, el único modo posible. Y si además le dotamos de auto-explicación de por qué sugiere esos escenarios, y de amigabilidad en las interfaces hombre-modelo, muchísimo mejor.
La FIG. 1 es interesante. Nos dice que hay un punto adecuado para el diseño del modelo matemático en el que la utilidad teórica (u) por la aplicabilidad (a) da un máximo. En la práctica este punto es mucho más fácil de encontrar de lo que pueda parecer:
SOFISTICA EL MODELO MIENTRAS:
- No pierdas agilidad de respuesta
- La ganancia en precisión sea mayor que los errores probables de datos y parámetros de la producción y su incertidumbre
- Lo puedas seguir explicando a un lego.
La verdad es que en la fábrica del futuro (no tan futura en realidad) los modelos bien orientados van como anillo al dedo para fomentar la inteligencia tecnológica distribuida que llegue hasta el operario, y le haga más proactivo y motivado. En los ya conocidos ciclos integrados de mejora radical y continua (MR-MC) de “tecnoiplant” (FIG. 2), la modelización de los procesos para deducir su comportamiento no empírico es la PIEZA CLAVE para apalancar conocimiento, formar en profundidad a todos los niveles, y tener una información profunda de lo que ocurre y por qué. Y así nos ayudan a diseñar el próximo ciclo de mejora.
La idea que subyace detrás del conocimiento tecnológico distribuido en la fábrica del futuro es que:
“para mejorar radicalmente hay que conocer en profundidad, y para conocer en profundidad hay que crear modelos que ayuden a simular”
De hecho, la pieza de software clave para gestionar tecnológicamente estos ciclos es Promind®, que particularmente tiene la capacidad de modelizar comportamientos del proceso mediante redes neuronales que aprenden y explican (FIG. 3).
Pero Promind®, gestor global, admite alrededor complementos de otros modelos de uso más puntual.
La diversidad existente de modelos es ilimitada, pero se pueden clasificar en varias áreas de aplicación y niveles de complejidad creciente.
Así, por ejemplo, nos parecen los más recomendables para la Fabrica del Futuro (de más sencillos a más sofisticados) los siguientes:
- Modelos de inventario, desde la fórmula de “Wilson” al análisis de “Coverage” y Poisson.
- Modelos de optimización de secuencias de montaje, en lotes cortos y en J.I.T.
- Modelos de simulación de Montecarlo.
- Modelos de árboles probabilísticos de decisión.
- Modelos de previsión de demanda.
- Modelos de programación lineal (Branch &Bound, p.e.) para decidir mejores planes y secuencias de producción.
- Modelos de optimización del preventivo en un contexto de RCM y Weibull.
Su manera de complementarse e interactuar con el eje del software Promind® puede verse en la siguiente FIG. 4. Los OPs son “óptimos parciales” que Promind® integra y supra-optimiza.
Estos siete modelos tienen disponibles, en la mayor parte de los casos, softwares estándar baratos y fáciles de utilizar, pero casi siempre debe programarse una interface particular más amigable con las personas y adaptarse a cada caso. A considerar si los programas de secuenciación del ADN pueden ser de utilidad. Son amigables y potentes, y quizá pudieran ayudar en la planificación a corto de la producción.
Cuando no hay un software estándar disponible, lo mejor es programarlas en algún lenguaje matemático accesible conocido (Fortran, Pascal, C++, Basic, etc.), ya que esto no reviste complicación significativa y es rápido.
Como conclusión, diríamos que en la Fábrica del Futuro, ágil, reconfigurable, precisa y tecnológica, los modelos son esenciales para apalancar el conocimiento y para ayudar a que las personas cierren el lazo de las decisiones en su gobierno de forma más inteligente. Pero que su utilización debe ser escalonada, con una sofisticación limitada y con visión práctica. Y además, colocada alrededor de un núcleo como Promind® que centralice el Know-How, lo haga transparente, integre óptimos locales, lo modelice, y lo utilice para formar en profundidad y organizar mejoras radicales.
Autores:
Javier Borda Elejabarrieta, Dr. I.I. Msc. Modelos Cuantitativos y MBA; Presidente y C.E.O. de Sisteplant. Profesor de la ETSII de Bilbao (Aula Aeronáutica)
Borja Arenaza Latorre: I.I y MBA; Responsable de investigación de sistemas avanzados de fabricación de Sisteplant
