Cómo Apollo Tyres Aprovecha la IA para Obtener Insights de Máquinas

Cómo Apollo Tyres está desbloqueando información de las máquinas utilizando un razonador de fabricación impulsado por IA agente

Esta es una publicación conjunta coescrita con Harsh Vardhan, Director Global del Centro de Innovación Digital, Apollo Tyres Ltd.

Apollo Tyres, con sede en Gurgaon, India, es un destacado fabricante internacional de neumáticos con instalaciones de producción en India y Europa. La empresa comercializa sus productos bajo sus dos marcas globales: Apollo y Vredestein, y sus productos están disponibles en más de 100 países a través de una extensa red de puntos de venta exclusivos y multiproducto. El portafolio de productos de la empresa incluye toda la gama de neumáticos para automóviles, SUV, MUV, camiones ligeros, autobuses, motocicletas, neumáticos agrícolas, industriales, especiales, bicicletas y materiales de recapado.

Apollo Tyres ha iniciado un ambicioso viaje de transformación digital para agilizar todo su proceso de valor empresarial, incluida la fabricación. La empresa colaboró con Amazon Web Services (AWS) para implementar un lago de datos centralizado utilizando servicios de AWS. Además, Apollo Tyres mejoró sus capacidades desbloqueando información del lago de datos utilizando IA generativa impulsada por Amazon Bedrock a través de los valores comerciales.

En este afán, desarrollaron un Razonador de Fabricación, impulsado por Agentes de Amazon Bedrock, una solución personalizada que automatiza tareas en múltiples pasos conectándose sin problemas con los sistemas, API y fuentes de datos de la empresa. La solución ha sido desarrollada, desplegada, pilotada y escalada para identificar áreas de mejora, estandarizar y comparar los tiempos de ciclo más allá del rendimiento total efectivo del equipo (TEEP) y efectividad general del equipo (OEE) de los prensas de curado altamente automatizadas. El flujo de datos de las máquinas de curado está conectado a la Nube de AWS a través del Internet de las Cosas (IoT), y las máquinas envían datos en tiempo real de sensores, procesos, operativos, eventos y monitoreo de condiciones a la Nube de AWS.

En esta publicación, compartimos cómo Apollo Tyres utilizó IA generativa con Amazon Bedrock para aprovechar los insights de sus datos de máquinas en un modo de interacción en lenguaje natural, obteniendo una vista integral de sus procesos de fabricación, lo que permite una toma de decisiones basada en datos y optimiza la eficiencia operativa.

El desafío: Reducir el tiempo de ciclo en seco de las prensas de curado altamente automatizadas y mejorar la eficiencia operativa

Antes de la solución del Razonador de Fabricación, los ingenieros de planta realizaban análisis manuales para identificar cuellos de botella y áreas de enfoque utilizando un panel descriptivo de IoT industrial para el tiempo de ciclo en seco (DCT) de las prensas de curado en todas las máquinas, SKU, medios de curado, proveedores, tipos de máquinas, subelementos, sub-subelementos y más. El análisis y la identificación de estas áreas de enfoque en las prensas de curado entre millones de parámetros sobre las operaciones en tiempo real solían consumir desde aproximadamente 7 horas por problema hasta un promedio de 2 horas transcurridas por problema. Además, el análisis a nivel de subelementos (es decir, el análisis de cuellos de botella de actividades subelementales y sub-subelementales) no era posible utilizando herramientas tradicionales de análisis de causa raíz (RCA). El análisis requería expertos en la materia (SMEs) de varios departamentos como manufactura, tecnología, ingeniería industrial, entre otros, para reunirse y realizar RCA. Como los insights no se generaban en tiempo real, las acciones correctivas se retrasaban.

Impacto de la solución

Con el Razonador de Fabricación de IA agente, el objetivo era capacitar a sus ingenieros de planta para realizar acciones correctivas sobre insights acelerados de RCA para reducir el DCT del curado. Esta solución de IA agente y expertos virtuales ayuda a los ingenieros de planta a interactuar con IoT industrial conectado a grandes datos en lenguaje natural (inglés) para recuperar insights relevantes y proporcionar recomendaciones perspicaces para resolver problemas operativos en los procesos de DCT. El agente de RCA ofrece insights detallados y autodiagnósticos o recomendaciones, identificando en cuáles de los más de 25 subelementos o actividades automatizadas se debe concentrar en más de 250 prensas de curado automatizadas, más de 140 unidades de mantenimiento de stock (SKUs), tres tipos de medios de curado y dos tipos de proveedores de máquinas. El objetivo es lograr la mejor reducción posible en el DCT en tres plantas. Gracias a esta innovación, los ingenieros de planta ahora tienen una comprensión completa de sus cuellos de botella en la fabricación. Esta vista integral apoya la toma de decisiones basada en datos y mejora la eficiencia operativa. Se dieron cuenta de una reducción aproximada del 88% en el esfuerzo para asistir a la RCA para DCT a través del autodiagnóstico de áreas de cuellos de botella sobre datos continuos y en tiempo real. El asistente de IA generativa reduce el RCA de DCT de hasta 7 horas por problema a menos de 10 minutos por problema. En general, se espera que el beneficio objetivo ahorre aproximadamente 15 millones de rupias indias (INR) por año solo en la división de neumáticos radiales para automóviles (PCR) en sus tres plantas de fabricación.

Este razonador virtual también ofrece disparadores en tiempo real para resaltar desplazamientos anómalos continuos en DCT para la prevención de errores en línea con el enfoque de Poka-yoke, lo que lleva a acciones preventivas apropiadas. Los siguientes son beneficios adicionales ofrecidos por el Razonador de Fabricación:

• Observabilidad del tiempo de ciclo por elemento junto con gráficos y gráficos de control de procesos estadísticos (SPC), comparación directa prensa a prensa sobre datos en tiempo real
• RCA bajo demanda sobre datos en streaming, junto con alertas diarias a los SMEs de manufactura

“Imagina un mundo donde los asociados comerciales toman decisiones en tiempo real basadas en datos, y la IA colabora con los humanos. Nuestra solución transformadora de IA generativa está diseñada, desarrollada y desplegada para hacer de esta visión una realidad. Este Razonador de Fabricación interno, impulsado por IA generativa, no se trata de reemplazar la inteligencia humana; se trata de amplificarla.”

– Harsh Vardhan, Director Global, Centro de Innovación Digital, Apollo Tyres Ltd.

Descripción general de la solución

Utilizando características de Amazon Bedrock, Apollo Tyres implementó un Razonador de Fabricación autos diagnóstico avanzado diseñado para agilizar la RCA y mejorar la toma de decisiones. Esta herramienta utiliza un razonador de causa raíz de máquina basado en IA generativa que facilitó un análisis preciso a través de consultas en lenguaje natural, proporcionó insights predictivos y referenció una base de datos de Amazon Redshift para datos procesables. El sistema habilitó el mantenimiento proactivo al predecir problemas potenciales, optimizando los tiempos de ciclo y reduciendo ineficiencias. Además, apoyó al personal con capacidades de informes dinámicos y visualización, mejorando significativamente la productividad general y la eficiencia operativa.

El siguiente diagrama ilustra el flujo de trabajo de múltiples ramas.

El siguiente diagrama ilustra el flujo del proceso.

Para habilitar el flujo de trabajo, Apollo Tyres siguió estos pasos:

1. Los usuarios hacen preguntas en lenguaje natural a través de la interfaz de usuario, que es una aplicación Chainlit alojada en Amazon Elastic Compute Cloud (Amazon EC2).
2. La pregunta formulada es recogida por el agente de IA principal, que clasifica la complejidad de la pregunta y decide qué agente debe ser llamado para el razonamiento en múltiples pasos con la ayuda de diferentes servicios de AWS.
3. Los agentes de Amazon Bedrock utilizan Bases de Conocimiento de Amazon Bedrock y las capacidades de base de datos vectorial de Amazon OpenSearch Service para extraer contexto relevante para la solicitud:
   1. Agente de motor de transformación compleja – Este agente funciona como un motor de transformación on-demand y compleja para el contexto y pregunta específica.
   2. Agente de RCA – Este agente de Amazon Bedrock construye un flujo de trabajo de múltiples pasos y modelos de lenguaje grande (LLM) para realizar una RCA automatizada detallada, que resulta particularmente útil para escenarios de diagnóstico complejos.
4. El agente principal llama al agente explicador y al agente de visualización simultáneamente utilizando múltiples hilos:
   1. Agente explicador – Este agente de Amazon Bedrock utiliza el modelo Claude Haiku de Anthropic para generar explicaciones en dos partes:
      1. Pruebas – Proporciona una explicación lógica paso a paso de la consulta ejecutada o CTE.
      2. Conclusión – Ofrece una respuesta breve a la pregunta, haciendo referencia a registros de Amazon Redshift.
   2. Agente de visualización – Este agente de Amazon Bedrock genera código para gráficos de Plotly para crear gráficos visuales utilizando el modelo Claude Sonnet de Anthropic.
5. El agente principal combina las salidas (registros, explicación, código del gráfico) de ambos agentes y las transmite a la aplicación.
6. La interfaz de usuario muestra el resultado al usuario mostrando dinámicamente las visualizaciones estadísticas y formateando los registros en una tabla.
7. Amazon Bedrock Guardrails ayudó a configurar filtros personalizados y límites de respuesta, garantizando que las interacciones con los datos de las máquinas no solo fueran seguras sino también relevantes y cumplieran con las directrices operativas establecidas. Los guardrails también ayudaron a prevenir errores e inexactitudes al verificar automáticamente la validez de la información, lo cual era esencial para identificar con precisión las causas fundamentales de los problemas de fabricación.

La siguiente captura de pantalla muestra un ejemplo de la respuesta del Razonador de Fabricación.

El siguiente diagrama muestra un ejemplo de la visualización dinámica de gráficos del Razonador de Fabricación.

“A medida que integramos esta solución de IA generativa, construida sobre Amazon Bedrock, para automatizar la RCA en nuestras máquinas de curado de planta, hemos visto una profunda transformación en la forma en que diagnosticamos problemas y optimizamos operaciones”, dice Vardhan. “La precisión de los insights impulsados por IA generativa ha permitido a los ingenieros de planta no solo acelerar la detección de problemas de un promedio de 2 horas por escenario a menos de 10 minutos ahora, sino también refinar áreas de enfoque para hacer mejoras en el tiempo de ciclo (más allá del TEEP). Las alertas en tiempo real notifican a los SMEs de procesos para actuar sobre cuellos de botella de inmediato, y las características avanzadas de diagnóstico de la solución proporcionan información a nivel de subelementos sobre lo que está causando las desviaciones.”

Lecciones aprendidas

Apollo Tyres aprendió las siguientes lecciones de este viaje:

• Aplicar IA generativa a datos de IoT industrial en streaming en tiempo real requiere una extensa investigación debido a la naturaleza única de cada caso de uso. Para desarrollar un razonador de fabricación efectivo para escenarios automatizados de RCA, Apollo Tyres exploró varias estrategias desde las etapas de prototipo hasta las de prueba de concepto.
• Al principio, la solución enfrentó retrasos significativos en los tiempos de respuesta al usar Amazon Bedrock, particularmente cuando estaban involucrados múltiples agentes. Los tiempos de respuesta iniciales superaban 1 minuto para la recuperación y procesamiento de datos por parte de los tres agentes. Para abordar este problema, se hicieron esfuerzos por optimizar el rendimiento. Al seleccionar cuidadosamente modelos de lenguaje adecuados y modelos de lenguaje pequeños (SLMs) y deshabilitar flujos de trabajo no utilizados dentro del agente, el tiempo de respuesta se redujo con éxito a aproximadamente 30-40 segundos. Estas optimizaciones jugaron un papel crucial en aumentar la eficiencia y capacidad de respuesta de la solución, lo que llevó a operaciones más suaves y una mejor experiencia de usuario en todo el sistema.
• Al usar las capacidades de los LLMs para generar código y visualizar datos a través de gráficos, Apollo Tyres enfrentó desafíos al lidiar con conjuntos de datos extensos. Inicialmente, el código generado a menudo contenía inexactitudes o no manejaba grandes volúmenes de datos de manera correcta. Para abordar este problema, se emprendió un proceso de refinamiento continuo, iterando múltiples veces para mejorar el proceso de generación de código. Sus esfuerzos se centraron en desarrollar un enfoque dinámico que pudiera generar con precisión el código de gráficos capaz de gestionar eficazmente los datos dentro de un marco de datos, independientemente de la cantidad de registros involucrados. A través de este enfoque iterativo, mejoraron significativamente la confiabilidad y robustez del proceso de generación de gráficos, asegurándose de que pudiera manejar conjuntos de datos sustanciales sin comprometer la precisión o el rendimiento.
• Los problemas de consistencia se resolvieron eficazmente asegurando que el formato de datos correcto se ingiriera en el lago de datos de Amazon para la base de conocimiento, estructurado de la siguiente manera:

{
"Question": <Pregunta en lenguaje natural>, 
"Query": < Scripts de Motor de Transformación Compleja>, 
“Metadata” :<metadata>
}

Próximos pasos

El equipo de Apollo Tyres está escalando la solución exitosa desde el curado de neumáticos hacia varias áreas en diferentes ubicaciones, avanzando hacia el objetivo de la industria 5.0. Para lograr esto, Amazon Bedrock jugará un papel fundamental en la extensión de la solución de generación aumentada por recuperación (RAG) multi-agente. Esta expansión implica la utilización de agentes especializados, cada uno dedicado a funcionalidades específicas. Al implementar agentes con roles distintos, el equipo busca mejorar las capacidades de la solución en diversos dominios operativos.

Además, el equipo se centra en establecer referencias y optimizar el tiempo requerido para proporcionar respuestas precisas a las consultas. Este esfuerzo continuo agilizará el proceso, proporcionando capacidades más rápidas y eficientes de toma de decisiones y resolución de problemas en toda la solución extendida. Apollo Tyres también está explorando IA generativa usando Amazon Bedrock para sus otros procesos de fabricación y no fabricación.

Conclusión

En resumen, Apollo Tyres utilizó IA generativa a través de Amazon Bedrock y Agentes de Amazon Bedrock para transformar datos de máquinas en bruto en insights procesables, logrando una perspectiva holística de sus operaciones de fabricación. Esto permitió una toma de decisiones más informada y basada en datos, mejorando la eficiencia operativa. Al integrar razonadores de fabricación basados en IA generativa y agentes de RCA, desarrollaron un asistente de diagnóstico del tiempo de ciclo de la máquina capaz de identificar áreas de enfoque en más de 25 subprocessos, más de 250 prensas de curado automatizadas, más de 140 SKU, tres medios de curado y dos proveedores de máquinas. Esta solución ayudó a impulsar mejoras dirigidas en DCT en tres plantas, con ahorros anualizados objetivo de aproximadamente 15 millones de INR solo en el segmento de PCR y logrando aproximadamente un 88% de reducción en el esfuerzo manual para el análisis de causa raíz.

“Al adoptar este enfoque impulsado por IA agente, Apollo Tyres está redefiniendo la excelencia operativa—desbloqueando capacidad oculta a través de un ‘explotación de activos’ avanzada, mientras que permite que nuestros ingenieros de planta se comuniquen con las máquinas en lenguaje natural. Estas iniciativas audaces de IA internas no solo están optimizando el rendimiento de hoy, sino que están construyendo activamente la base firme para fábricas inteligentes del futuro impulsadas por datos y colaboración humano-máquina.”

– Harsh Vardhan.

Para aprender más sobre Amazon Bedrock y cómo empezar, consulta Comenzando con Amazon Bedrock. Si tienes comentarios sobre esta publicación, deja un comentario en la sección de comentarios.

Nota original: https://aws.amazon.com/blogs/machine-learning/how-apollo-tyres-is-unlocking-machine-insights-using-agentic-ai-powered-manufacturing-reasoner/

Suscríbete a nuestro boletín para contenido más especializado.

Únete a Sab-IA

Descubre las últimas tendencias en IA, machine learning, automatización, modelos generativos como ChatGPT

Subscribe

Email sent! Check your inbox to complete your signup.

No spam. Desubscribe cuando quieras.