Un nuevo enfoque para los videos de capacitación para fabricantes y fabricantes.

Alguien graba a un experto en máquinas realizando una tarea. Después de esto, el video se carga automáticamente en un motor de IA que indexa y edita el contenido en segmentos digeribles.

La aguda escasez de mano de obra en la fabricación de metales no es nueva, y tampoco lo son las acusaciones. Los niños crecieron jugando no con motores carburados sino con teléfonos inteligentes y computadoras. La educación vocacional ha estado en declive durante años. La fabricación tiene un problema de imagen.

Las tiendas fabulosas que no pueden encontrar experiencia pueden contratar personas en función de las habilidades blandas, incluido el entusiasmo de las personas por aprender. Pero, ¿cómo se les enseña a estas personas, exactamente? Muy a menudo, el proceso de aprendizaje es claramente de la vieja escuela. Alguien sigue a un operador experimentado de prensa plegadora o máquina de corte por láser para aprender poco a poco con el tiempo. El problema es, ¿qué pasa si un novato tiene una pregunta y el veterano al que está siguiendo se vuelve impaciente? Tiene partes que producir, después de todo, y el chico nuevo simplemente lo está ralentizando.

Muchos en este punto hablan sobre la cultura de la empresa, el liderazgo y otros conceptos vagos, pero luego se detienen en una solución concreta. Sam Zheng, director ejecutivo de DeepHow, dice que su empresa ha encontrado uno.

Lanzado en 2018 por Zheng, Wei-Liang Kao y Patrik Matos, DeepHow ofrece una especie de indexación y edición de video automatizadas. Al abrir una aplicación móvil, una persona puede grabar a un experto en el piso realizando ciertas tareas. El contenido grabado se carga automáticamente en una nube segura, donde un motor de inteligencia artificial (IA) identifica los diferentes pasos de la tarea y luego corta el video en segmentos digeribles. Los nuevos empleados pueden ver (y revisar varias veces) el video en un sitio web o aplicación móvil. El comportamiento de visualización, a su vez, alimenta el motor de IA, por lo que puede editar contenido de manera más efectiva con el tiempo.

Piense en ello como una especie de Khan Academy impulsada por IA para el taller de fabricación. Sin embargo, a diferencia de Khan, DeepHow no se basa en el conocimiento general sino en el conocimiento específico de la tarea. La idea es que las personas puedan aprender mejor no solo observando, sino viendo y revisando contenido de video instructivo una y otra vez. Ese contenido no se crea y se publica como un video aleatorio de Internet (siempre está en un servidor seguro). Según la compañía, el contenido se segmenta y edita de una manera única, con el dibujo de IA a partir de puntos de datos que revelan cómo aprende mejor el espectador. A medida que se construye esta biblioteca de contenido altamente personalizable, también lo hace la capacidad del fabricante para desarrollar talento en el taller.

Como investigador en la academia y en el Laboratorio de Innovación de Investigación Corporativa de Siemens en Princeton, Nueva Jersey, Zheng tiene experiencia en psicología de la ingeniería, estudiando cómo interactúan las personas y las máquinas.

"Cuando dirigí mis proyectos de innovación digital, básicamente vi cómo estábamos introduciendo todos estos sistemas automatizados complejos en el piso de producción. Se pensaba que la automatización podía resolver todos los problemas, en lugar de tratar con personas reales. Eso no estaba funcionando. "

Las tiendas Fab emplean máquinas y personas, tanto jóvenes como mayores. Un fabricante podría tener una nueva prensa plegadora completa con un control de pantalla táctil que muestra una simulación de plegado en 3D. Pero a solo unos metros de distancia, alguien más podría estar operando un dinosaurio de una prensa plegadora. Todavía funciona bien para ciertas partes y, además, algunos de los veteranos del taller se sienten cómodos operándolo. Sin embargo, los empleados más nuevos no tocarán la máquina vieja y los veteranos del taller tampoco se sienten cómodos con la máquina más nueva. Este desajuste persona-máquina, explicó Zheng, genera montañas de dolores de cabeza operativos, y es un problema que no se puede resolver solo con máquinas automatizadas.

Peor aún, los regímenes de entrenamiento varían mucho de un taller a otro. El columnista de FABRICATOR Steve Benson, presidente de ASMA LLC, una empresa de capacitación en plegadoras con sede en Salem, Oregon, lo ha visto todo. Algunas empresas ofrecen una sólida formación en lectura de planos y en el uso de herramientas de medición de precisión. Todavía son novatos cuando empiezan a fabricar piezas. Pero tampoco son ajenos al manual de la máquina, y saben cómo leer y calibrar un calibrador y otras herramientas de medición.

Otros fabricantes siguen la filosofía de entrenamiento de prueba de fuego. Como dijo Benson en la columna Bending Basics de este mes, algunos novatos comienzan su día después de una breve orientación en la que la persona líder dice: "Presione este botón y pise este pedal 300 veces".

Sam Zheng, director ejecutivo y cofundador de DeepHow, tiene experiencia en psicología de la ingeniería y estudia cómo las personas interactúan con la tecnología.

Cada máquina y proceso en la fabricación de metales viene con su propia curva de aprendizaje, y cada persona experimenta esa curva de manera diferente. A medida que los fabricantes de todo el mundo se someten a sus transformaciones digitales, comienzan a analizar los patrones de producción y las ineficiencias ocultas.

Dicho seguimiento se está volviendo cada vez más granular. El software de producción puede revelar los tiempos reales del ciclo de la máquina (en lugar de solo los tiempos de entrada y salida del trabajo en el software de planificación de recursos empresariales) y correlacionar esa información con las personas que manejan las máquinas. De esta manera, los gerentes y supervisores pueden profundizar en los datos y comenzar a reconocer patrones, no solo en el flujo de productos sino también en el desempeño de las personas: estas personas procesan ciertos trabajos más rápido que nadie; ¿por qué?

A medida que surgen plataformas de software de capacitación, los gerentes pueden comenzar a hacer preguntas. ¿Cómo estas personas superaron a todos los demás? ¿Cómo aprendieron el proceso y qué camino tomaron para volverse tan competentes tan rápido? Hoy en día, los gerentes pueden basar sus respuestas no solo en una corazonada, sino también en datos reales.

Zheng recordó una visita a una planta de Anheuser-Busch cuando vio un gran tablón de anuncios que mostraba los rostros de todos en la planta, ordenados por su experiencia. "Había un gran grupo de personas con dos o tres años de experiencia, y un gran grupo de personas con 20 a 30 años de experiencia, muchos de los cuales claramente se acercaban a la jubilación. Y luego no había nadie en el medio".

Esa diferencia de edad se ha vuelto demasiado común en muchos fabricantes, dijo Zheng, y presenta otro desafío para la escasez de mano de obra. Significa que los fabricantes deben asegurarse de que el conocimiento se transfiera a la próxima generación lo antes posible.

Aún así, ¿por qué y cómo se creó esa brecha de edad en primer lugar? Muchos apuntan a la globalización y la automatización, pero como señaló Zheng, la naturaleza de la automatización también influyó. "Los requisitos de habilidades han cambiado en los últimos 20 años", dijo. "En el pasado, todos hablábamos de tener habilidades comerciales. Ahora, necesita saber sobre HMI [interfaces hombre-máquina]".

Algunas de las máquinas de fabricación de metal más recientes están comenzando a tener HMI que al menos toman prestados elementos gráficos de la electrónica de consumo, especialmente los teléfonos inteligentes, pero no siempre fue así, y quedan muchos HMI torpes.

"Sabemos que estos HMI son horribles", dijo Zheng. "Están muy lejos de las experiencias de usuario típicas que las personas tienen en su vida cotidiana".

Analytics también ha planteado obstáculos en el reclutamiento. “Todas las operaciones actuales están tan basadas en datos. Todo el mundo dice: 'Necesitamos medir la productividad'. La gente necesita desarrollar habilidades en torno a eso".

En la fabricación, la gente tiende a pensar en términos de humanos o máquinas; una operación es manual o automatizada. Por supuesto, la fabricación realmente se trata de humanos y máquinas, y más allá de unas pocas HMI fáciles de usar, esa conexión hombre-máquina no ha sido examinada ni mejorada. La máquina y el ser humano trabajan juntos como un sistema.

Un experto que usa auriculares lleva a los espectadores a través de un procedimiento de configuración de la máquina.

Una máquina que fabrica extraordinariamente rápido puede parecer impresionante, pero no es muy práctica si pocas personas pueden aprender a operarla. Si un experto configura un trabajo sencillo en una prensa dobladora con un control moderno, un principiante probablemente pueda ejecutar el trabajo. Pero, ¿cómo ese novato finalmente se convierte en un experto?

"Los trabajadores más jóvenes pueden pasar semanas o meses siguiendo al experto en el taller, pero ¿podemos capturar el conocimiento que tiene ese experto? ¿Y podemos digitalizarlo y hacer que el experto esté disponible todo el tiempo? Queremos digitalizar y mapear el conocimiento para que sea muy fácil compartirlo", dijo Zheng.

DeepHow usa un motor de inteligencia artificial, que la compañía llama Stephanie, para leer el contenido de audio y video que cargan los usuarios. "Stephanie toma el audio y el video como entrada", dijo Zheng, "y lo primero que hace es tratar de comprender la complejidad y modelar el flujo de trabajo. Luego indexa [la información] y segmenta esa complejidad en partes digeribles, proporcionando paso a paso. guía paso a paso. Stephanie puede entender a expertos que hablan diferentes idiomas y con acentos fuertes. También puede traducir el audio a diferentes idiomas para su posterior distribución.

"Por el lado del aprendizaje, estamos usando la IA de una buena manera. En lugar de que la IA optimice las recomendaciones en las redes sociales, para llamar su atención y volverlo adicto, todo solo para vender más anuncios, estamos usando la IA para mejorar la forma en que presentamos información a los alumnos, teniendo en cuenta dónde se encuentran en su formación de habilidades. Esto ayuda a crear una formación personalizada".

El motor de IA utiliza investigaciones basadas en el aprendizaje profundo, un área de la IA que (simplificada en exceso) imita la red neuronal del cerebro humano. La tecnología adapta lo que Zheng llamó un "modelo de pre-entrenamiento" al entorno industrial. Piense en el pre-entrenamiento como la escuela secundaria. "Ahí es donde aprendes todos estos temas genéricos", dijo Zheng. "Después, te vuelves más concentrado y necesitas aprender un área específica". Eso es efectivamente lo que hace Stephanie cuando analiza una tarea de fabricación específica.

Zheng diferencia el conocimiento del saber hacer. El conocimiento es general, mientras que el saber hacer es aquel conocimiento aplicado para lograr una tarea específica. Cuando las personas tienen ambos, tienen una mejor oportunidad de construir carreras exitosas y satisfactorias en la fábrica.

Aquí es donde entra en juego lo que Zheng llama el "mapa del saber hacer". Lo comparó con Google Maps. Años de datos han hecho que la aplicación de mapas sea cada vez más inteligente. "Simplemente escriba su destino y le mostrará cómo llegar allí, paso a paso, según las condiciones actuales".

El mismo concepto se aplica al mapa de conocimientos. Digamos que un operador de prensa plegadora quiere saber cómo operar otra prensa plegadora con un tipo diferente de controlador. Stephanie conoce su estado actual, es decir, el conocimiento que ya tiene el operador y cómo lo aprendió (qué videos vio, qué partes repitió, con qué frecuencia y durante cuánto tiempo). A partir de una biblioteca de videos llena de esos "trozos digeribles" de conocimientos, Stephanie le da al operador la mejor "ruta" para aprender el otro control.

La naturaleza de esa ruta (cuánto tiempo, cuántos giros y vueltas) depende de qué tan similar sea la tecnología. Aprender a doblar paneles puede requerir una ruta diferente que sea un poco más larga; aprender a cortar con láser puede requerir una ruta aún más larga.

En la actualidad, la tecnología DeepHow se utiliza en Stanley Black & Decker, Anheuser-Busch y otras plantas en los EE. UU. y en el extranjero. En la mayoría de los casos, los usuarios graban a los expertos con su teléfono inteligente, aunque algunos utilizan cámaras más avanzadas. El uso de dispositivos portátiles de grabación de video puede ser especialmente valioso cuando el punto de vista del operador ayuda a transmitir las instrucciones. La tecnología también puede incorporar gráficos ilustrativos.

Además, puede conectarse a los paneles de rendimiento y productividad de toda la empresa. Eventualmente, Zheng ve que dicha IA se convierte en la "pieza faltante" de la fábrica inteligente, una que ayuda a alinear la tecnología en constante cambio con las personas que necesitan aprovechar al máximo esa tecnología.

"Cuando se trata de la Industria 4.0, todo el mundo habla de tecnología y de hacer que las máquinas sean más inteligentes", dijo Zheng. "¿Pero qué pasa con la gente?"