El progreso tecnológico puede cuantificarse a partir de la cantidad y complejidad de tareas que realizan automáticamente los procesos industriales y sistemas productivos sin que medie un proceso deliberativo externo (humano) de intervención acerca de cómo una tarea debe ser realizada. A pesar de los significativos progresos tecnológicos, la componente humana es hoy todavía la única parte de un proceso o sistema productivo que es realmente adaptable, reconfigurable y ágil para poder gestionar con eficiencia y eficacia la calidad de desempeño en un entorno caracterizado por mercados globales de productos y servicios especiales. Esta falta de agilidad, flexibilidad y adaptación autónoma es una causa fundamental de la pérdida de competitividad que se percibe en los sistemas productivos actuales.

 

El objetivo de esta línea de investigación es el desarrollo de metodologías, algoritmos y conceptos que posibiliten un avance significativo hacia la implementación de “sistemas cognitivos de manufactura” como hito imprescindible para lograr un cambio paradigmático en el desarrollo de una nueva generación de procesos industriales y sistemas productivos, donde el rol de la automatización de funciones complejas como la supervisión, optimización y verificación en-línea se considera clave para afianzar y consolidar la agilidad y facilidad de reconfiguración de los procesos industriales en un marco de autonomía, evolución y acumulación del conocimiento.

Para lograr este objetivo los sistemas productivos deben incorporar medios cognitivos similares a los que poseen los seres humanos que les permite reaccionar a situaciones imprevistas, planificiar y razonar sobre cursos de acción alternativos para gestionar fallos y eventos inesperados, aprender y ganar experiencia haciendo, mientras que se recurre a la comunicación con otros agentes cognitivos para integrar aprendizaje con predicción y planificación. La visión de los trabajos que se desarrollan es contribuir a implantar por diseño las funcionalidades relacionadas con el aprendizaje, razonamiento y planificación automática en procesos y sistemas productivos, y a partir de estas nuevas capacidades resolver problemas como la optimización dinámica, supervisión y control de la calidad de desempeño en un marco de incertidumbre paramétrica y errores significativos en la estructura de los modelos y representaciones matemáticas utilizadas en la fase de diseño y escalado de los mismos.

 

De la mano de la manufactura cognitiva, la automatización de tareas de supervisión y optimización en tiempo real de sistemas complejos controlados ha ingresado definitivamente en un cambio paradigmático promovido por la creciente incorporación de la autonomía para actuar en el diseño y programación del aprendizaje por refuerzos como herramienta fundamental para aumentar la seguridad y calidad de prestación. Esta autonomía impone que el diseño de un sistema o proceso enfatice la capacidad intrínseca de aprender, y a partir de ello actuar y tomar las acciones apropiadas para hacer frente a las incertidumbres del entorno sobre el que actúa. La capacidad de aprender como rasgo distintivo del diseño y construcción de una entidad autónoma de control o supervisión (agente autonómico) permite abordar tareas complejas en la jerarquía de control sin necesidad de incluir a priori la lógica de actuación de manera explícita en la programación del controlador. Por el contrario, en los sistemas cognitivos se concibe como la capacidad de transformar una meta, rol, objetivo o requerimiento a satisfacer en una política de actuación adaptativa. Para lograr este objetivo, el sistema o proceso incorpora en su diseño una máquina de aprendizaje automático que le permite transformar la experiencia (real o simulada) en conocimiento y, sustentado en la capacidad de aprender, también adaptarse permanentemente al entorno que le influye y sobre el que actúa.