La Industria 4.0 representa la cuarta revolución industrial, caracterizada por la integración de sistemas ciberfísicos, el Internet de las Cosas (IoT) y el análisis de Big Data en los procesos de manufactura y producción. Este nuevo paradigma ha generado un aumento exponencial en la cantidad de datos producidos en los procesos industriales. Como resultado, surgen muchas dudas en este nuevo contexto.

¿Es cierto que la Ciencia de Datos, con sus potentes herramientas de aprendizaje automático, es el futuro en el que debemos apostar para garantizar la supervivencia de las empresas en el nuevo entorno de Big Data de la Industria 4.0?

¿Tiene sentido seguir apostando por el método científico y el pensamiento estadístico, junto con el conocimiento experto, para entender las causas fundamentales que generan problemas, o es suficiente con explotar la abundancia de datos generados en este nuevo entorno mediante potentes algoritmos y capacidades computacionales?

¿Cuáles son los desafíos para que Seis Sigma siga siendo una estrategia de mejora exitosa en la Industria 4.0?

El papel de la Ciencia de Datos en la Industria 4.0

Con la llegada de la Industria 4.0, la Ciencia de Datos se ha convertido en un campo crítico, centrado en extraer conocimientos significativos de vastos conjuntos de datos utilizando técnicas computacionales avanzadas, incluido el aprendizaje automático. Esto genera una tensión entre el auge de los enfoques basados en datos, que a menudo priorizan la predicción y el reconocimiento de patrones, y el pensamiento estadístico tradicional, que enfatiza la comprensión de la causalidad y los mecanismos subyacentes de los procesos. Ante esto, Seis Sigma debe seguir siendo eficaz e incorporar ambas perspectivas: aprovechando el poder predictivo de la Ciencia de Datos mientras mantiene el enfoque riguroso y causal de los métodos estadísticos tradicionales.

Desafíos para el Seis Sigma tradicional

Históricamente, Seis Sigma se ha basado en un enfoque estructurado para la mejora de procesos, utilizando herramientas estadísticas diseñadas para entornos donde los datos eran relativamente escasos y fáciles de manejar. Sin embargo, en el contexto de la Industria 4.0, estas herramientas tradicionales pueden quedar cortas debido a los siguientes desafíos:

• Abundancia de Datos: El enorme volumen de datos generado por los procesos industriales modernos puede sobrepasar las herramientas tradicionales de Seis Sigma.

• Alta Dimensionalidad: Los conjuntos de datos modernos suelen involucrar un gran número de variables, lo que lleva a espacios de datos de alta dimensionalidad que requieren métodos de análisis más sofisticados.

• Interacciones Complejas: Los procesos de la Industria 4.0 a menudo implican interacciones complejas y no lineales entre variables, difíciles de capturar mediante modelos lineales tradicionales.

La necesidad de herramientas de análisis multivariado

Para abordar estos desafíos, es necesario integrar técnicas estadísticas multivariadas en la caja de herramientas de Seis Sigma. En este sentido, las herramientas de aprendizaje automático y los modelos basados en variables latentes son de interés.

Las herramientas de aprendizaje automático pueden desempeñar un papel crucial en las fases de Medir y Analizar para encontrar e interpretar patrones y con fines predictivos.

Por otro lado, los modelos basados en variables latentes son modelos estadísticos específicamente diseñados para analizar grandes cantidades de datos correlacionados. La idea básica detrás de estos modelos es que el número de factores subyacentes (llamados variables latentes) que actúan en un proceso es mucho menor que el número de mediciones realizadas en el sistema. Las siguientes son las herramientas más populares:

• Análisis de Componentes Principales (PCA): El PCA es una técnica de reducción de dimensionalidad que puede simplificar conjuntos de datos complejos identificando las variables más importantes, o componentes, que explican la mayor varianza en los datos.

• Regresión de Mínimos Cuadrados Parciales (PLS): El PLS es una técnica de modelado predictivo que puede manejar datos altamente colineales, lo que la hace adecuada para los conjuntos de datos de alta dimensionalidad típicos de la Industria 4.0.

En la fase de Medir y al comienzo de la fase de Analizar, el PCA y el PLS pueden utilizarse para la monitorización de procesos (multivariados), la detección de fallos y el diagnóstico, tareas típicas del control estadístico de procesos multivariados (MSPC). El SPC univariado tradicional (enseñado en la mayoría de los cursos de formación de Seis Sigma) debería enriquecerse con MSPC. El PLS también puede utilizarse para construir modelos predictivos (como herramientas de aprendizaje automático). Pero la característica más destacada de los modelos PLS es que no solo modelan la relación entre X e Y (como lo hacen la regresión lineal clásica y los modelos de aprendizaje automático), sino que también proporcionan modelos para los espacios de X e Y. Este hecho les otorga propiedades muy interesantes: unicidad y causalidad en el espacio latente reducido (este es el único espacio en el que el proceso ha variado), independientemente de si los datos provienen de un diseño de experimentos (DOE) o de un proceso de producción diario (datos históricos). Estas propiedades los hacen adecuados para la optimización de procesos en la fase de Mejorar.

Conclusión: Evolucionando Seis Sigma para la Industria 4.0

Para que Seis Sigma siga siendo relevante y eficaz en la era de la Industria 4.0, debe evolucionar. Esta evolución implica incorporar técnicas modernas de ciencia de datos, al tiempo que se preservan los principios fundamentales del pensamiento estadístico, como la causalidad y el método científico. Al adoptar herramientas como el PCA y el PLS, Seis Sigma puede continuar siendo una estrategia poderosa para la mejora de la calidad y la excelencia en los procesos en el entorno rico en datos de la Industria 4.0.

Ferrer, A. (2021). Multivariate six sigma: A key improvement strategy in industry 4.0. Quality Engineering, 33(4), 758-763.