La computadora personal ha tenido un impacto monumental en la productividad de los trabajadores de escritorio. La era de los planos, las máquinas de escribir, los teléfonos de escritorio y los archivos en papel ha dado paso a las plataformas de CAD, reconocimiento de voz, correo electrónico y software. Casi todos los aspectos de cómo se realiza el trabajo han cambiado completamente en las últimas tres décadas, desde la creación hasta la comunicación y el control.
Al igual que en generaciones anteriores de innovación tecnológica, la implementación de computadoras de escritorio inicialmente requería una cantidad considerable de abstracción y curvas de aprendizaje empinadas: crear incluso un simple boceto en una pantalla requería habilidades de codificación y matemáticas. Se requirieron expertos y muchos niveles de conocimiento mitigados para utilizar de manera efectiva este recurso de trabajo recién creado. A medida que las computadoras y el software evolucionaron, su uso se hizo más intuitivo, pero sus usuarios aún estaban atados a los escritorios.
La era posterior de la movilidad ayudó mucho. Desató el dispositivo y condujo a la creación de soluciones totalmente nuevas que superaron los desafíos de la ubicación, el tiempo real y el consumo visual del mundo.
Pero hay un grupo que, comparativamente hablando, se benefició mucho menos de todos estos cambios: las legiones de trabajadores que no trabajan en el escritorio: los que están en el piso de la fábrica, en los postes de teléfono, en las minas, en las plataformas petrolíferas o en la granja para quienes incluso la laptop o tableta robusta es poco práctica o inconveniente. La era móvil desencadenó a los trabajadores de escritorio de sus escritorios, pero su contribución a los trabajadores en el campo, a la gente que trabaja en cosas en lugar de información, fue insignificante. Trabajar en cosas a menudo requiere ambas manos para hacer el trabajo, y tampoco se asigna bien a una abstracción de escritorio.
Ingrese al dispositivo portátil, una nueva clase de dispositivo habilitada por miniaturización de componentes impulsada por dispositivos móviles, la proliferación de tecnología de sensores asequible y el movimiento hacia la nube.
Los dispositivos portátiles comenzaron como un fenómeno de consumo (piense en los relojes inteligentes), en su mayoría basados en sensores. Inicialmente, se enfocaron en elevar la utilidad del sensor incorporado y su éxito en el mercado fue proporcional a la forma en que la corriente de datos del sensor podría ser llevada a perspectivas significativas y personalizadas. Con la entrada de los actores móviles “tradicionales”, el rol de los wearables se expandió para facilitar el acceso, de manera simplificada, a los dispositivos más poderosos en posesión de un usuario (por ejemplo, su teléfono inteligente). El mercado de consumo de wearables continúa girando en torno a las nociones gemelas de acceso y autocontrol. Sin embargo, para comprender las implicaciones más profundas y a largo plazo de la aparición de dispositivos portátiles inteligentes, debemos mirar hacia el mundo industrial.
Google Glass, la primera pantalla comercial asequible en cabeza (HMD), escribió un importante y nuevo capítulo en la historia de wearable. A pesar de que falló como un dispositivo de consumo, catalizó con éxito la introducción de HMD en la empresa. Quizás aún más importante, este nuevo tipo de dispositivo fue el primero en integrarse con otros sistemas empresariales, agregando el poder de cómputo de un nodo y la nube, centrado en el usuario. Sin embargo, a diferencia del cambio a dispositivos móviles, esto tiene el potencial de impulsar cambios profundos en las vidas de los trabajadores de campo y podría ser un presagio de cambios aún más profundos en la forma en que todos nosotros interactuamos con el mundo digital.
División del Trabajo: Re-empoderando a la fuerza laboral humana
Las computadoras y los dispositivos de mano tuvieron un impacto limitado en los trabajadores que no son de escritorio. Pero los cambios tecnológicos como la automatización, la robótica y la Internet de las cosas (IoT) tuvieron un profundo impacto, dividiendo efectivamente el mundo industrial en un trabajo adecuado para robots y un trabajo que no lo es. Y la línea que demarca esta división en sí misma está en continuo movimiento.
Los primeros sistemas robóticos se centraban en la automatización de actividades precisas, repetitivas y, a menudo, físicamente exigentes. Los avances más recientes en tecnología analítica y de apoyo a la toma de decisiones (p. Ej., Aprendizaje automático e inteligencia artificial [AI]) y la integración a través de IoT han llevado a la extensión de los robots físicos al dominio digital, uniéndolos con sus homólogos de software (agentes de software, bots, etc.), capaz de dar una respuesta más dinámica al mundo que los rodea. De este modo, la automatización se está volviendo más autónoma y, a medida que lo hace, se está alejando cada vez más de sus confines aislados y estrechamente controlados y se está entrelazando cada vez más con la actividad humana.
Debido a que la automatización desplaza intrínsecamente la participación humana en los procesos industriales, los rápidos avances en el análisis, el procesamiento complejo de eventos y la toma de decisiones digitales han generado inquietudes acerca de la posibilidad de “obsolescencia humana” y preocupación. Sin embargo, la comunidad de IA ha subestimado constantemente la sofisticación del cerebro humano y los límites a la autonomía de la máquina basada en la IA en el mundo real han permanecido claros: creatividad, toma de decisiones, actividad compleja, no repetitiva, reconocimiento de patrones no entrenable, autoestima. La evolución dirigida y la intuición siguen siendo en gran medida los dominios de la fuerza laboral humana, y es probable que sigan así durante algún tiempo.
Incluso las máquinas autónomas más sofisticadas solo pueden operar en un entorno altamente restringido. Los vehículos autónomos, por ejemplo, dependen de carreteras regulares y bien marcadas, y es muy probable que la meta de un “vehículo autónomo desatendido” requiera una amplia orquestación e infraestructura física, y la resolución de algunos problemas de seguridad muy graves. Por el contrario, el cerebro humano está extraordinariamente bien adaptado para operar en la extrema confusión del mundo real y es una maravilla de eficiencia. En lugar de intentar reemplazarlo con procesos totalmente digitales, una estrategia más segura y rentable sería encontrar formas mejores y más cercanas de integrar el procesamiento humano con el mundo digital. El papel de la tecnología portátil proporciona un primer camino hacia adelante en este sentido.
Los casos de uso industrial inicial para los wearables han tendido a enfatizar la productividad humana a través de la incorporación del monitoreo y el acceso “apropiado para el campo” a información específica de la tarea. Los primeros casos de uso incluyeron capacitación y habilitación de personal de campo con menos experiencia para operar con menos orientación y supervisión. Algunos buenos ejemplos son Onsight de Librestream, que crea “expertos virtuales”, el X-pick de Ubimax que guía a los recolectores de almacenes o las soluciones AR-Training de Atheer’s . La solución Connected Plant de Honeywell va un paso más allá: es una plataforma estilo “Internet Industrial of Things (IIoT)” que ya conecta activos y procesos industriales con fines de diagnóstico y mantenimiento, una nueva dimensión de valor.
La introducción de máquinas autónomas cada vez más robustas y la consideración de la productividad y el monitoreo en casos de uso más complejos que involucran a varios trabajadores y en períodos de tiempo más largos impulsarán la próxima generación de casos de uso.
Siguiente realidad
Considere el siguiente caso de uso, aún hipotético, aunque basado en la realidad :
La extracción de mineral de hierro es una operación compleja que involucra máquinas (algunas de las cuales son muy grandes), objetos estacionarios y trabajadores humanos, todos compartiendo el mismo espacio confinado con visibilidad limitada. Es fundamental no solo poder dirigir el flujo de estos participantes por razones de seguridad, sino también optimizarlo para obtener la máxima productividad.
El primer paso para lograr esto requiere el despliegue de sensores en el borde que crean conciencia del contexto: estado, condición, ubicación. Los sensores en máquinas u objetos grandes no son nuevos y, cada vez más, los mineros llevan una serie de sensores integrados en sus cascos, chalecos y dispositivos de muñeca. Pero el “sentido” no es suficiente: la optimización requiere un cambio en el comportamiento. Para esto, se necesita un circuito de retroalimentación, que es comparativamente fácil de lograr con las máquinas. Para los trabajadores, una pantalla montada en el casco y los actuadores hápticos integrados en sus chalecos y dispositivos de muñeca cierran el circuito de retroalimentación.
Equipados de esta manera, tanto los participantes humanos como los mecánicos en el ecosistema minero pueden estar continuamente conscientes unos de otros, obteniendo información, o incluso una advertencia, sobre la proximidad. Más allá de la conciencia, esto también permite una acción independiente: por ejemplo, detener vehículos o dar instrucciones direccionales a través del HMD o retroalimentación háptica.
Estar conectado de esta manera ayuda a promover la seguridad, pero no es suficiente para la optimización. Para eso se requiere un sistema backend que use datos históricos, reglas y algoritmos de ML para predecir y, en última instancia, prescribir rutas óptimas. Esto proporciona a los seres humanos capacidades de soporte de decisiones clave y un medio para proporcionar orientación a las máquinas sin tener que operarlas explícitamente. En la práctica, operan máquinas a través de su presencia. Teniendo en cuenta el entorno confinado, esto significa que a veces el trabajador debe ceder el paso al transportista de 50 toneladas y otras al revés. Lo que debe suceder se deduce de las condiciones reales, decididas en tiempo real, en el límite.
Como lo ilustra este caso de uso, los dispositivos portátiles están surgiendo como una nueva forma para que los humanos interactúen con las máquinas (físicas o digitales). Los sensores de estos dispositivos también se están utilizando de una manera nueva y más dinámica. Mientras que cada sensor en un contexto industrial tradicional proporciona una ventana muy bien definida en un parámetro operativo específico de un activo específico, los datos del sensor en el paradigma emergente se interpretan de manera situacional. La temperatura, la velocidad y la vibración pueden tener significados muy diferentes según la tarea y la situación en cuestión. Los indicadores clave de rendimiento (KPI) que se extraerán de estos flujos de datos también son específicos de la tarea y la situación, al igual que las formas en que estos KPI se utilizan para validar, certificar y optimizar tanto las tareas individuales como el proceso o la misión general. en el que se encajan estas tareas.
Una conclusión clave al considerar este nuevo paradigma de interacción hombre-máquina es que casi todo es dinámico y situacional. Y, al menos en el contexto industrial, el contenedor lógico para gestionar todo esto es lo que llamamos la “Misión”. Esto tiene importantes ramificaciones para considerar qué sistemas deben existir para permitir que los trabajadores y las máquinas interactúen en este y posibilitar un IIoT que efectivamente aproveche las características únicas del cerebro humano.
Al igual que en generaciones anteriores de innovación tecnológica, la implementación de computadoras de escritorio inicialmente requería una cantidad considerable de abstracción y curvas de aprendizaje empinadas: crear incluso un simple boceto en una pantalla requería habilidades de codificación y matemáticas. Se requirieron expertos y muchos niveles de conocimiento mitigados para utilizar de manera efectiva este recurso de trabajo recién creado. A medida que las computadoras y el software evolucionaron, su uso se hizo más intuitivo, pero sus usuarios aún estaban atados a los escritorios.
La era posterior de la movilidad ayudó mucho. Desató el dispositivo y condujo a la creación de soluciones totalmente nuevas que superaron los desafíos de la ubicación, el tiempo real y el consumo visual del mundo.
Pero hay un grupo que, comparativamente hablando, se benefició mucho menos de todos estos cambios: las legiones de trabajadores que no trabajan en el escritorio: los que están en el piso de la fábrica, en los postes de teléfono, en las minas, en las plataformas petrolíferas o en la granja para quienes incluso la laptop o tableta robusta es poco práctica o inconveniente. La era móvil desencadenó a los trabajadores de escritorio de sus escritorios, pero su contribución a los trabajadores en el campo, a la gente que trabaja en cosas en lugar de información, fue insignificante. Trabajar en cosas a menudo requiere ambas manos para hacer el trabajo, y tampoco se asigna bien a una abstracción de escritorio.
Ingrese al dispositivo portátil, una nueva clase de dispositivo habilitada por miniaturización de componentes impulsada por dispositivos móviles, la proliferación de tecnología de sensores asequible y el movimiento hacia la nube.
Los dispositivos portátiles comenzaron como un fenómeno de consumo (piense en los relojes inteligentes), en su mayoría basados en sensores. Inicialmente, se enfocaron en elevar la utilidad del sensor incorporado y su éxito en el mercado fue proporcional a la forma en que la corriente de datos del sensor podría ser llevada a perspectivas significativas y personalizadas. Con la entrada de los actores móviles “tradicionales”, el rol de los wearables se expandió para facilitar el acceso, de manera simplificada, a los dispositivos más poderosos en posesión de un usuario (por ejemplo, su teléfono inteligente). El mercado de consumo de wearables continúa girando en torno a las nociones gemelas de acceso y autocontrol. Sin embargo, para comprender las implicaciones más profundas y a largo plazo de la aparición de dispositivos portátiles inteligentes, debemos mirar hacia el mundo industrial.
Google Glass, la primera pantalla comercial asequible en cabeza (HMD), escribió un importante y nuevo capítulo en la historia de wearable. A pesar de que falló como un dispositivo de consumo, catalizó con éxito la introducción de HMD en la empresa. Quizás aún más importante, este nuevo tipo de dispositivo fue el primero en integrarse con otros sistemas empresariales, agregando el poder de cómputo de un nodo y la nube, centrado en el usuario. Sin embargo, a diferencia del cambio a dispositivos móviles, esto tiene el potencial de impulsar cambios profundos en las vidas de los trabajadores de campo y podría ser un presagio de cambios aún más profundos en la forma en que todos nosotros interactuamos con el mundo digital.
División del Trabajo: Re-empoderando a la fuerza laboral humana
Las computadoras y los dispositivos de mano tuvieron un impacto limitado en los trabajadores que no son de escritorio. Pero los cambios tecnológicos como la automatización, la robótica y la Internet de las cosas (IoT) tuvieron un profundo impacto, dividiendo efectivamente el mundo industrial en un trabajo adecuado para robots y un trabajo que no lo es. Y la línea que demarca esta división en sí misma está en continuo movimiento.
Los primeros sistemas robóticos se centraban en la automatización de actividades precisas, repetitivas y, a menudo, físicamente exigentes. Los avances más recientes en tecnología analítica y de apoyo a la toma de decisiones (p. Ej., Aprendizaje automático e inteligencia artificial [AI]) y la integración a través de IoT han llevado a la extensión de los robots físicos al dominio digital, uniéndolos con sus homólogos de software (agentes de software, bots, etc.), capaz de dar una respuesta más dinámica al mundo que los rodea. De este modo, la automatización se está volviendo más autónoma y, a medida que lo hace, se está alejando cada vez más de sus confines aislados y estrechamente controlados y se está entrelazando cada vez más con la actividad humana.
Debido a que la automatización desplaza intrínsecamente la participación humana en los procesos industriales, los rápidos avances en el análisis, el procesamiento complejo de eventos y la toma de decisiones digitales han generado inquietudes acerca de la posibilidad de “obsolescencia humana” y preocupación. Sin embargo, la comunidad de IA ha subestimado constantemente la sofisticación del cerebro humano y los límites a la autonomía de la máquina basada en la IA en el mundo real han permanecido claros: creatividad, toma de decisiones, actividad compleja, no repetitiva, reconocimiento de patrones no entrenable, autoestima. La evolución dirigida y la intuición siguen siendo en gran medida los dominios de la fuerza laboral humana, y es probable que sigan así durante algún tiempo.
Incluso las máquinas autónomas más sofisticadas solo pueden operar en un entorno altamente restringido. Los vehículos autónomos, por ejemplo, dependen de carreteras regulares y bien marcadas, y es muy probable que la meta de un “vehículo autónomo desatendido” requiera una amplia orquestación e infraestructura física, y la resolución de algunos problemas de seguridad muy graves. Por el contrario, el cerebro humano está extraordinariamente bien adaptado para operar en la extrema confusión del mundo real y es una maravilla de eficiencia. En lugar de intentar reemplazarlo con procesos totalmente digitales, una estrategia más segura y rentable sería encontrar formas mejores y más cercanas de integrar el procesamiento humano con el mundo digital. El papel de la tecnología portátil proporciona un primer camino hacia adelante en este sentido.
Los casos de uso industrial inicial para los wearables han tendido a enfatizar la productividad humana a través de la incorporación del monitoreo y el acceso “apropiado para el campo” a información específica de la tarea. Los primeros casos de uso incluyeron capacitación y habilitación de personal de campo con menos experiencia para operar con menos orientación y supervisión. Algunos buenos ejemplos son Onsight de Librestream, que crea “expertos virtuales”, el X-pick de Ubimax que guía a los recolectores de almacenes o las soluciones AR-Training de Atheer’s . La solución Connected Plant de Honeywell va un paso más allá: es una plataforma estilo “Internet Industrial of Things (IIoT)” que ya conecta activos y procesos industriales con fines de diagnóstico y mantenimiento, una nueva dimensión de valor.
La introducción de máquinas autónomas cada vez más robustas y la consideración de la productividad y el monitoreo en casos de uso más complejos que involucran a varios trabajadores y en períodos de tiempo más largos impulsarán la próxima generación de casos de uso.
Siguiente realidad
Considere el siguiente caso de uso, aún hipotético, aunque basado en la realidad :
La extracción de mineral de hierro es una operación compleja que involucra máquinas (algunas de las cuales son muy grandes), objetos estacionarios y trabajadores humanos, todos compartiendo el mismo espacio confinado con visibilidad limitada. Es fundamental no solo poder dirigir el flujo de estos participantes por razones de seguridad, sino también optimizarlo para obtener la máxima productividad.
El primer paso para lograr esto requiere el despliegue de sensores en el borde que crean conciencia del contexto: estado, condición, ubicación. Los sensores en máquinas u objetos grandes no son nuevos y, cada vez más, los mineros llevan una serie de sensores integrados en sus cascos, chalecos y dispositivos de muñeca. Pero el “sentido” no es suficiente: la optimización requiere un cambio en el comportamiento. Para esto, se necesita un circuito de retroalimentación, que es comparativamente fácil de lograr con las máquinas. Para los trabajadores, una pantalla montada en el casco y los actuadores hápticos integrados en sus chalecos y dispositivos de muñeca cierran el circuito de retroalimentación.
Equipados de esta manera, tanto los participantes humanos como los mecánicos en el ecosistema minero pueden estar continuamente conscientes unos de otros, obteniendo información, o incluso una advertencia, sobre la proximidad. Más allá de la conciencia, esto también permite una acción independiente: por ejemplo, detener vehículos o dar instrucciones direccionales a través del HMD o retroalimentación háptica.
Estar conectado de esta manera ayuda a promover la seguridad, pero no es suficiente para la optimización. Para eso se requiere un sistema backend que use datos históricos, reglas y algoritmos de ML para predecir y, en última instancia, prescribir rutas óptimas. Esto proporciona a los seres humanos capacidades de soporte de decisiones clave y un medio para proporcionar orientación a las máquinas sin tener que operarlas explícitamente. En la práctica, operan máquinas a través de su presencia. Teniendo en cuenta el entorno confinado, esto significa que a veces el trabajador debe ceder el paso al transportista de 50 toneladas y otras al revés. Lo que debe suceder se deduce de las condiciones reales, decididas en tiempo real, en el límite.
Como lo ilustra este caso de uso, los dispositivos portátiles están surgiendo como una nueva forma para que los humanos interactúen con las máquinas (físicas o digitales). Los sensores de estos dispositivos también se están utilizando de una manera nueva y más dinámica. Mientras que cada sensor en un contexto industrial tradicional proporciona una ventana muy bien definida en un parámetro operativo específico de un activo específico, los datos del sensor en el paradigma emergente se interpretan de manera situacional. La temperatura, la velocidad y la vibración pueden tener significados muy diferentes según la tarea y la situación en cuestión. Los indicadores clave de rendimiento (KPI) que se extraerán de estos flujos de datos también son específicos de la tarea y la situación, al igual que las formas en que estos KPI se utilizan para validar, certificar y optimizar tanto las tareas individuales como el proceso o la misión general. en el que se encajan estas tareas.
Una conclusión clave al considerar este nuevo paradigma de interacción hombre-máquina es que casi todo es dinámico y situacional. Y, al menos en el contexto industrial, el contenedor lógico para gestionar todo esto es lo que llamamos la “Misión”. Esto tiene importantes ramificaciones para considerar qué sistemas deben existir para permitir que los trabajadores y las máquinas interactúen en este y posibilitar un IIoT que efectivamente aproveche las características únicas del cerebro humano.
