De calidad reactiva a calidad predictiva

La calidad tradicional es reactiva: produces, inspeccionas, descartas lo defectuoso. Es como conducir mirando solo por el retrovisor. Sabes que paso, pero no puedes evitarlo. La calidad predictiva con IA invierte el modelo: predice problemas antes de que ocurran y ajusta el proceso para prevenirlos.

La evolucion de la calidad con IA tiene tres fases:

• Fase 1: Inspeccion automatizada. La IA reemplaza la inspeccion visual humana. Camaras con vision artificial detectan defectos con mayor velocidad y consistencia que un inspector humano. Es la aplicacion mas madura y con mayor adopcion.
• Fase 2: SPC inteligente. Los graficos de control clasicos se actualizan en tiempo real con deteccion de anomalias basada en ML. El sistema detecta derivas del proceso antes de que produzcan defectos.
• Fase 3: Calidad predictiva. Modelos que correlacionan parametros del proceso (temperatura, presion, velocidad, humedad, materia prima) con la calidad del producto final. Predicen calidad antes de que el producto se fabrique y ajustan parametros automaticamente.

La mayoria de las empresas estan en la Fase 1 o comenzando la Fase 2. La Fase 3 requiere datos abundantes, sensores en el proceso y capacidad analitica. Pero el camino es claro y el ROI esta demostrado en industrias como automocion, alimentacion, farmaceutica y electronica.

SPC inteligente: control estadistico con IA

El Statistical Process Control (SPC) existe desde los anos 1920 (Walter Shewhart, Bell Labs). Sus herramientas basicas (graficos de control, capacidad de proceso, reglas de Western Electric) siguen siendo utiles. Lo que la IA anade es la capacidad de detectar patrones complejos que las reglas clasicas no capturan.

Graficos de control con deteccion de anomalias

Un grafico de control clasico tiene limites de control superior e inferior (UCL/LCL) calculados como media mas/menos 3 desviaciones estandar. Cualquier punto fuera de esos limites genera una alerta. Las reglas de Western Electric anaden patrones (7 puntos consecutivos por encima de la media, 2 de 3 puntos cerca de los limites).

La IA va mas alla. Algoritmos como Isolation Forest, DBSCAN o autoencoders detectan anomalias multivariantes: combinaciones de parametros que individualmente estan dentro de limites pero juntos indican un problema. Un ejemplo: temperatura dentro de rango y presion dentro de rango, pero la combinacion especifica de ambas correlaciona con defectos.

Capacidad de proceso dinamica

Los indices Cp y Cpk miden si tu proceso es capaz de cumplir las especificaciones. Tradicionalmente se calculan con datos historicos y se revisan periodicamente. Con IA, la capacidad se monitoriza en tiempo real y el sistema alerta cuando la tendencia indica que la capacidad va a bajar por debajo del umbral aceptable. Esto da tiempo para actuar antes de que la produccion se vea afectada.

Drift detection

Los procesos derivan con el tiempo: herramientas se desgastan, materias primas varian, condiciones ambientales cambian. Los metodos clasicos detectan la deriva cuando ya ha producido defectos. Los algoritmos de drift detection (CUSUM, EWMA con ML) detectan la deriva en sus primeras etapas, permitiendo ajustes preventivos.

Deteccion de defectos con vision artificial

La vision artificial aplicada a control de calidad es una de las aplicaciones mas maduras de IA en operaciones. Funciona especialmente bien en inspecciones visuales repetitivas donde el inspector humano se fatiga y pierde precision.

Como funciona

Camaras industriales capturan imagenes del producto en la linea de produccion. Un modelo de deep learning (tipicamente una red neuronal convolucional, CNN) analiza cada imagen y clasifica el producto como conforme o defectuoso, identificando el tipo de defecto (rayadura, mancha, deformacion, color incorrecto, pieza faltante).

Datos de entrenamiento

El reto principal es el dataset de entrenamiento. Necesitas imagenes de productos conformes y defectuosos. El problema: los defectos son raros (si tienes un 2% de tasa de defectos, por cada 100 imagenes conformes solo tienes 2 defectuosas). Tecnicas de data augmentation (rotar, escalar, modificar brillo) y generacion sintetica con IA ayudan a equilibrar el dataset.

Resultados tipicos

Los sistemas de vision artificial bien implementados alcanzan tasas de deteccion del 95-99%, superiores al 85-90% tipico de la inspeccion humana. Ademas, funcionan 24/7 sin fatiga, con consistencia total. El coste de un sistema basico (camara + iluminacion + edge computing + software) ronda los 10.000 a 30.000 EUR. Para lineas de produccion con alto volumen, el ROI se alcanza en meses.

Mas alla de defectos visibles

La vision artificial no se limita a defectos visibles al ojo humano. Con camaras especializadas (infrarrojas, ultravioleta, hiperespectrales, rayos X), se detectan defectos internos, composicion de materiales, contaminantes y problemas no visibles en el espectro visible.

Modelos de calidad predictiva

La calidad predictiva es el santo grial: predecir la calidad del producto antes de fabricarlo (o durante la fabricacion, a tiempo de corregir). Para esto necesitas dos cosas: datos del proceso en tiempo real y un modelo que correlacione esos datos con la calidad del producto final.

Variables de proceso

Cada industria tiene sus variables criticas:

• Metalurgia: temperatura del horno, velocidad de enfriamiento, composicion quimica de la aleacion, tiempo de tratamiento.
• Alimentacion: temperatura de coccion, humedad, pH, tiempo de fermentacion, origen del lote de materia prima.
• Farmaceutica: presion de compactacion, humedad del granulado, velocidad de encapsulacion, temperatura de secado.
• Electronica: temperatura de soldadura, perfil de reflujo, presion de insercion, pureza del material.
• Servicios: tiempo de espera, numero de transferencias, complejidad de la consulta, experiencia del agente.

Construccion del modelo

El enfoque tipico: recoger datos historicos de parametros de proceso junto con los resultados de calidad del producto final. Entrenar un modelo supervisado (random forest, gradient boosting, redes neuronales) que prediga calidad a partir de los parametros. Validar con datos no vistos. Desplegar en produccion para prediccion en tiempo real.

El ciclo de retroalimentacion es clave: cada nuevo producto fabricado anade datos al modelo, que se retraining periodicamente para mantener su precision. Si las condiciones del proceso cambian (nueva materia prima, nuevo proveedor, nueva maquina), el modelo necesita datos de las nuevas condiciones para seguir siendo preciso.

Virtual metrology

En industrias donde medir calidad es caro o destructivo (semiconductores, materiales compuestos), la IA crea "sensores virtuales": modelos que estiman la medida de calidad a partir de los parametros del proceso, sin necesidad de medir fisicamente cada pieza. Esto permite inspeccion al 100% virtual, cuando la inspeccion fisica solo cubre muestras.

Dashboards de calidad en tiempo real

Un dashboard de calidad con IA va mas alla de mostrar graficos de control y tasas de defectos. Incluye capacidades que los dashboards clasicos no tienen:

Elementos clave

• Alertas predictivas: no solo "hay un defecto" sino "la probabilidad de defecto en las proximas 2 horas ha subido al 15% por la combinacion de temperatura y humedad actuales".
• Correlaciones automaticas: el dashboard muestra automaticamente que variables del proceso estan correlacionadas con los defectos recientes. No necesitas un analista que busque la causa manualmente.
• Benchmarking entre lineas/turnos/plantas: comparacion automatica de rendimiento entre diferentes unidades productivas, ajustada por mix de producto y condiciones. Identifica mejores practicas y desviaciones.
• Tendencias con forecast: no solo la tasa de defectos actual sino la proyeccion para las proximas horas, dias, semanas basada en las condiciones actuales del proceso.

Herramientas para dashboards

Power BI y Grafana son las opciones mas comunes. Power BI para equipos que usan Microsoft. Grafana para equipos tecnicos que necesitan datos en tiempo real de multiples fuentes (sensores IoT, bases de datos de proceso, sistemas de calidad). Ambos permiten integrar modelos de ML para mostrar predicciones junto a datos reales.

Analisis de causa raiz automatizado

Cuando ocurre un problema de calidad, encontrar la causa raiz es critico y suele ser lento. Los metodos clasicos (Ishikawa, 5 Whys, 8D) son utiles como framework de pensamiento pero dependen de la experiencia del equipo. La IA acelera este proceso.

Root Cause Analysis con ML

Modelos de ML analizan los datos historicos de procesos y calidad para identificar que combinacion de factores causa cada tipo de defecto. No buscan una sola causa, sino la interaccion de multiples factores. Resultado: "los defectos tipo A ocurren con 85% de probabilidad cuando la temperatura supera 180 grados Y el lote de materia prima es del proveedor X Y el turno es nocturno".

Analisis de contribucion

Tecnicas como SHAP (SHapley Additive exPlanations) descomponen la prediccion del modelo en la contribucion de cada variable. Esto hace que el modelo sea interpretable: no es una caja negra que dice "defecto", sino un analisis que dice "la mayor contribucion al defecto viene de la variable humedad (40%), seguida de temperatura (25%) y velocidad de linea (15%)".

Documentacion automatica

LLMs generan automaticamente informes de analisis de causa raiz a partir de los datos del incidente, el analisis de ML y las acciones correctivas. El informe sigue el formato estandar de la empresa (8D, A3, CAPA) y el ingeniero de calidad lo revisa y complementa en vez de escribirlo desde cero.

Calidad de servicio: mas alla de la manufactura

Los principios de calidad predictiva aplican tambien a servicios. En un contact center, la "calidad" es la resolucion del cliente. En logistica, la "calidad" es la entrega a tiempo. En consultorias, la "calidad" es la satisfaccion del cliente con el entregable.

Aplicaciones en servicios

• Prediccion de errores en procesos administrativos: facturas con datos incorrectos, pedidos mal introducidos, envios a direcciones erroneas. Modelos que predicen que transacciones tienen mayor probabilidad de error para revisarlas antes de procesarlas.
• Quality scoring de interacciones: en contact centers, la IA evalua automaticamente la calidad de las interacciones (llamadas, chats, emails) en multiples dimensiones: resolucion, empatia, cumplimiento de protocolo, precision de la informacion.
• Consistencia de entregables: para empresas de servicios profesionales, la IA revisa informes, propuestas y documentos contra estandares de calidad antes de enviarlos al cliente.

Herramientas y plataformas

Vision artificial industrial

• Cognex: lider en vision artificial industrial. Hardware + software. Enterprise.
• Landing AI: plataforma de vision artificial de Andrew Ng, enfocada en manufactura con pocos datos.
• Roboflow: plataforma para entrenar y desplegar modelos de vision artificial. Freemium.
• YOLO (Ultralytics): open source, modelos de deteccion de objetos rapidos y precisos. Gratis.

SPC y calidad

• Minitab: clasico de SPC, ahora con capacidades de ML integradas.
• InfinityQS: SPC en la nube, dashboards en tiempo real.
• Tulip: plataforma de operaciones con apps de calidad configurables. No-code.

Para empezar

• Python + scikit-learn: para modelos de calidad predictiva con datos tabulares.
• Python + OpenCV + YOLO: para prototipos de vision artificial.
• Grafana + InfluxDB: para dashboards de calidad en tiempo real con datos de sensores.

Ejercicio practico

Conclusiones clave