Soft metrología en analítica de datos e inteligencia artificial para la gestión de calidad manufacturera
Soft metrology in data analytics and artificial intelligence for quality management in manufacturing
Metrologia suave na análise de dados e inteligência artificial para a gestão da qualidade do fabrico
Resumen (es)
El objetivo de esta investigación es realizar una revisión exhaustiva del estado del arte sobre estrategias que combinan la analítica de datos y la inteligencia artificial (ia) para medir el desempeño en industrias manufactureras. Esto se hace con el propósito de apoyar la gestión de calidad, enfocándose en la mejora continua y la optimización de procesos, además de explorar la interacción con la soft metrología y los desafíos, dificultades y oportunidades que surgen con estas nuevas tecnologías. Se sigue un enfoque cualitativo de investigación mediante la revisión de literatura en bases de datos como ScienceDirect, ieeexplore y Google Scholar, para seleccionar y examinar documentos científicos que aborden estos temas según el marco de las preguntas de investigación. Se identifican tanto debilidades como fortalezas, así como las restricciones en el contexto de la aplicación en la industria manufacturera. Se destaca la importancia de modelos de medición basados en datos proyectados en espacios de representación, donde la analítica de datos y la ia facilitan la creación de fronteras de decisión y superficies de regresión. Esto permite diseñar procesos de mejora y comprender los niveles dimensionales del desempeño, además de identificar tendencias y cambios en los indicadores. No obstante, se señalan dificultades en la traducción de los resultados obtenidos mediante herramientas computacionales en acciones concretas.
Resumen (en)
The goal of this research consists of presenting a state of the art on strategies that combine data analytics and artificial intelligence for measuring the employees’ performance in the manufacturing industry, as a support for quality management regarding continual improvement and processes optimization, the articulation with soft metrology and challenges, difficulties and opportunities that appear with the new technologies. An approach of qualitative research is used under a method of literature review on databases, such as, ScienceDirect, ieeexplore, and Google Scholar, for selecting and examining scientific documents in order of analyze and discuss advances according to the framework of research questions. Likewise, weaknesses, strengths and constrains are also identified in the application context in manufacturing industry. The importance of measurement models based on data projected in representation spaces is observed, where data analytics and artificial intelligence perform decision boundaries and regression surfaces oriented towards process improvement and understanding of performance dimensional levels, as well as identifying trends and changes in indicators. However, the computing tools demonstrates a significant challenge when translating the results into concrete actions.
Resumen (pt)
O objetivo desta investigação é efetuar uma revisão exaustiva do estado da arte das estratégias que combinam a análise de dados e a inteligência artificial (IA) para medir o desempenho nas indústrias transformadoras. Isto é feito com o objetivo de apoiar a gestão da qualidade, centrando-se na melhoria contínua e na otimização dos processos, bem como de explorar a interação com a metrologia suave e os desafios, dificuldades e oportunidades que surgem com estas novas tecnologias. É seguida uma abordagem de investigação qualitativa através da revisão da literatura em bases de dados como a ScienceDirect, IEEExplore e Google Scholar para selecionar e examinar artigos científicos que abordem estes tópicos de acordo com o quadro das questões de investigação. São identificados os pontos fracos e fortes, bem como as limitações no contexto da aplicação na indústria transformadora. Destaca a importância dos modelos de medição baseados em dados projectados em espaços de representação, onde a análise de dados e a IA facilitam a criação de fronteiras de decisão e superfícies de regressão. Isto permite conceber processos de melhoria e compreender os níveis dimensionais de desempenho, bem como identificar tendências e mudanças nos indicadores. No entanto, são relatadas dificuldades na tradução dos resultados obtidos através de ferramentas computacionais em acções concretas.
Referencias
Adams, S. T. (1986). Artificial intelligence, culture, and individual responsibility. Technology in Society, 8(4), 251–257. https://doi.org/10.1016/0160-791X(86)90014-X
Arbeláez -Botero, M., Vargas- Mendoza, A. J. y Gutiérrez -Ospina, M. L. (2008). Importancia de la metrología al interior de las empresas para el aseguramiento de la calidad. Scientia et Technica, 38, 289–292.
Badawy, M., El-Aziz, A. A. A., Idress, A. M., Hefny, H. y Hossam, S. (2016). A survey on exploring key performance indicators. Future Computing and Informatics Journal, 1(1), 47–52. https://doi.org/10.1016/j.fcij.2016.04.001
Bottani, E. y Vignali, G. (2019). Augmented reality technology in the manufacturing industry: A review of the last decade. IISE Transactions, 51(3), 284–310. https://doi.org/10.1080/24725854.2018.1493244
Carvalho, A. V., Enrique, D. V., Chouchene, A. y Charrua-Santos, F. (2021). Quality 4.0: An overview. Procedia Computer Science, 181, 341–346. https://doi.org/10.1016/j.procs.2021.01.176
Carvalho, A. V. y Lima, T. M. (2022). Quality 4.0 and Cognitive Engineering Applied to Quality Management Systems: A Framework. Applied System Innovation, 5(115). https://doi.org/10.3390/asi5060115
Coito, T., Viegas, J. L., Martins, M. S. E., Cunha, M. M., Figueiredo, J., Vieira, S. M. y Sousa, J. M. C. (2019). A novel framework for intelligent automation. IFAC-PapersOnLine, 52(13), 1825–1830. https://doi.org/10.1016/j.ifacol.2019.11.501
Corvalán, J. G. (2019). The current legal regime of the regional Administration in Spain: the provincial deputations after the local reform. Revista de Direito Economico e Socioambiental, 10(1), 30–66. https://doi.org/10.7213/rev.dir.econ.soc.v10i1.25870
Díaz-Rodríguez, N., Del Ser, J., Coeckelbergh, M., López de Prado, M., Herrera-Viedma, E. y Herrera, F. (2023). Connecting the dots in trustworthy Artificial Intelligence: From AI principles, ethics, and key requirements to responsible AI systems and regulation. Information Fusion, 99. https://doi.org/10.1016/j.inffus.2023.101896
Díaz-Muñoz, G. A. y Salazar -Duque, D. A. (2021). La calidad como herramienta estratégica para la gestión empresarial Quality as a strategic tool for business management. PODIUM, 39, 19–36. https://doi.org/10.31095/podium.202
Díaz-Ortega, C. H. (2019). Gerencia estratégica como factor de competitividad en entornos cambiantes. Dictamen Libre, 13(25), 103–114. https://doi.org/https://doi.org/10.18041/2619-4244/dl.25.5762
Diestra -Quinto, N. M., Cordova-Villodas, A. J., Caruajulca - Montero, C. P., Esquivel - Cueva, D. L. y Nina-Vera, S. A. (2021). La inteligencia artificial y la toma de decisiones gerenciales. Revista de Investigación Valor Agregado, 8(1), 52–69. https://doi.org/10.17162/riva.v8i1.1631
Estrada- Hernández, J. A. y León -Robaina, R. (2013). La integración de las tecnologías de información y comunicación en la gestión empresarial. SANTIAGO, 132, 634–646.
Flores-Vivar, J. M. y García-Peñalvo, F. J. (2023). Reflections on the ethics, potential, and challenges of artificial intelligence in the framework of quality education (SDG4). Comunicar, 30(74), 35–44. https://doi.org/10.3916/C74-2023-03
Goto, M. (2023). Anticipatory innovation of professional services: The case of auditing and artificial intelligence. Research Policy, 52(8). https://doi.org/10.1016/j.respol.2023.104828
Guaña-Moya, J. y Chipuxi-Fajardo, L. (2023). Impacto de la inteligencia artificial en la ética y la privacidad de los datos. RECIAMUC, 7(1), 923–930. https://doi.org/10.26820/reciamuc/7.(1).enero.2023.923-930
Han, H., Shiwakoti, R. K., Jarvis, R., Mordi, C. y Botchie, D. (2023). Accounting and auditing with blockchain technology and artificial Intelligence: A literature review. International Journal of Accounting Information Systems, 48. https://doi.org/10.1016/j.accinf.2022.100598
Heikkilä, J. T. S. (2023). Key performance indicators for utility model systems. World Patent Information, 74. https://doi.org/10.1016/j.wpi.2023.102222
Jooste, J. L., y Botha, L. J. (2018). Improvements towards the identification and quantification of relationships between key performance indicators. South African Journal of Industrial Engineering, 29(2), 92–101. https://doi.org/10.7166/29-2-1872
Kamble, S. S., Gunasekaran, A., Ghadge, A., y Raut, R. (2020). A performance measurement system for industry 4.0 enabled smart manufacturing system in SMMEs- A review and empirical investigation. International Journal of Production Economics, 229. https://doi.org/10.1016/j.ijpe.2020.107853
Kongar, E., y Adebayo, O. (2021). Impact of Social Media Marketing on Business Performance: A Hybrid Performance Measurement Approach Using Data Analytics and Machine Learning. IEEE Engineering Management Review, 49(1), 133–147. https://doi.org/10.1109/EMR.2021.3055036
León-Duarte, J. A., De La Re-Iñiguez, B. M. y Romero-Dessens, L. F. (2020). Ventajas del uso de sistemas de trazabilidad electrónica enprocesos de manufactura. Informacion Tecnologica, 31(1), 237–244. https://doi.org/10.4067/S0718-07642020000100237
Manzano-Ibarra, M., Zamora-Sánchez, R. y Medina-Chicaiza, P. (2019). Propuesta metodológica para la generación de indicadores clave de desempeño apoyada en tecnología de información. 3C Tecnología_Glosas de Innovación Aplicadas a La Pyme, 29(1), 10–29. https://doi.org/10.17993/3ctecno/2019.v8n1e29/10-29
Matas Ramió, C. (2018). El impacto de la inteligencia artificial y de la robótica en el empleo público. GIGAPP Estudios Working Papers, 98, 401–421. https://www.gigapp.org/ewp/index.php/GIGAPP-EWP/article/view/115 Montecinos, E. (2021). Cuarta revolución industrial y laadministración pública en América Latina. Revista Venezolana de Gerencia, 26(93), 10–25. https://www.redalyc.org/articulo.oa?
Moubayed, A., Injadat, M., Nassif, A. B., Lutfiyya, H., y Shami, A. (2018). E-Learning: Challenges and Research Opportunities Using Machine Learning Data Analytics. IEEE Access, 6, 39117–39138. https://doi.org/10.1109/ACCESS.2018.2851790
Nuñez-Lira, L. A., Alfaro Bernedo, J. O., Aguado Lingan, A. M. y González Ponce de León, E. R. (2023). Toma de decisiones estratégicas en empresas: Innovación y competitividad. Revista Venezolana de Gerencia, 28(9), 628–641. https://doi.org/10.52080/rvgluz.28.e9.39
Okrepilov, V. V., Kovalenko, B. B., Getmanova, G. V. y Turovskaj, M. S. (2022). Modern Trends in Artificial Intelligence in the Transport System. Transportation Research Procedia, 61, 229–233. https://doi.org/10.1016/j.trpro.2022.01.038
Pacheco -Guzmán, J. C. J., De la Cruz -Rodríguez, G. R., Quispe- Sánchez, E. S., Ríos -Reyes, J. A., Vásquez -Chiclayo, R. Y. y Vigo -Rodríguez, D. E. (2022). Artificial Intelligence for the Integration of Blockchain in the Supply Chain: A Systematic Review. Gestión de Operaciones Industriales, 1(1), 38–51. https://doi.org/10.17268/goi4.0.2022.08
Papulova, Z. y Gazova, A. (2016). Role of Strategic Analysis in Strategic Decision-Making. Procedia Economics and Finance, 39, 571–579. https://doi.org/10.1016/s2212-5671(16)30301-x
Plaza, M. y Pawlik, L. (2021). Influence of the Contact Center Systems Development on Key Performance Indicators. IEEE Access, 9, 44580–44591. https://doi.org/10.1109/ACCESS.2021.3066801
Portuondo -Paisan, Y. y Portuondo -Moret, J. (2010). La repetibilidad y reproducibilidad en el aseguramiento de la calidad de los procesos de medición. TECNOLOGÍA QUÍMICA, XXX(2), 117–121.
Ríos -Ramírez, L. C., Pérez- Domínguez, L. y Pérez -Olguin, I. J. C. (2019). Tendencias actuales de la industria 4.0. Reflexiones Contables, 2(2), 8–22. https://doi.org/10.22463/26655543.2995
Robayo -Diaz, E. D. (2023). Impacto de la Inteligencia Artificial en la Seguridad de la Informacion. En Especialización En Seguridad Informática (Tesis especialización, Universidad Piloto de Colombuia )(págs. 1–11). https://repository.unipiloto.edu.co/handle/20.500.12277/13071?show=full
Rodríguez-Castilla, M. M., Quintero-Quintero, W. y Pacheco-Sánchez, C. A. (2020). Production costs: Innovations and strategic practices of manufacturing mipymes. Aibi, Revista de Investigacion Administracion e Ingenierias, 8(1), 131–139. https://doi.org/10.15649/2346030X.720
Sader, S., Husti, I., y Daróczi, M. (2019). Industry 4.0 as a key enabler toward successful implementation of total quality management practices. Periodica Polytechnica Social and Management Sciences, 27(2), 131–140. https://doi.org/10.3311/PPso.12675
Saltos- Zambrano, J. E. y García- Loor, M. G. (2023). Instrumentos de Medición y su Influencia en la Calidad del Proceso de EnseñanzaAprendizaje de la Asignatura Metrología. Instrumentos de Medición y Su Influencia En La Calidad Del Proceso de Enseñanza Aprendizaje de La Asignatura Metrología, 9(3), 89–100. https://doi.org/10.23857/dc.v9i3.3433
Salvador, V. L., Mamaqi, X. y Bordes, J. V. (2020). Artificial intelligence: Theoretical, formative and communicative challenges of datification. Icono14, 18(1), 58–88. https://doi.org/10.7195/RI14.V18I1.1434
Sánchez- Marquez, R., Albarracín -Guillem, J. M., Vicens -Salort, E. y Jabaloyes- Vivas, J. (2020). Diagnosis of quality management systems using data analytics – A case study in the manufacturing sector. Computers in Industry, 115. https://doi.org/10.1016/j.compind.2019.103183
Sánchez-Marquez, R., Albarracin-Guillem, J. M., Vicens-Salort, E. y Jabaloyes -Vivas, J. (2018). A statistical system management method to tackle data uncertainty when using key performance indicators of the balanced scorecard. Journal of Manufacturing Systems, 48, 166–179. https://doi.org/10.1016/j.jmsy.2018.07.010
Santos, G., Sá, J. C., Félix, M. J., Barreto, L., Carvalho, F., Doiro, M., Zgodavová, K. y Stefanović, M. (2021). New needed quality management skills for quality managers 4.0. Sustainability , 13, 6149. https://doi.org/10.3390/su13116149
Schwab, K. (2020). La cuarta revolución Industrial. FUTURO HOY, 1(1), 6–10. https://doi.org/10.52749/fh.v1i1.1
Sosa- Sierra, M. D. C. (2007). Inteligencia artificial en la gestión financiera empresarial. Pensamiento y Gestión, 23, 153–186.
Todorovic, M., Mitrovic, Z., y Bjelica, D. (2013). Measuring Project Success in Project-Oriented Organizations. Management - Journal for Theory and Practice of Management, 18(68), 41–48. https://doi.org/10.7595/management.fon.2013.0019
Vallejo, M., Bahamón, N., Rossi, L., y Delgado-Trejos, E. (2023). Soft Metrology. En Handbook of Metrology and Applications (pp. 1–31). Springer Nature Singapore. https://doi.org/10.1007/978-981-19-1550-5_67-1
Vallejo, M., De La Espriella, C., Gómez-Santamaría, J., Ramírez-Barrera, A. F. y Delgado-Trejos, E. (2019). Soft metrology based on machine learning: A review. En Measurement Science and Technology (vol. 31, issue 3). Institute of Physics Publishing. https://doi.org/10.1088/1361-6501/ab4b39
Wannes, A. y Ghannouchi, S. A. (2019). KPI-Based Approach for Business Process Improvement. Procedia Computer Science, 164, 265–270. https://doi.org/10.1016/j.procs.2019.12.182
Yazici, İ., Shayea, I. y Din, J. (2023). A survey of applications of artificial intelligence and machine learning in future mobile networks-enabled systems. In Engineering Science and Technology, an International Journal (Vol. 44). Elsevier B.V. https://doi.org/10.1016/j.jestch.2023.101455
Zaid, S., Palilati, A., Madjid, R. y Abadi, S. Y. (2021). The effect of supply chain integration on customer loyalty: The mediating roles of operational performance and customer satisfaction. Uncertain Supply Chain Management, 9(4), 867–876. https://doi.org/10.5267/j.uscm.2021.8.002
Zhu, T., Ye, D., Wang, W., Zhou, W. y Yu, P. S. (2022). More Than Privacy: Applying Differential Privacy in Key Areas of Artificial Intelligence. IEEE Transactions on Knowledge and Data Engineering, 34(6), 2824–2843. https://doi.org/10.1109/TKDE.2020.3014246
Cómo citar
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
SIGNOS está bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
La Universidad Santo Tomás conserva los derechos patrimoniales (copyright) de las obras publicadas, y favorece y permite la reutilización de las mismas bajo la licencia anteriormente mencionada.
