Machine Tran s la t ed by G o og le

A c ta s d e l a C on f e r encia Internacional sobre Ingeniería Industrial y

Gestión de Operaciones Monterrey, México, 3 al 5 de noviembre de 2021

Búsqueda de temas clave en torno a la inteligencia artificial y

Aprendizaje automático como controlador de optimización de procesos

Federico Walas Mateo

Universidad Nacional Arturo Jauretche, Buenos Aires, Argentina
[email protected]

Andrés Redchuk
Universidad Nacional de Lomas de Zamora. Facultad de Ingeniería. Buenos Aires, Argentina.
ETSII. Universidad Rey Juan Carlos. Madrid. España
[email protected]

Resumen

El avance de la tecnología digital en la industria está haciendo posible que los productos y procesos conecten personas,
materiales, energía, plantas y equipos de manera eficiente. Los procesos comerciales más productivos tendrán un impacto en
toda la economía y el medio ambiente. Los productos conectados generan datos que se consideran una fuente clave de ventaja
competitiva, y la gestión y el procesamiento de esos datos generan nuevos desafíos en el entorno industrial. El trabajo a presentar
indaga en el marco de la adopción de la Inteligencia Artificial y la Máquina
Aprendizaje en el sector Industrial bajo la industria 4.0 o marco de fabricación inteligente. Este trabajo se centra en la discusión
sobre la Inteligencia Artificial como motor para la optimización de Procesos Industriales y analiza su vínculo con los operadores
de procesos y las personas en el piso de producción, y IIoT. El artículo incluye un análisis bibliométrico de los temas clave en
torno a la Inteligencia Artificial bajo el paradigma Industria 4.0 o Fabricación Inteligente. Los principales hallazgos están
relacionados con la importancia que ha adquirido el tema desde 2017 en cuanto a artículos publicados, y la complejidad del
abordaje del tema que propone este trabajo en el ámbito industrial.

Palabras
clave Digitalización de la industria, Industria 4.0, IIoT (Internet industrial de las cosas), AI/ML, Cultura basada en datos.

1. Introducción
La cuarta revolución industrial, comúnmente denominada industria 4.0, no se trata solo de la industria. Se trata
de la transformación general del entorno industrial utilizando la integración digital y la ingeniería inteligente. Se
cita como el siguiente nivel de fabricación donde las máquinas se redefinirán en la forma en que se comunican
y realizan funciones individuales (Muhuri et al. 2019).

Otro punto de vista sobre la Industria 4.0 lo da Ibarra et al. (2017), según este trabajo, el nuevo modelo ha sido traído al mundo
de la manufactura por la creciente fusión de la Producción Industrial y las Tecnologías de la Información y la Comunicación (TIC).
Este fenómeno está haciendo posible conectar información, objetos y personas debido a la convergencia de los mundos físico y
virtual en forma de Sistemas Ciber-Físicos (CPS). Por tanto, está posibilitando la transformación de las fábricas en entornos
inteligentes.

Ruiz-Sarmiento et al. (2020) observan que un principio clave del paradigma Industria 4.0 es que los procesos y la maquinaria
deben conectarse en red como una comunidad colaboradora para la recopilación, el intercambio y el análisis de datos con el fin
de predecir comportamientos futuros y buscar soluciones óptimas a posibles problemas. En el artículo, los autores consideran
que, en la actualidad, este principio comienza a ser alcanzable gracias al desarrollo de una serie de tecnologías prometedoras.
Una de estas tecnologías es la denominada CPS. Estos sistemas están mejorados con características de la tecnología de Internet
de las cosas (IoT), lo que les brinda la capacidad de obtener información continuamente de sensores o procesos en toda la
fábrica y reenviarla de forma segura a los centros de datos (generalmente basados en la nube). Esta producción masiva de datos
implica el desarrollo de nuevas herramientas basadas en técnicas Big Data, para su almacenamiento, gestión y procesamiento.
Este conjunto de tecnologías se completa con el Internet de los Servicios (IoS), que toma la información procesada de las
herramientas de Big Data y la despliega en el lugar correcto y en la forma adecuada.

© IEOM Sociedad Internacional 971

Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

Da Silva et al. (2019) brinda un enfoque interesante para la optimización de procesos industriales y la fabricación inteligente. En este
artículo se dice que se han ampliado las oportunidades para el desarrollo de industrias inteligentes. Además, la evolución de los
procesos productivos está impulsada por la demanda del mercado de tecnologías y procedimientos más eficientes, estándares de
calidad y reducción de costos, así como por la mejora tecnológica. Además, se tratan una gran variedad de temas sobre la Industria
4.0, un concepto señalado por los expertos como la Cuarta Revolución Industrial. El enfoque principal del nuevo paradigma de
producción es traer a las industrias existentes procesos más inteligentes y adaptables, con un mejor uso de los recursos de
producción.

Moica et al. (2018) observa que la mejor manera de digitalizar los sistemas de producción hacia la Industria 4.0 puede ser optimizando
los procesos internos y externos gracias a las nuevas tecnologías habilitadoras como Big Data, Cloud Computing, Robots
Colaborativos, Fabricación Aditiva, Visión Artificial o Realidad Aumentada. Esto permitirá aumentar la eficiencia y mejorar el
rendimiento. La importancia de algunas de las disciplinas de la Industria 4.0, como el big data y el análisis, están mostrando cómo la
ciencia de datos puede contribuir a crear valor y beneficios comerciales para las empresas industriales, a través del desarrollo de
modelos analíticos para explicar y predecir el comportamiento de los procesos.

Existen diferentes trabajos en temas de Inteligencia Artificial para la búsqueda de mejores procesos operativos los cuales han
motivado la investigación que se desarrolla en este trabajo. Uno de ellos es el artículo “Un sistema de soporte de decisiones difusas
para gestionar actividades de mantenimiento de componentes críticos en sistemas de fabricación” de ÿhsan Erozan (2019), otro que
despierta interés es “Aplicaciones de aprendizaje automático en líneas de producción: una revisión sistemática de la literatura” de
Ziqiu Kang et al. (2020). Estos documentos brindan excelentes conocimientos y conceptos sobre IA/ML para optimizar las operaciones
industriales. Al igual que otros trabajos, estos artículos se centran en la metodología analítica y los beneficios de aplicar Inteligencia
Artificial y Aprendizaje Automático (AI/ML) en procesos industriales. En este punto, no hay dudas sobre el valor agregado y la
viabilidad
del análisis de datos en la fabricación. Lo que se pretende estudiar en esta investigación es el estado del arte de la ciencia de datos
en el entorno industrial y sobre todo cómo democratizar el uso de AI/ML y llegar a un despliegue más masivo para buscar la
excelencia en
los procesos productivos.

Este artículo pretende profundizar en el concepto de AI/ML como solución para impulsar la optimización de procesos bajo el nuevo
paradigma de fabricación del trabajo anterior, Walas Mateo & Redchuk (2021). La discusión inicia proponiendo el marco conceptual,
luego establece los objetivos e hipótesis de la investigación, luego avanza a los hallazgos preliminares para profundizar en un análisis
bibliométrico en torno a la idea de AI/ML como una herramienta para la optimización de procesos dentro de la industria. marco del
modelo Industria 4.0. Metodológicamente, se realizó un mapeo tecnológico a través de un ejercicio en base de datos indexada
Scopus, cuyos resultados se analizaron mediante indicadores bibliométricos.
A través de estos indicadores se obtuvo información sobre los principales autores, y evolución de la relevancia del tema. El análisis
se completó mediante el uso de la herramienta de software VOSviewer® 1.6.11 (http://www.vosviewer.com/), para analizar los
resultados en el marco de este trabajo y facilitar la obtención de conclusiones.

2 Marco Conceptual
Porter y Heppelmann (2014) establecen que la base de la ventaja competitiva es la eficacia operativa y requiere adoptar las
mejores prácticas en toda la cadena de valor, incluidas las tecnologías de productos actualizadas, el equipo de producción más
reciente y la tecnología más avanzada. métodos de la fuerza de ventas, soluciones de TI y enfoques de gestión de la cadena de
suministro.

En un trabajo posterior, Porter & Heppelmann (2015) destacan el valor de los datos para mejorar el diseño, la eficiencia operativa y el
mantenimiento, entre otros beneficios en el uso de los datos. Señalaron que la combinación de datos de monitoreo y capacidad de
control remoto a través de equipos y dispositivos conectados crea nuevas oportunidades para la optimización. Los algoritmos podrían
mejorar sustancialmente el rendimiento, la utilización y el tiempo de actividad del producto, y cómo funcionan los productos con
productos relacionados en sistemas más amplios, como edificios inteligentes y granjas inteligentes. Luego, la combinación de datos
de monitoreo, control remoto y algoritmos de optimización permite la autonomía. Los productos pueden aprender, adaptarse al
entorno y a las preferencias del usuario, prestarse servicio por sí mismos y funcionar por sí solos.

Industrial Internet of Things (IIoT) hace posible conectar dispositivos y obtener datos a partir de la lectura de los dispositivos. Porter y
Heppelman (2015) explican que vincular combinaciones de lecturas con la ocurrencia de problemas puede ser útil, e incluso cuando
la causa raíz de un problema es difícil de deducir, se puede actuar sobre esos patrones. Los datos de los sensores que miden el
calor y la vibración, por ejemplo, pueden predecir una falla inminente de un rodamiento con días o semanas de anticipación.
capturando
© IEOM Sociedad Internacional 972
Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

dicha información es el dominio del análisis de big data, que combina técnicas de análisis de negocios, matemáticas y ciencias de la
computación.

Tomas Davenport (2018) trae un interesante artículo sobre la evolución de la inteligencia artificial (IA). En este trabajo afirma que la
analítica 4.0 es el siguiente paso en la sofisticación analítica de las organizaciones, y es la era de la inteligencia artificial o tecnologías
cognitivas. Se adoptó ampliamente, con tasas de adopción, según la geografía, del 20 al 30 % en grandes empresas en 2016 y 2017.
Presenta no solo el uso de métodos de IA, sino también un mayor uso de la autonomía en la ejecución de los métodos, en particular
aprendizaje automático automático (ML).

Un artículo reciente de Davenport (2020), que se basa en una investigación de Deloitte sobre el uso de herramientas de IA en la industria,
destaca cómo han disminuido las barreras para la adopción de herramientas de inteligencia artificial. Basado en una encuesta de más de
2727 ejecutivos globales de nueve países, y todas sus organizaciones han adoptado IA. Los hechos clave que surgen del artículo son que
los encuestados sienten que la IA es cada vez más fácil y seguirá haciéndolo.

Luego, hay dos ideas interesantes del artículo de Davenport (2020). El primero es la preferencia por comprar tecnología de IA prefabricada
en lugar de construirla. De hecho, en algún momento será difícil no comprar. Otro ítem apunta que el 74% de estos ejecutivos coincidieron
en que “la IA se integrará en todas las aplicaciones empresariales dentro de tres años”. En términos de la práctica actual, el 50% dice que
"comprará todas" sus capacidades de IA. El segundo, se trata de los riesgos que el adoptante ve sobre la IA. Algunos de los riesgos
específicos que más preocuparon a los encuestados fueron los problemas de ciberseguridad, las fallas de IA que podrían afectar las
operaciones comerciales, el uso indebido de datos personales y los cambios regulatorios que involucran IA/ML.

Iansiti y Lakani (2020) conceptualizan la fábrica de inteligencia artificial (IA) como el núcleo de la empresa moderna, donde se industrializa
la recopilación de datos, el análisis y la toma de decisiones. La fábrica de IA es el motor de decisión escalable que impulsa el modelo
operativo digital, donde se crea valor, de la empresa del siglo XXI. Las decisiones gerenciales están cada vez más integradas en el
software, que digitaliza muchos procesos que tradicionalmente han sido llevados a cabo por los empleados. Los modelos operativos
digitales pueden tomar varias formas, las fábricas de IA están en el centro del modelo, guiando los procesos más críticos y las decisiones
operativas, mientras que los humanos se trasladan al límite, fuera del camino crítico de la entrega de valor. A partir de los conceptos de
estos autores se deben considerar dos puntos en este trabajo. El primero es transformar el entorno industrial en un entorno de AI Factory,
y el segundo es el nuevo rol del operador industrial o el ingeniero industrial.

Una última cuestión a considerar es lo que Ibarra et al. (2017) mencionan sobre los efectos del fenómeno considerado como la Cuarta
Revolución Industrial. En el artículo de este autor se establece que será el motor de innovación más poderoso de las próximas décadas
desencadenando la próxima ola de innovación. Así, las principales características relacionadas con la Industria 4.0 como son la capacidad
en tiempo real, la interoperabilidad y la integración horizontal y vertical de los sistemas productivos a través de sistemas TIC, se plantean
como la respuesta a los retos actuales que deben afrontar las empresas para mantenerse competitivas en términos de la globalización y
la intensificación de la competitividad, la volatilidad de las demandas del mercado, la innovación y los ciclos de vida de los productos más
cortos y la creciente complejidad en torno a productos y procesos. La adopción de modelos de datos, especialmente cuando se trabaja
con industrias pesadas donde no es posible cambiar a equipos y máquinas de última generación, y la digitalización podrían ayudar a
mejorar el rendimiento de activos con décadas de uso en industrias como la siderúrgica o la generación de energía.

3. Objetivo del Trabajo, Hipótesis de la Investigación Teniendo algunas

evidencias sobre el uso y beneficios de la analítica de datos en el entorno productivo bajo el nuevo paradigma industrial, este trabajo tiene
como objetivo profundizar en el estudio del uso de la Inteligencia Artificial y de las Máquinas. Aprendizaje en el entorno industrial para
mejorar los procesos industriales, en particular en el marco de la Industria 4.0.

Hay muchas formas de mejorar los procesos, como ejemplos se puede considerar un mejor control de los procesos para mejorar la
calidad, optimizar los procesos para aumentar el rendimiento, mejorar la eficiencia energética para reducir las emisiones de carbono, entre
otras estrategias.

Para hacer más clara la hipótesis que impulsa este trabajo, es interesante considerar lo que Da Silva et al. (2019) observan sobre la
implementación del concepto de Industria 4.0. Este artículo apunta que además del conocimiento técnico, se deben evaluar una diversidad
de otros temas, tales como (i) ¿cuáles son las ventajas y desafíos que presenta este concepto? (ii) ¿Cuáles son los recursos que las
empresas necesitan disponer? (iii) ¿Cuáles son las barreras inherentes a la adopción

© IEOM Sociedad Internacional 973

Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

¿proceso? Comprender estos temas es primordial para una mejor dirección con respecto a la implementación y el desarrollo de la Industria 4.0.

Otra observación que es objeto de este trabajo es lo dicho por Muhuri et al. (2019) sobre estudios que han demostrado que la digitalización de
productos y servicios se ha convertido en una necesidad para un ecosistema industrial sólido. Sin embargo, estos requisitos y tecnologías
avanzadas han hecho que los sistemas sean más complejos y han dado lugar a muchos otros desafíos, como la ciberseguridad, la
confiabilidad, la integridad, etc. Estos son los principales cuellos de botella que deben superarse para el diseño y la implementación exitosos
de la Industria 4.0.

Este documento tiene como objetivo tomar en consideración los problemas mencionados en los párrafos anteriores, en el marco de la
adopción de soluciones AI/ML. Un tema clave a explorar es cómo los operadores de procesos o los ingenieros industriales pueden hacer frente
al desafío que significa la disrupción que se produce en el escenario industrial al adoptar modelos de análisis de datos. Por lo tanto, la
pregunta es la forma en que el piso de producción capturará el valor que genera AI/ML, si el operador de procesos o el ingeniero industrial a
nivel de procesos avanzan en el dominio de las herramientas de análisis, o las soluciones que los gerentes deberían comprar según
Davenport. (2020) se ajustará al lenguaje y necesidades de las personas que trabajan en el proceso.

Para las operaciones industriales, AI/ML es un cambio de paradigma, en términos de Brun et al. (2019) AI/ML también representa una
actualización del proceso, es decir, mejorar el proceso. Bajo este punto de vista, se deben considerar algunas otras cosas en este documento,
como el tiempo y los recursos necesarios para implementar y capturar el valor de AI/ML en el piso de producción, los costos y el ROI, la calidad
y cantidad de datos necesarios para alimentar los modelos, entre otros elementos. . Otro tema que despierta curiosidad con respecto a AI/ML
como motor de optimización de procesos es la integración con IoT y su evolución desde la tecnología principal de innovación de vanguardia y el
potencial para producir datos para alimentar modelos de AI/ML.

Además, tiene como objetivo buscar alguna evidencia que pueda probar la viabilidad de capturar el conocimiento y el talento de las personas
del proceso con las herramientas IA/ML.

4. Conceptos sobre Bibliometría y Trabajos Asociados a Hipótesis

En el presente trabajo se desarrollará un análisis bibliométrico sobre el tema de Inteligencia Artificial, optimización de procesos e Industria 4.0
para abordar las hipótesis planteadas en el punto anterior.

Merediz-Solà & Bariviera (2019) establecen que los estudios bibliométricos se han convertido en una disciplina emergente y pujante, dada la
importancia que ha adquirido la evaluación de la producción científica en los últimos tiempos. También dicen que los artículos científicos ahora
se recopilan e indexan en grandes bases de datos, lo que permite medir diferentes aspectos de dichos artículos, como el número de autores,
palabras clave, tema, citas, colaboración institucional, etc. El fundamento para indexar artículos es el siguiente : los autores citan otros artículos
debido a su conexión con la idea central de su artículo. Dado que
los autores deben seleccionar cuidadosamente qué artículos citar, incluyendo solo los más relevantes y más estrechamente relacionados
con su artículo, la mayoría de los artículos citados podrían reflejar la importancia de ellos dentro de su disciplina.

La Minería Bibliométrica y de Texto se basa en la búsqueda de comportamientos estadísticamente regulares en el tiempo en los diferentes
elementos relacionados con la producción y consumo de información científica relevante. Así, se logran explicaciones globales de los
fenómenos observados mediante la formulación de leyes bibliométricas: productividad autoral, dispersión bibliométrica, crecimiento
exponencial, obsolescencia bibliográfica científica.

Partiendo de esta premisa, el objetivo de este trabajo es el estudio exploratorio a través de un análisis bibliométrico sobre el concepto de Industria
4.0. Como base para el análisis, el artículo titulado "Industria 4.0: un análisis bibliométrico y una descripción detallada" de Muhuri et al. (2019).
Este trabajo brindó una interesante muestra del estado del arte de la tecnología en torno al concepto bajo análisis, considerando el estudio
bibliométrico. Los autores resumieron la evolución y el crecimiento en relevancia del concepto de industria 4.0 en los últimos años y brindan
información general concisa y varias áreas de aplicación.

La tarea de análisis se inició con la definición de los criterios de búsqueda. En este caso, estas son las palabras clave en inglés,
inteligencia artificial, optimización de procesos, industria 4.0 y las alternativas industria 4.0, fabricación inteligente y sistemas de
fabricación
avanzados. Cabe aclarar que la búsqueda se realizó en inglés dada la naturaleza de la base de datos de artículos utilizada. A
continuación se muestra la metodología utilizada)
© IEOM Sociedad Internacional 974
Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

5. Metodología Utilizada en el Trabajo

Una vez establecidas las palabras clave, se buscó en la base de datos Scopus. Scopus fue seleccionado considerando que es
una de las bases de datos científicas más amplias. La búsqueda considera filtrar los resultados anteriores a 2011, debido a que
este es el año que se considera fundacional del concepto de Industria 4.0.

Por otro lado, para seleccionar las palabras clave dentro de la búsqueda se tomaron en cuenta los términos antes mencionados.
Las palabras clave incluidas en el título, resumen y/o texto completo se combinaron mediante los operadores booleanos "AND" y "OR".

La consulta de búsqueda utilizada fue la siguiente:

TODOS ("Inteligencia Artificial" Y "optimización de procesos" E "industria 4.0"

O "Fabricación inteligente" O "fábrica inteligente" O "industria 4.0")

Una vez obtenidos los resultados, se realizó un análisis de principales autores, evolución del número de publicaciones sobre el tema y
principales países de origen de las publicaciones. Luego se exportó la base de datos en un archivo CSV, para analizar los resultados en
detalle. La exportación se realizó en dos formatos, el primero con la información relacionada con los datos bibliográficos completos, y luego
otro archivo que contiene solo las palabras clave y los resúmenes de los trabajos encontrados.

Posteriormente, se completó el análisis incorporando la base de datos a la herramienta de software VOSviewer® 1.6.11 para visualizar la
concentración de los autores más relevantes y el agrupamiento de palabras clave más asociadas a los conceptos de interés. VOSviewer®
es el software de visualización de información más utilizado para seleccionar las principales palabras clave utilizadas por los autores en
sus artículos Muhuri et al. (2019).

6. Resultados y Discusión La
búsqueda con la metodología descrita en el apartado anterior se realizó el 22 de diciembre de 2020 y arrojó 167 resultados. El
primer parámetro a analizar es la evolución del número de documentos por año que, como se muestra en la Figura 1, ha ido
creciendo desde 2014 cuando aparecieron los primeros artículos en torno al tema que se trata en este artículo.

La primera información interesante de la búsqueda es que el tema está ganando interés, se puede ver por la curva de crecimiento exponencial,
teniendo en cuenta la evolución de los primeros 2 artículos en 2014, a un número de 74 publicados en 2020.
Un tema a considerar para el crecimiento exponencial de la producción en los últimos años es que en mayo de 2017, Sundar Pichai, CEO de
Google, anunció que el enfoque estratégico de Google estaba cambiando de móvil a “IA primero”. Iansiti & Lakani (2020) observa que, desde
sus inicios, los modelos operativos y de negocios de la empresa siempre estuvieron impulsados por datos, redes y software. En ese momento,
la empresa ya había invertido mucho en IA, eclipsando a la mayoría de las otras empresas y universidades en el número de publicaciones y
patentes.

Figura 1. Evolución del número de publicaciones sobre IA y optimización de procesos en el modelo Industria 4.0.
De la base de datos de Scopus

© IEOM Sociedad Internacional

975
Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

El segundo ítem que se observó de la búsqueda en Scopus fueron los autores más prolíficos en el tema estudiado. Para visualizar los autores
con más trabajos en el tema de interés para este trabajo es utilizando la herramienta VOSviewer. Entonces se pudo ver la concentración de
autores de una forma más gráfica. A continuación, en la figura 2, se muestra la concentración de autores, en función del número de
publicaciones.

Figura 2. Concentración de autores relevantes en Optimización de Procesos, Inteligencia Artificial bajo el marco de Industria 4.0
en SCOPUS, generado con VOSviewer.

Principales palabras clave en el campo estudiado en Scopus

Finalmente, las palabras clave fueron analizadas con el agrupamiento generado por la herramienta de software VOSviewer® 1.6.11, a
partir del archivo CSV generado por la base de datos SCOPUS. Los resultados se muestran en la figura 3, que permite contar las palabras
que aparecen en el título, resumen y palabras clave para construir todas las relaciones que aparecen entre los diferentes documentos
publicados en SCOPUS (Van Eck & Waltman, 2020).

La Fig. 3 representa el mapa de nubes con palabras relevantes de los artículos. Este mapa muestra los conceptos más relevantes, ya que
aparecen en los artículos más de 8 veces, y qué tan relacionados están entre ellos. La nube muestra cinco grupos de palabras y,
analizando la naturaleza de cada una, la nube se puede dividir en dos partes. El lado derecho que muestra menor densidad, con el cluster
amarillo y violeta relacionado con conocimientos y habilidades blandas. El amarillo relacionado con estrategia y madurez de la firma con
palabras como gestión, conocimiento, desempeño, entre otras; el grupo violeta está relacionado con términos de investigación.

Luego a la izquierda, más denso en los enlaces entre palabras. Hay tres grupos, rojo, verde y azul claro. El rojo está relacionado con IA en
la fábrica y la fábrica inteligente; el verde está relacionado con la fabricación inteligente, la integración y el control; luego, el tercer grupo del
lado derecho muestra la relación entre conceptos como CPS, IoT, cliente, demanda y servicio.

Se puede observar que IIoT y Personas u operador no se encuentran entre las palabras relevantes en la literatura relacionada
con optimización de procesos e IA bajo el modelo Industria 4.0.
© IEOM Sociedad Internacional
976
Machine Translated by Google
Actas de la Conferencia Internacional sobre Ingeniería Industrial y Gestión de Operaciones
Monterrey, México, 3 al 5 de noviembre de 2021

Figura 3. Mapa de nubes de palabras en títulos y resúmenes (conteo completo), generado con VOSviewer.

7. Líneas de Investigación Potenciales

Este trabajo ha sido un buen ejercicio para analizar la complejidad que supone implicar IA/ML en los procesos industriales para optimizarlos.
Algunas de las cuestiones a seguir analizando la IA/ML en los procesos industriales son conceptos a primera vista como la ciberseguridad,
la complejidad del despliegue y el impacto.

Uno de los próximos pasos en esta línea de investigación es avanzar en la forma en que los datos a través de la analítica se integrarán
en las prácticas tradicionales de la organización industrial.

Otro elemento a seguir explorando es el impacto de las soluciones AI/ML en los operadores de procesos o ingenieros industriales.
El análisis bibliométrico de este trabajo no ha dado muchas pistas sobre este tema, por lo que debería ser tratado en futuras
investigaciones.

Finalmente, para continuar con este trabajo se puede profundizar en las implicaciones para toda la organización y gestión
de los cambios o alteraciones que produce la adopción de AI/ML bajo el paradigma de la Industria 4.0.

8. Conclusión Lo
primero a mencionar como conclusión es la gran cantidad de información y el potencial que tiene el tema a futuro. Se ve que el concepto
tiene un largo camino por recorrer para madurar y adaptarse para captar la atención del mundo industrial de forma masiva. Se puede
observar que más del 50% de los trabajos que se destacaron en la última sección, 8 de 15, fueron publicados en 2020.

Por otro lado, se puede observar que el concepto actualmente es bien conocido y dominado por Investigadores, Matemáticos e Ingenieros
en el campo de la investigación de software y operaciones, entre otros. Parece surgir una gran duda con respecto al conocimiento del
concepto y el valor que AI/ML puede agregar en el taller para el operador del proceso. En esta línea, el trabajo de Davenport (2020) arroja
algunas luces sobre el conocimiento del tema por parte de los Directivos.

© IEOM Sociedad Internacional 977

Machine Tran s la t ed by G o og le
A c ta s d e l a C on f e r encia Internacional sobre Ingeniería Industrial y
Gestión de Operaciones Monterrey, México, 3 al 5 de noviembre de 2021

Otro hallazgo de este trabajo, es que los dos términos abordados por este trabajo en cuanto a IA/ML y optimización de procesos
industriales no son los más considerados en el análisis bibliométrico en la base de datos SCOPUS, como se puede apreciar en la
nube de palabras de la figura 3.

La complejidad y la diversidad de temas que involucra IA/ML bajo el modelo Industria 4.0 como motor de optimización de Procesos.
Esta observación surge después de analizar los cinco grupos de palabras clave que se muestran en la figura 3. Se puede ver que
involucra la integración entre las habilidades blandas y técnicas para transformar la planta tradicional en un sitio de fabricación
inteligente.

Agradecimientos
Los autores desean agradecer a dos proyectos de investigación que hicieron posible el contenido de este artículo. Los proyectos son
"Metodologías de abordaje al modelo Industria 4.0 en PyMEs, el rol de la Empresas de Base Tecnológica (EBT), los recursos
humanos, y el ecosistema de Innovación", aprobado por Resolución (R) No. 183-21- UNAJ Programa INVESTIGA, y “Mejora de
Procesos, Optimización y Data Analytics: Aplicación en Procesos e Industrias de Interés Regional Mediante Estudios de Casos
Reales”, aprobado por Resolución de la Facultad de Ingeniería de la UNLZ.

Referencias
Porter, M., Heppelmann, J. (2015). Cómo los productos conectados e inteligentes están transformando las empresas. Revisión de
negocios de Harvard. Octubre de 2015 Obtenido de https://hbr.org/2015/10/how-smart-connected-products-are-transforming
Companies.
Iansiti, M., Lakhani, K. (2020). Competir en la era de la IA: estrategia y liderazgo cuando los algoritmos y las redes gobiernan el
mundo . Boston,LMLCA:. Harvard Business Review Press Davenport, TH (2020). ¿Se está volviendo más fácil la IA? Forbes
Media

Ibarra, D., Ganzaraína, J. , Igartúa, JI. (2017). Innovación del modelo de negocio a través de la Industria 4.0: una revisión. 11ª
Conferencia Internacional Interdisciplinariedad en Ingeniería, INTER-ENG 2017, octubre de 2017, Tirgu-Mures, Rumania.

Ruiz-Sarmiento, JR, Monroy, J., Moreno, FA, Galindo, C., Bonelo, JM, Gonzalez-Jimenez, J. (2020). Un modelo predictivo para el
mantenimiento de maquinaria industrial en el contexto de la industria 4.0. Aplicaciones de Ingeniería de la Inteligencia Artificial
87 103289.
Muhuri, PK, Shukla, AK y Abraham, A. (2019). Industria 4.0: un análisis bibliométrico y una descripción detallada.
Aplicaciones de ingeniería de inteligencia artificial, 78, 218–235.
Moica, S.; Ganzaraín, J.; Ibarra, D.; Ferencz, P. Cambio realizado en la gestión de planta para transformar un sistema de producción
convencional en una "Industria 4.0": estudios de caso en la fabricación de producción automotriz de PYME. En Actas de la 7.ª
Conferencia Internacional sobre Tecnología y Gestión Industrial (ICITM 2018), Oxford, Reino Unido, 7–9 de marzo de 2018;
IEEE: Nueva York, NY, EE. UU., 2018; págs. 51–56.
Davenport, TH (2018). De la analítica a la inteligencia artificial. revista de negocios Analítica, 1:2, 73-80,
DOI: 10.1080/2573234X.2018.1543535.
Van Eck, J., Waltman, L. (2020). Manual para VOSviewer versión 1.6.15. Universidad de
Leinden.
Walas Mateo, F., Redchuk, A. (2021). El surgimiento de nuevos modelos operativos y de negocios bajo el paradigma industrial digital.
Internet industrial de las cosas, plataformas e inteligencia artificial/ aprendizaje automático. Revista de Ingeniería Mecánica
y Automatización (JMEA) 11 (2), 54-60
Da Silva, VL, Kovaleski, JL, Negri Pagani, R., De Matos Silva, J., Corsi, A. (2019). Implementación del concepto Industria 4.0 en las
empresas: evidencias empíricas. Revista internacional de fabricación integrada por computadora, 33:4, 325-342, DOI:
10.1080/0951192X.2019.1699258
Erozan, I. (2019). Un sistema de soporte de decisiones difusas para gestionar actividades de mantenimiento de componentes críticos
en sistemas de fabricación. Revista de Sistemas de Manufactura. junio de 2019.
Kang, Z., Catal, C., Tekinerdogan, B. (2020) . Aplicaciones de aprendizaje automático en líneas de producción: una
revisión de literatura. Informática e Ingeniería Industrial 149.
L. Brun, L., Gereffi, G., Zhan, J. (2019). La “ligereza” de las empresas líderes de la Industria 4.0: implicaciones para las cadenas de
valor globales. En Libro Transformando la Política Industrial para la Era Digital: Producción, Territorios y Cambio Estructural.
Editor: Edward Elgar Publishing Ltd.
Merediz-Solà, I., Bariviera, AF (2019). Un análisis bibliométrico de la producción científica bitcoin. Investigación en Negocios y
Finanzas Internacionales 50. 294–305.

© IEOM
Sociedad Internacional
978
Machine Tran s la t ed by G o og le
A c ta s d e l a C on f e r encia Internacional sobre Ingeniería Industrial y
Gestión de Operaciones Monterrey, México, 3 al 5 de noviembre de 2021

Biografías
Federico Walas Mateo recibió su MSc. en Sistemas Avanzados de Fabricación de la Universidad de Kingston, Reino
Unido. Es Profesor Titular y Coordinador de Ingeniería Industrial del Instituto de Ingeniería y Agronomía de la
Universidad Nacional Arturo Jauretche (UNAJ). Federico es estudiante de doctorado e investiga en Fabricación
inteligente, Industria 4.0, Ecosistemas de innovación, Innovación abierta, Startups tecnológicas, Modelos basados en
datos. El proyecto
actual es "Metodologías de abordaje al modelo Industria 4.0 en PyMEs, el rol de la Empresas de Base
Tecnológica (EBT), los recursos humanos, y el ecosistema de Innovación".

Andrés Redchuk se doctoró en la Universidad Rey Juan Carlos (España). Sus actividades de investigación se
centran en la mejora de procesos con optimización e investigación operativa. Su trabajo se relaciona con Inteligencia
de Calidad, Mejora de Procesos, Excelencia Operacional, Optimización, Ingeniería Industrial, en particular, la
metodología Lean Six
Sigma.
© IEOM Sociedad Internacional 979