En el último año, ST-One colaboró con la UFMG (Universidad Federal de Minas Gerais) y M. Dias Branco, una importante industria alimentaria brasileña, en proyectos innovadores. El objetivo fue desarrollar investigaciones enfocadas en la creación de modelos de machine learning para optimizar el proceso de producción de margarina, específicamente en la sección de desodorización de aceites.
Esta sección es crucial, ya que elimina las sustancias que perjudican el olor, el sabor y la estabilidad del producto final. El proceso comienza con el calentamiento del aceite, permitiendo que se filtre. Luego, se inyecta vapor de agua en el aceite calentado para absorber los ácidos grasos presentes, seguido de un enfriamiento para evitar la oxidación. Finalmente, el aceite se somete a una destilación al vacío, eliminando los componentes volátiles que causan inestabilidades en el producto.
El vacío es esencial en esta etapa, ya que permite que la desodorización ocurra a temperaturas más bajas, reduciendo el riesgo de degradación térmica del aceite y aumentando la eficiencia del proceso. Asegurarse de que esto ocurra sin errores es vital para garantizar que la margarina producida sea segura y agradable al paladar.
La margarina es un alimento indispensable en la dieta de muchos brasileños. Según una encuesta de la Asociación Brasileña de Nutrología (Abran), en 2011, cerca del 32,2% de los brasileños optó por el consumo de margarina en el desayuno.
La estructura de la Asociación
Desde marzo de 2023, la investigación se ha centrado en comprender el tiempo de ruptura del vacío, que se produce cuando supera un determinado límite operativo. Los resultados se utilizarán como base para implementar mejoras en la línea de producción. La investigación involucró a tres instituciones – ST-One, UFMG y M. Dias Branco, cada una desempeñando un papel esencial en la búsqueda de más tecnología e innovación.
M. Dias Branco, una de las mayores industrias alimentarias de Brasil, siempre está buscando la digitalización para mejorar su proceso de producción. Cuenta con una unidad industrial especializada en la producción de grasas especiales y margarinas, que sirvió de referencia y experiencia para el proyecto.
La UFMG (Universidad Federal de Minas Gerais), a través del departamento de informática, cuenta con el reconocido Laboratorio de Inteligencia Artificial (LIA). En este laboratorio se fomentan proyectos con becas enfocadas en el uso del machine learning y el procesamiento de datos. LIA es un referente en el área, incluso colaborando con instituciones internacionales, como la Universidad de Stanford, en Estados Unidos. Estas herramientas se aplican en varias áreas, incluida la industria.
ST-One actuó como patrocinador principal, proporcionando todos los datos necesarios para la ejecución del estudio, en base a la tecnología que desarrolla. Las reuniones semanales a lo largo del proceso permitieron un rico intercambio entre el laboratorio de investigación y desarrollo de ST-One y las otras partes involucradas.
Las soluciones desarrolladas tienen como objetivo construir modelos predictivos que ayuden al equipo de operaciones a actuar sobre el sistema antes de que se rompa el vacío. La realización del proyecto dio como resultado un mayor conocimiento y dominio del aprendizaje automático para todas las partes involucradas. Además, fue una oportunidad para aplicar los modelos creados en un entorno industrial, permitiendo la mejora de los resultados.
Predicción de ruptura de vacío: Un estudio de tres fases
Como se mencionó, el vacío es una parte crucial del proceso de preparación del aceite vegetal, utilizado en la fabricación de margarina y grasas en general. A lo largo del proyecto, se crearon tres modelos distintos de aprendizaje automático para probar cuál proporcionaría las respuestas más precisas. Esto es importante porque crear un vacío es un proceso complejo y costoso en caso de error.
Con esto en mente, la idea era desarrollar modelos de aprendizaje automático capaces de predecir el tiempo hasta que se rompe el vacío. El proyecto se dividió en tres etapas principales: investigación, modelado matemático y prueba de los resultados.
La primera etapa se centra en el análisis e identificación del tema a trabajar. Esta fase inicial debe planificarse cuidadosamente, debido a la gran contribución del modelo a la producción y a los diversos matices involucrados que determinan el éxito. La investigación consiste en definir las herramientas a utilizar, los modelos a crear y las respuestas ideales que deben proporcionar.
El segundo paso consiste en aplicar diferentes fórmulas matemáticas para entrenar estos modelos, operacionalizando el proceso y permitiendo su visualización. En esta fase, se separa una cantidad específica de datos para enviarlos al modelo de aprendizaje automático elegido, que procesa estos datos y los transforma en un formato entrenable.
Los científicos de LIA desarrollaron preguntas para crear un modelo que explique el comportamiento de los datos recopilados. Con esto, el equipo de M. Dias Branco pudo realizar adaptaciones en la automatización de los equipos.
El último paso del proyecto es la prueba del modelo, para garantizar que, después del entrenamiento, se reconozcan los patrones de datos. Esto se hace mediante un conjunto de datos de prueba que el modelo aún no ha visto. A partir de los resultados de la prueba, surgen nuevas preguntas, especialmente si el proceso no logró identificar las respuestas con la precisión necesaria. Si todo va bien, el modelo se implementa.
Estos pasos dan como resultado un ciclo continuo, utilizando el método de «explicación» desarrollado por el propio LIA (Laboratorio de Inteligencia Artificial).
Asociación académica e industrial: Resultados del aprendizaje automático
Los modelos desarrollados aún se están aplicando, y ya están dando varios resultados beneficiosos.
En el ámbito universitario, la iniciativa data-academy en conjunto con las industrias aporta más innovación y oportunidades. En los laboratorios, los académicos se dedican a la investigación orientada al desarrollo. Estos estudios, con bases teóricas de vanguardia e innovaciones en el mercado, se aplican en casos reales de la industria, dando como resultado valiosas experiencias prácticas. Además, la relación con instituciones educativas de renombre aporta más recursos a la industria.
Para ST-One, además de la experiencia en su conjunto, la oportunidad de profundizar en los dominios de la Inteligencia Artificial fue edificante. Al participar en las etapas de exploración, desarrollo de modelos y aplicación, fue posible mejorar la interpretación del «mundo» a través de los datos y visualizarlo dentro de su propio marco. ST-One mejora con cada nuevo desafío, siempre con el objetivo de traer más tecnología y productividad.
La planta también adquirió más conocimientos, contactos y comprendió las posibles formas de predecir una ruptura de vacío, dada su complejidad. Este es un camino para un mayor desarrollo y reentrenamiento, hasta que alcance la cantidad ideal de tiempo. Así, los responsables garantizan la calidad del proceso y una línea más inteligente y asertiva.
Acciones como esta son productivas para todas las partes, ayudando a mantener a estudiantes, profesionales y personas involucradas en las áreas de datos e industria siempre actualizados y buscando mejoras. Más información sobre ST-One.