Aprendizaje no supervisado (industrial)
- El aprendizaje no supervisado se entrena con datos sin etiquetar — aprende cómo es la producción normal en vez de aprender de ejemplos de fallo etiquetados.
- Encaja en las fábricas porque los fallos son raros y las etiquetas caras: la mayoría de las líneas tienen años de «normal» y un puñado de malas series documentadas.
- Su aplicación estrella es el descubrimiento de causas raíz: sacar a la superficie interacciones de variables que ningún ingeniero tenía motivo para vigilar.
- La contrapartida es la disciplina de explicación — una buena plataforma debe mostrar qué variables produjeron cada aviso, o los ingenieros la ignorarán.
El aprendizaje no supervisado es machine learning sin respuestas etiquetadas. En lugar de ver mil ejemplos de «esta serie fue merma, esta fue buena», el modelo ingiere el histórico bruto de la línea y aprende su estructura: qué variables se mueven juntas, cómo es la envolvente normal de cada producto, cómo la cambian los turnos y las estaciones. Las desviaciones de esa estructura aprendida son anomalías — y las variables que rompieron el patrón son candidatas a causa raíz.
Por qué la fábrica es su hábitat natural
El aprendizaje supervisado necesita etiquetas, y las etiquetas de fábrica son escasas y sesgadas: una línea que desecha el 2 % de su producción da 50 veces más ejemplos de «bueno» que de «malo», y los malos rara vez llevan causa documentada. Los métodos no supervisados esquivan el problema — la producción normal, que toda planta tiene en abundancia, es el conjunto de entrenamiento. Por eso las plataformas de despliegue más rápido de la generación actual son no supervisadas en su núcleo: nada tiene que etiquetarse antes de que empiece el valor.
Causas raíz que nadie vigilaba
La vigilancia por umbrales solo protege las variables que alguien decidió proteger. Los modelos no supervisados vigilan todo lo que se les da — cientos de variables a la vez (700+ en las plataformas actuales) — y por eso atribuyen rutinariamente un pico de merma a una interacción: un lote de material que se encuentra con un utillaje desgastado más una deriva de 2 °C en una zona, sin que nada cruce un límite de alarma individual. Los resultados reportados por proveedores con este enfoque alcanzan −58 % de merma y −20 % de energía en líneas optimizadas.
Qué exigir en la evaluación
Dos cosas separan los despliegues útiles de los generadores de ruido: la atribución (cada anomalía debe llegar con sus variables contribuyentes clasificadas) y la conciencia de régimen (el modelo debe distinguir un cambio de producto de una deriva de proceso). Pida a los proveedores demostrar ambas sobre sus datos, no sobre un set de demo.
FAQ
- ¿Qué diferencia hay entre supervisado y no supervisado en planta?
- Los modelos supervisados aprenden de ejemplos etiquetados (estas series fueron merma) y predicen esa etiqueta; los no supervisados aprenden la estructura del funcionamiento normal y avisan de las desviaciones. Las plantas usan supervisado donde abundan las etiquetas (inspección por visión) y no supervisado para detección de anomalías y descubrimiento de causas raíz.
- ¿El aprendizaje no supervisado necesita un data scientist?
- La generación actual de plataformas está construida para que no: los modelos se entrenan solos con el histórico de la línea y las alertas llegan con sus variables contribuyentes, para que los ingenieros de proceso actúen directamente. Esa operabilidad es un criterio de compra central, no un extra.
Cada cifra de este sitio — en una sola hoja con fuentes.
Las cuentas del mercado de 43,6 B$, las cuotas de casos de uso, las barreras de adopción y los resultados publicados, con la columna de fuentes intacta. Listo para pegar en su business case.