ST-One: donde la industria y la universidad se unen
Copyright ST-One
En el último año, ST-One trabajó junto a la UFMG y M. Dias Branco en investigaciones sobre la creación de modelos de aprendizaje automático. Estos modelos fueron entrenados para identificar patrones en la fabricación de margarina, particularmente en el proceso de desodorización de aceites vegetales.
En este proceso, desempeña un papel indispensable en la eliminación de sustancias indeseables que afectan negativamente el olor, el sabor, el color y la estabilidad del producto final. Al principio, la industria calienta el aceite para llevar a cabo su filtración. Luego, se inyecta vapor de agua en el aceite calentado para absorber los ácidos grasos, después de lo cual se enfría para evitar la oxidación. Finalmente, el aceite entra en un proceso de destilación al vacío, que elimina los componentes volátiles que causan inestabilidades en el producto.
Copyright Alfa Laval
Este vacío es esencial en este proceso porque permite que la desodorización ocurra a bajas temperaturas. Esta acción reduce el riesgo de degradación térmica del aceite y mejora la eficiencia del proceso. Asegurarse de que este proceso no tenga fallas es realmente importante, ya que garantiza que la fabricación de la margarina sea segura y sabrosa para el cliente.
Para resaltar la importancia de este alimento, según una encuesta de la Asociación Brasileña de Nutrología (Abran), en 2011 cerca del 32,2% de los brasileños optaron por consumir margarina en el desayuno.
Estructura de la asociación
Desde marzo de 2023, el objetivo del estudio era el tiempo de ruptura del vacío, que ocurre cuando supera un límite operativo y el proceso debe interrumpirse. La información resultante se utilizó para mejorar la eficiencia de la línea de producción. La investigación se llevó a cabo con tres instituciones – ST-One, UFMG y M. Dias Branco – y cada una de ellas desempeña un papel esencial en la búsqueda de más tecnología e innovación.
M. Dias Branco es una de las mayores industrias alimentarias de Brasil, y siempre está buscando más digitalización para mejorar su proceso de producción. Cuenta con una unidad industrial especializada en la producción de mantecas especiales y margarinas. Esta planta industrial se utilizó como punto de referencia y experiencia para el proyecto.
La UFMG (Universidad Federal de Minas Gerais), dentro de su departamento de ciencias de la computación, cuenta con un reconocido Laboratorio de Inteligencia Artificial (LIA). En este laboratorio, los docentes fomentan el desarrollo de proyectos, a través de becas, enfocados en machine learning y procesamiento de datos. LIA es un referente en la materia, colaborando incluso con instituciones internacionales, como la Universidad de Stanford, ubicada en Estados Unidos. Las encuestas se aplican en muchas áreas, incluida la industria.
ST-One contribuyó como patrocinador principal, además de aportar todos los datos necesarios para realizar el estudio, en base a la tecnología que desarrolla. La celebración de reuniones semanales a lo largo del proceso permitió un rico intercambio entre el laboratorio de I+D de ST-One y las demás partes.
Las soluciones desarrolladas tienen como objetivo crear modelos predictivos, que ayuden al equipo de operaciones a reparar el sistema antes de la ruptura del vacío. El proyecto dio como resultado un mayor conocimiento y apropiación del proceso de aprendizaje automático para todas las partes involucradas. Además, fue una oportunidad para ver la aplicación en la vida real de los modelos creados en un entorno industrial, abriendo espacio para mejoras posteriores.
Copyright ST-One
Tres pasos para desarrollar tecnologías innovadoras
Como se mencionó anteriormente, el vacío juega un papel crucial en la preparación del aceite vegetal utilizado en la producción de margarina y manteca. A lo largo del proyecto, se crearon 3 tipos diferentes de modelos de aprendizaje automático para probar cuál aportaría las respuestas más asertivas. Esta atención especial es esencial porque crear un vacío es un proceso delicado y costoso, y cualquier interrupción puede tener consecuencias significativas.
Teniendo esto en cuenta, el núcleo era crear un modelo de aprendizaje automático que pueda predecir cuándo se producirá esta ruptura. El proyecto se llevó a cabo en tres grandes etapas: la parte investigativa, la modelación matemática y la prueba de resultados.
El primer paso se centra en el análisis y descubrimiento del tema a trabajar. Esta fase inicial debe ser pensada en detalle, principalmente debido a la gran importancia del modelo en la producción que determinan el buen resultado. Esta investigación se lleva a cabo definiendo las herramientas que se deben utilizar, qué preguntas se deben hacer al modelo y cuáles son sus respuestas ideales.
La segunda fase consiste en aplicar varias fórmulas matemáticas para entrenar estos modelos utilizando las preguntas creadas. El objetivo es poner en funcionamiento el proceso y permitir la visualización. Durante esta etapa, se toma una cantidad específica de datos, que luego pasa por el modelo de aprendizaje automático elegido. El modelo procesa los datos y los transforma en un formato entrenable.
A partir de esto, los científicos de LIA desarrollaron preguntas que se utilizaron para crear un modelo que explique el comportamiento de los datos recopilados. Con base en esto, el equipo de M. dias Branco pudo realizar adaptaciones en la automatización de los equipos.
Finalmente, el último paso es probar el modelo, para asegurarse de que después del entrenamiento se reconocen los patrones de los datos recopilados. Este proceso se realiza mediante un conjunto de datos de prueba que el modelo aún no ha visto. A partir del resultado de la prueba, aparecen más preguntas, especialmente si el proceso no puede identificar las respuestas correctas con la precisión necesaria. Si todo va bien, se implementa el modelo.
Estos pasos dan como resultado un ciclo, que utiliza el método de “explicar” desarrollado en el propio LIA (Laboratorio de Inteligencia Artificial), como se muestra a continuación:
Copyright ST-One
Resultados de la aplicación de Machine Learning en la industria
En primer lugar, es importante recordar que los modelos desarrollados aún se encuentran en fase de aplicación. Aun así, el estudio ya ha mostrado varios resultados beneficiosos.
Dentro de los muros de la universidad, la iniciativa data-academia, en colaboración con las industrias, fomenta la innovación y crea oportunidades. Esta buena relación se debe a que los estudiantes de posdoctorado en los laboratorios se dedican a la investigación con un enfoque orientado al desarrollo. Estos estudios, basados en fundamentos teóricos de última generación, se aplican directamente en la rutina real de la industria, proporcionando valiosas experiencias prácticas para todos los involucrados. Por último, la asociación con instituciones educativas de renombre da como resultado recursos adicionales para la industria.
Para ST-One, además de la experiencia en sí, tener la oportunidad de profundizar en los dominios de la Inteligencia Artificial fue el punto clave. Al participar en las etapas de exploración, desarrollo del modelo y aplicación, fue posible mejorar la interpretación del “mundo” a través de los datos y visualizarlo dentro de su propio marco. ST-One se mejora a sí mismo a través de cada nuevo desafío, siempre con el objetivo de traer más tecnología y productividad.
Además, la fábrica se benefició al obtener más conocimiento, redes y comprensión de las posibles formas de predecir una ruptura del vacío teniendo en cuenta su complejidad. Este es un camino para un mayor desarrollo y reentrenamiento, hasta que el modelo alcance el tiempo de predicción ideal. Así, se garantiza la calidad del proceso, producido en una línea inteligente y asertiva.
Acciones como esta son buenas para todas las partes involucradas. Ayuda a mantener a los estudiantes y profesionales de los datos siempre actualizados y buscando mejoras. Más información sobre ST-One.
