Con el machine learning, el gigante de la industria manufacturera 3M renueva productos antiguos y nuevos

 

El 1916, Minnesota Mining and Manufacturing Company o 3M abrió su primer laboratorio de investigación, un espacio del tamaño de un armario en su fábrica de papel de lija en St. Paul. Una serie de incidentes a lo largo de los primeros 14 años de existencia de la empresa (en uno de ellos, un envío de papel de lija quedó inservible durante el transporte cuando se reveló la mala calidad del papel después que se volcara una caja de aceite de oliva) inspiraron al entonces director general, William McKnight, a crear un espacio para probar los productos para mejorar el control de calidad.

A medida que crecía de influencia de McKnight (se convirtió en presidente de la dirección de 3M en 1949), también crecía la pasión por la calidad. A lo largo de los años, en 3M, los científicos emprendedores lo transformaron todo, de ideas locas a incidentes como el envío de papel de lija e incluso experimentos fallidos, en productos que ahora son esenciales en casa, como la cinta adhesiva y los Post-it.

3M Wired Story image

Cortesía de Wired 

La calidad sigue siendo una faceta intrínseca a la cultura de 3M. Gracias al éxito en el laboratorio, 3M ha ampliado significativamente sus instalaciones de investigación. Actualmente, casi un seis por ciento de los ingresos de la empresa se destinan a I+D. En St. Paul, donde casi 12 000 empleados se unen para crear y lanzar nuevos productos y mejorar los existentes, miles de investigadores y científicos de los laboratorios corporativos se esfuerzan por aportar valor al proceso de innovación.

Uno de los temas más importantes en el campus de 3M es el machine learning. Mediante machine learning en Amazon Web Services (AWS), 3M está mejorando productos de eficacia comprobada, como el papel de lija, y está innovando en nuevos ámbitos, como la atención sanitaria. Quizá como testamento de la efectividad de los programas, los productos de menos de cinco años de antigüedad contribuyen de forma constante a un 30 por ciento de los ingresos de la empresa; cada año, 3M saca al mercado unos 1000 productos nuevos.

"No hay muchas empresas que puedan combinar lo que tenemos como base material sólida con la capacidad digital para crear algo realmente nuevo", aseguró Hung Brown Ton, arquitecto jefe en el laboratorio de sistemas de investigación corporativos de St. Paul. "Esto es lo que nos emociona, aprovechar estas nuevas características en la nube, como el machine learning".

Revisión de un producto de 100 años con machine learning

Después de superar los incontables obstáculos para fabricar papel de lija en los inicios de la empresa, 3M ha seguido mejorando la capacidad abrasiva de su duradero producto. Hasta la incorporación reciente de técnicas de machine learning en el flujo de trabajo de desarrollo de productos, sin embargo, el proceso era extremadamente largo.

El grano de arena ideal (que de hecho es un material sintético llamado Cubitron) es el que corta mejor y dura más. Tradicionalmente, para lograr este material ideal, un técnico de 3M inspeccionaba una tomografía de cada hoja de papel para valorar el número de granos en una hoja. A continuación, el técnico comprobaba cada muestra con una superficie irregular para medir su efectividad e intentar correlacionar la efectividad con el procentaje de granos.

"Esto implica un largo proceso de desarrollo, que supone semanas", aseguró Brown Ton, mientras él y su equipo colaboran con científicos investigadores que desarrollan nuevas muestras y productos abrasivos (incluido el producto que sigue conociéndose coloquialmente como papel de lija).

Con el machine learning en AWS, que los equipos de Brown Ton comenzaron a implementar hace un poco menos de un año, el proceso ahora es mucho más rápido y preciso. Actualmente, el equipo de 3M está probando modelos que utilizan entrenamiento con imágenes tradicional y también aprovechan redes neuronales en Amazon SageMaker. Aunque los técnicos siguen probando las muestras, los modelos analizan las imágenes con bastante mayor rapidez, lo que ayuda a encontrar las mejores opciones. Estos modelos de machine learning permiten a los investigadores analizar cómo pequeños cambios de forma, tamaño y orientación pueden mejorar la aspereza y la resistencia. A su vez, las sugerencias documentan el proceso de fabricación.

Dada la cantidad de datos generados por estos análisis y pruebas (unos 750 GB por cada hoja del tamaño de la palma de la mano), en un principio, el equipo gastaba una cantidad ingente de dinero en los potentes portátiles que había comprado para ejecutar los análisis. "Por tanto, tenía todo el sentido trasladar esta funcionalidad a la nube", dijo Brown Ton, "porque teníamos la enorme limitación de la potencia de computación de cualquier portátil o ordenador de sobremesa convencional que pudiéramos comprar. El proceso actual en AWS es mucho más eficiente, y es una delicia invertir nuestro tiempo en entender los abrasivos en lugar de esperar la recopilación de datos y la finalización de las pruebas".

Conversión de toneladas de texto desestructurado en código facturable

Aunque el papel de lija es la esencia de 3M, a medida que la empresa de fabricación ha crecido se ha expandido en nuevos ámbitos, como la atención sanitaria. 3M fundó su sucursal Health Information Systems (HIS) en 1983, poco después del desarrollo del primer sistema de historia clínica electrónica (HCE) importante. Hoy en día, el 96 por ciento de los hospitales utilizan HCE, en comparación con un mínimo hace diez años, y HIS vio una oportunidad en todos estos datos para crear algo nuevo: un conjunto de productos de codificación médica basados en machine learning.

Para cobrar los servicios a los proveedores de seguros, un proveedor sanitario debe traducir los HCE en los códigos de facturación adecuados. Los errores en el proceso son habituales y pueden ocasionar retrasos en los pagos o facturación excesiva, lo que es fraude. En EE. UU., la mayoría de hospitales lo gestionan con la ayuda de las herramientas de procesamiento de lenguaje natural (NLP) de HIS, que se basan en machine learning en AWS.

David Frazee, director del laboratorio de investigación y veterano en 3M durante 14 años, fue anteriormente el director de tecnología (CTO) de HIS. Aseguró que el proceso tradicional para determinar los códigos de facturación requería que ciertas personas, llamadas codificadores, revisaran cada historia y, en función del conocimiento y la experiencia, eligieran el código correcto entre literalmente 141 000 opciones. "Tres semanas después, es posible que dieras al mismo codificador una historia idéntica y determinara un código diferente", aseguró Frazee.

Desde abril de 2016, HIS ha combinado la experiencia humana imperfecta con modelos de machine learning para reducir los errores en el proceso. La mayor parte de un HCE no tiene estructura; en palabras de Frazee, todo lo que sea más que un garabato hecho por un doctor en una servilleta probablemente califica como una historia. Por lo tanto, hacer que los modelos entiendan qué significa una historia es un hito.

Por eso, los lingüistas enseñan al modelo de NLP a procesar las historias confusas; por ejemplo, para saber que si una nota de un médico indica que una parte del cuerpo está "fría", no significa que el paciente tenga un resfriado. Los codificadores aprueban (o no) la decisión del modelo. Su evaluación retroalimenta el modelo para que pueda mejorar la siguiente vez. El modelo, que procesa la cifra abrumadora de tres millones de documentos al día, aprende rápidamente y en algunos procedimientos selecciona el código correcto en un 98 por ciento de los casos. El modelo en sí se ejecuta en instancias de Amazon EC2 y S3 de alta potencia.

Tanto Frazee como Brown Ton creen que el machine learning en AWS crecerá en toda la empresa en los próximos años.

"El proyecto de i+D de abrasivos es, en mi opinión, una buena representación del futuro de la colisión entre la ciencia de materiales y la ciencia de datos de 3M", asegura Frazee. "Somos una de las mejores empresas de fabricación de materiales del mundo, pero no hemos aprovechado el hecho que tenemos muchos datos sobre nuestros materiales".

"Si piensas en los datos que se incorporan a la nube, recopilados mediante IoT y procesados con machine learning, a la vez que se aprovechan el modelado, la simulación y la posibilidad de visualizar cantidades inmensas de datos, todo se une para nosotros", añade Brown Ton. "Seguir aprovechando estas nuevas características en la nube, en evolución constante, es realmente emocionante para nosotros y nuestros clientes".

 

Coinbase usa el aprendizaje automático para generar un intercambio seguro de criptomonedas

Más información »

Capital One aprovecha el aprendizaje automático para evitar que sus clientes sean víctimas de fraudes

Más información »

El Zendesk, el aprendizaje automático ayuda a las empresas a prestar un servicio al cliente más rápido.

Más información »

En T-Mobile, el aprendizaje automático humaniza la atención al cliente

Más información »