Cómo construimos modelos predictivos que anticipan peso, densidad, granulometría y humedad — y entregamos al operador un simulador capaz de prever el resultado del reprocesamiento antes de que ocurra.
El reto era transformar variables críticas del proceso productivo de Amorim Cork Solutions en predicciones fiables. Para ello, mapeamos dos universos de datos — el histórico industrial del SCADA y las muestras de laboratorio del ACC Labs — y definimos con precisión qué modelos serían necesarios para cada variable y cada punto de medición de la línea.
La solución abarca 14 combinaciones distintas de producto y variable, con modelos de Regresión Lineal para peso, densidad y humedad, y Regresión Logística para granulometría — la única variable categórica del proceso. Cada modelo fue diseñado en torno a un objetivo de negocio concreto: predecir la salida del REP 1 antes del fin del turno.
| Variable Predicha | Tipo de Modelo | Fuente de Datos |
|---|---|---|
| Peso (MLI 1/2, 0.25/0.5, 0.5/1) | Regresión Lineal | SCADA |
| Peso Biomasa · Excedente | Regresión Lineal | SCADA |
| Densidad (MLI 1/2, 0.5/1) | Regresión Lineal | ACC Labs |
| Humedad (MLI 1/2, 0.5/1) | Regresión Lineal | ACC Labs |
| Granulometría (MLI 0.5/1) | Regresión Logística | ACC Labs |
* Demostración completa de la metodología disponible en el Capítulo 1 del vídeo.
Cada dato consumido por los modelos tiene un origen documentado y una transformación auditable. Construimos un grafo de linaje completo — desde el dato bruto de fábrica hasta el modelo en producción — ejecutándose sobre infraestructura Palantir Foundry.
| Sistema Origen | Dato Consumido | Estado |
|---|---|---|
| SCADA Industrial | Sensores de proceso · 25M+ filas | Automatizado |
| ACC Labs | Muestras de laboratorio por turno | Automatizado |
| Correos de Turno | OCR con Gemini · Datos de cribas y notas | Automatizado |
| MES / EPC | Tipos de lotes y humedad de entrada | Automatizado |
* Arquitectura estructurada de forma discreta sobre infraestructura Palantir Foundry.
Con los datos limpios y unificados, la plataforma ofrece tres capas de inteligencia: evaluación detallada de cada modelo predictivo, investigación de hipótesis de proceso con validación estadística, y una visión operacional turno a turno que conecta lo que ocurrió en la fábrica con lo que los modelos predicen.
Cada modelo se evalúa con distribución de errores, Predicciones vs. Valores Reales y comparación con la línea base — en conjuntos de entrenamiento y prueba separados para garantizar una generalización real.
La plataforma investiga y documenta hipótesis como el impacto de la humedad de la materia prima y la influencia del origen (China vs. otros lotes) en la estabilidad y calidad del producto final.
Evolución de las básculas a lo largo del tiempo, setpoints vs. velocidad real de los molinos, y Rotex/cribas utilizados en cada turno — todo accesible con un selector de fecha.
El Simulador es el punto donde la inteligencia analítica se convierte en herramienta operacional. El responsable de planta configura los parámetros del turno — tipo de materia prima, configuración de molinos e historial de mantenimiento — y recibe, en segundos, la previsión de producción y las especificaciones esperadas del producto final, con intervalos de confianza y probabilidad de fallo por variable.
Parámetros de materia prima, básculas y equipos ajustables desde una única pantalla.
Los modelos de ML activos entregan estimaciones en tiempo real para cada combinación de entrada configurada.
Cada predicción incluye un intervalo inferior y superior, cuantificando la incertidumbre del modelo.
La probabilidad de fallo por producto señala desviaciones de especificación antes de que ocurran en la línea.
Amorim Cork Solutions ya no opera a ciegas. Cada turno comienza con la previsión de calidad del producto final — y el operador puede simular decisiones antes de tomarlas. Si tu operación industrial convive con variabilidad de proceso sin trazabilidad o calidad impredecible en la salida — este problema ya tiene solución. Podemos hacer lo mismo por ti.
