IA y software ERP para metal: La revolución prometida

El consenso general es que la IA será una tecnología transformadora para todos los sectores, y los centros de servicios del metal no son una excepción. Sin embargo, a pesar de los pronósticos de varios proveedores de tecnología, la mayor parte de lo que hoy se describe como IA son principalmente algoritmos de software normales reempaquetados con bombo y platillo como inteligencia artificial. En los pocos casos en los que se han integrado verdaderos modelos de grandes lenguajes (LLM) en aplicaciones de software, los resultados han sido propensos a errores, poco fiables y más parecidos a un levantamiento menor que a la revolución prometida. 

Recientemente, Goldman Sachs publicó un informe de 31 páginas titulado «Gen AI: Too Much Spend, Too Little Benefit?» (Gen IA: ¿demasiado gasto, demasiado poco beneficio?), en el que se ponían en duda las ventajas de productividad y los posibles beneficios financieros, al tiempo que, al igual que otras publicaciones, también se señalaba el impacto medioambiental negativo derivado de la enorme demanda de energía y agua dulce para alimentar los modelos de IA. 

¿Significa esto que la promesa de la IA nunca se materializará y que el billón de dólares de inversión que está a punto de invertirse no se traducirá en ningún aumento cuantificable de la productividad? Muy al contrario, las inversiones que se están realizando hoy serán fundamentales para el crecimiento y para mejorar el rendimiento de los LLM, pero las expectativas deben replantearse y el marketing de la IA debe considerarse con escepticismo, ya que actualmente nos encontramos en la fase inicial de esta tecnología. 

En informática, existe un término de uso común denominado GIGO, abreviatura de Garbage In, Garbage Out (basura entrante, basura saliente). Esta expresión se utiliza para describir el concepto de que las entradas mal definidas darán lugar a una salida de calidad igualmente pobre. Los LLM se entrenan en grandes conjuntos de datos para el aprendizaje profundo, una técnica de aprendizaje automático (ML) que utiliza redes neuronales para reconocer patrones y hacer asociaciones. Gran parte de la interacción actual de la IA es el resultado de la alimentación de los LLM con datos de fuentes desorganizadas y sin fundamento, como páginas de redes sociales y sitios web satíricos, lo que da lugar a resultados inexactos y extraños. 

Afortunadamente, en el mundo de los sistemas ERP, una base de datos estructurada proporciona el elemento fundamental para crear verdaderas funciones de IA de valor añadido. Por ejemplo, la base de datos de INVEX funciona como un motor basado en reglas que captura más de 50.000 campos de datos predefinidos y los organiza y almacena de forma inteligente para su análisis y recuperación. El resultado es un conjunto de datos de excelente calidad que puede introducirse en un posible modelo de ML, sorteando así la dificultad del GIGO. 

La creación de una verdadera funcionalidad de IA productiva empieza por centrarse en las aplicaciones que más se beneficiarían de la toma de decisiones asistida. Dos ejemplos de estas áreas son la planificación de inventarios y la previsión de ventas. En estas dos áreas, el equipo de ciencia de datos de Invera está utilizando datos estructurados de la base de datos INVEX y aprendizaje automático para desarrollar modelos de series temporales y análisis de regresión. 

Por ejemplo, Invera está desarrollando y probando modelos mediante ML para ofrecer predicciones y previsiones de gestión de inventario en la aplicación INVEX Material Resource Planning (MRP). En cuanto a las ventas, se están utilizando modelos de ML para analizar los datos del historial de ventas de INVEX con el fin de ofrecer previsiones de ventas y análisis predictivos. 

Las ganancias de productividad derivadas de la IA tardarán varios años en manifestarse, sobre todo si se tiene en cuenta la naturaleza intensiva en recursos y los aspectos económicos del despliegue de modelos de IA. Hoy en día, cualquier afirmación sobre la verdadera funcionalidad de la IA debería recibirse con una buena dosis de escepticismo; sin embargo, el progreso de la tecnología es notable y, dentro de unos años, el impacto podría ser transformador. Para beneficiarse realmente de este potencial, es fundamental disponer de conjuntos de datos limpios y organizados para alimentar los modelos de IA. Esto permitirá a los centros de servicios del metal utilizar la tecnología de IA para tomar decisiones mejor informadas utilizando puntos de datos que antes no se tenían en cuenta, y posicionarse para el futuro, y evitar tener que tirar la basura (de datos) para su recogida.