Gestión inteligente de los proyectos técnicos en el sector industrial

Michelin

La complejidad del entorno industrial actual no solo está en la diversidad de proyectos, sino en cómo estos interactúan y se comparten dentro de una gran empresa como Michelin, líder del sector automovilístico. Los problemas derivados de no contar con una plataforma unificada son múltiples: duplicación de esfuerzos, falta de visibilidad de soluciones efectivas y de normalización, aparición de soluciones divergentes y dificultad para encontrar proyectos similares en otras fábricas que podrían aportar un valor añadido.

Conscientes de que esta desconexión afectaba su competitividad en un entorno de cambios rápidos, Michelin identificó que sería clave desarrollar una plataforma inteligente impulsada por IA donde centralizar el conocimiento técnico y hacerlo accesible para todas las fábricas. No solo buscaban solucionar los problemas de fragmentación de la información, sino también desarrollar una herramienta capaz de evolucionar con el tiempo, escalable a nivel global y alineada con sus estrictos estándares de privacidad. Además, debía ser segura, multilingüe y lo suficientemente intuitiva para que cualquier usuario pudiera buscar información fácilmente y recibir alertas personalizadas sobre los temas de su interés.

Conocían al detalle sus necesidades y sabían las posibilidades que la inteligencia artificial podía ofrecerles. Pero no podían desarrollar solos este proyecto; en Michelin son especialistas en neumáticos y movilidad, por lo necesitaban a su lado un socio tecnológico especializado en IA. Tras evaluar varios proveedores que podrían ayudarles a materializar su visión, la empresa confió en Sciling por su experiencia en procesamiento de datos complejos.

Sobre el cliente:

Cada planta de Michelin trabaja y gestiona los proyectos de I+D+i con cierto grado de autonomía, siempre bajo la aprobación de los servicios centrales, y utilizando bases de datos locales que impiden que los proyectos de las diferentes plantas se relacionen entre sí. Esta desconexión, junto con la diversidad de datos y formas de almacenar cada proyecto y sus características, representaba un gran reto. Cada planta organiza y procesa la información con criterios distintos, lo que dificultaba su integración y limitaba su visibilidad y el acceso para otros equipos. 

A esto se sumaban otros condicionantes como el uso de siglas, jerga técnica y la barrera de los diferentes idiomas según la ubicación de cada fábrica. Unos obstáculos que hacían imposible encontrar información relevante sobre proyectos anteriores o incluso comprenderla para quienes no estaban involucrados en el día a día de estos desarrollos.

«A menudo veíamos repetida la misma situación: uno de nuestros equipos se quedaba atascado con un problema para el que, meses atrás, se había encontrado la solución en otra planta. No sabían cómo buscar información por lo que era imposible saber si ya existía una solución para su problema. Así que solo quedaba la manera tradicional: investigar y probar hasta que diera con la clave. Y en ese proceso perdíamos algo igual de valioso: tiempo, agilidad y oportunidades», afirma Germán Arias, Plant Technical Manager & Digital manufacturing facilitator en Michelin.

Esta situación afectaba a la competitividad de la compañía, por lo que resolverla se convirtió en una prioridad para Michelin. Germán Arias y Juan Pablo Herreras, Analista Datos Calidad en Michelin ULD, sabían que el volumen de datos con el que contaban era inabarcable para ser procesado manualmente y vieron la IA como una tecnología clave que podría resolver su problema de gestión del conocimiento. Necesitaban un aliado capaz de dar respuesta a su necesidad, y Sciling destacó como la opción ideal por contar con una sólida experiencia desarrollando y desplegando soluciones de IA generativa y procesamiento del lenguaje natural, al mismo tiempo que ofrecía un marco de trabajo ágil que permitió reducir al máximo los riesgos inherentes de cualquier proyecto de innovación.

Visión estratégica:

Varias semanas de investigación y árduo trabajo por parte del equipo de Sciling dieron lugar al desarrollo de un sistema de IA que permite realizar búsquedas específicas y organizar y optimizar la base de conocimiento de las diferentes fábricas de Michelin. 

La PoC fue diseñada para demostrar la viabilidad de la tecnología sin entrar en desarrollos complejos que pudieran suponer costes adicionales. En menos de 2 meses, Sciling desarrolló esta PoC que fue presentada con éxito a nivel interno en Michelin, validando la idea y captando la atención de los stakeholders dentro de la organización, lo que aseguró el respaldo para que el proyecto avance a las siguientes fases.

Gracias a este sistema, en Michelin prevén aumentar la visibilidad de los procesos de innovación dentro de la empresa, permitiendo que una información, hasta ahora opaca y de difícil acceso, sea fácilmente consultada y contrastada en cualquiera de los idiomas de las plantas participantes en el proyecto. Además, el sistema utiliza los documentos ya disponibles en cada fábrica, permitiendo obtener resultados eficaces sin necesidad de modificar el modo en el cual cada fábrica está registrando la información, lo cual facilitaba el despliegue al reducir el cambio organizacional necesario.

«La ausencia de una plataforma compartida dificultaba el acceso al conocimiento técnico entre nuestras fábricas. Con el enfoque innovador de Sciling, estamos un paso más cerca de superar este reto y tener una base sólida de conocimiento compartido», comenta Juan Pablo Herreras.

Ahora, Michelin y Sciling ponen la vista en el futuro y en el desarrollo de un prototipo mínimo viable (MVP) que integraría los datos de todos los proyectos de innovación de las 21 fábricas de Michelin e impulsaría una implantación de la solución a mayor escala manteniendo su sencillez de uso y el acceso a la información clave de forma personalizada.

El equipo de investigadores y técnicos de Sciling analizó exhaustivamente durante semanas la información disponible para identificar los principales desafíos del proyecto y definir la mejor estrategia para abordarlos. 

Durante este tiempo, exploraron hasta 6 aproximaciones distintas para abordar el proyecto, asegurándose de que cada propuesta cumpliera con los altos requisitos de privacidad y personalización de Michelin.  Evaluaron diversas técnicas de recuperación semántica y sistemas basados en agentes que, mediante librerías especializadas de Python y técnicas de few-shot learning, fueron entrenados con ejemplos concretos de preguntas y respuestas para indicar al sistema claramente qué tipo de consultas en lenguaje natural debía interpretar y qué clase de resultados debía devolver. Aunque estas aproximaciones ofrecían buenos resultados al gestionar información estructurada (datos numéricos y categóricos), tenían limitaciones significativas al gestionar información no estructurada, como textos descriptivos,  ya que estos requerían técnicas más avanzadas de búsqueda semántica.

Uno de los principales retos fue lograr una implementación segura y autónoma, sin dependencia de conexiones externas ni APIs comerciales. Tal como explica Ion Marqués, investigador de ML en Sciling: 

«Evaluamos diversas opciones para garantizar que la solución cumpliera con los estrictos requisitos de privacidad y operatividad de Michelin. La necesidad de garantizar el control sobre los datos de la compañía reducía los modelos a los que podíamos optar. Pero por suerte habíamos resuelto con éxito proyectos con condicionantes similares, por lo que nuestra experiencia nos llevó a escoger Mistral como modelo para nuestro sistema, ya que cumplía con todos los criterios del proyecto, desde el despliegue hasta el soporte multilingüe, y nos ayudaría a optimizar la colaboración global», explica Ion Marqués, investigador de ML en Sciling.

Otro reto significativo fue la integración de diferentes datos provenientes de las fábricas de Michelin, unos datos con una gran diversidad de formatos y lenguajes. En la fase inicial, el sistema integró información de las sedes de Valladolid y Aranda de Duero, gestionando un total de 15 usuarios y 250 proyectos en marcha. Más tarde se añadieron las sedes de Cuneo (Italia) y Waterville (Canadá), sumando un total de 406 proyectos entre las cuatro sedes. Para adaptar el sistema a la estructura de datos de Michelin, Sciling primero realizó un preprocesamiento detallado de las bases de datos de proyectos, analizando cada columna para que el modelo de lenguaje entendiera el contexto y el significado de los términos utilizados. Gracias a este análisis, el sistema pudo reconocer automáticamente temas o proyectos relevantes, ajustándose al vocabulario propio de Michelin y facilitando la búsqueda de información con resultados precisos.

Con esta base, Sciling implementó un sistema compuesto por varios agentes de IA que integra function calling con el LLM, lo que permite que el modelo ejecute tareas específicas de manera predefinida y controlada. Asimismo, se especializó uno de los agentes en identificar la intención detrás de cada pregunta, permitiendo así ofrecer respuestas precisas según el tipo de consulta: filtrado por datos numéricos, búsqueda por palabras clave, consultas descriptivas o peticiones que combinan distintos criterios. Además, al diseñar el sistema para funcionar en varios idiomas, se aseguraron de que las búsquedas y resultados pudieran presentarse en el idioma local de cada sede, como español, italiano o inglés. Esta personalización facilitó que los usuarios pudieran hacer las consultas en su idioma nativo, independientemente del idioma o naturaleza técnica de la información procedente de cada sede.

La combinación de diversos enfoques permitió construir una solución adaptada a los requisitos de Michelin. La plataforma desarrollada incorpora una interfaz conversacional que se adapta a las particularidades de cada sede y al entorno multilingüe de Michelin, proporcionando un acceso eficiente y personalizado a la información relevante y garantizando que los usuarios accedan a la información clave de sus proyectos sin alterar sus dinámicas de trabajo.

Tecnologías empleadas