Alexis Andrés Arenas Bustamante, magíster en Ingeniería - Analítica de la Universidad Nacional de Colombia (UNAL) Sede Medellín, afirma que en la industria cosmética se suele desperdiciar producto, especialmente durante el proceso de envasado. Ese desperdicio, conocido como scrap, aumenta los costos y disminuye el nivel de servicio.
El scrap se asocia con variables como fallos en la formulación del producto, sobreadición, diferencia de cantidad en el surtido físico, errores en la asignación del porcentaje de desperdicio en la formulación, entre otras.
En general en la industria cosmética hay pérdidas significativas en el granel (contenido de los cosméticos), que aunque pueden parecer pequeñas al ojo común, se acumulan y aumentan los costos reduciendo la eficiencia.
El magíster explica que “para envasar una unidad de 100 mililitros se utilizan 103 o 104 mililitros de producto, de ahí que se está desperdiciando. A mayor escala se identifica mejor el problema: si yo tengo un litro de producto y debo sacar 2 unidades, en teoría debería sacar dos botellas de 500 mililitros cada una, pero si en la primera unidad se envasaron 600 y no 500 mililitros, quiere decir que ya no se tendría producto suficiente para la segunda unidad”.
El investigador, quien desarrolló su trabajo en una planta de cosméticos de Antioquia, analizó 37 variables del proceso de envasado y tomó tres modelos de inteligencia artificial para la predicción del scrap.
Entre los modelos analizados están: random forest, o bosques aleatorios, que son conjuntos de árboles de decisión que se entrenan con una muestra de datos ligeramente distinta; KNN, que usan la similitud de las características para predecir los resultados; una red neuronal, que es la unión de distintos procesadores interconectados que aprenden de su experiencia para estimar nuevos resultados; y el CART decision tree, un modelo predictivo formado por reglas binarias (si/no) que permite repartir las observaciones en función de sus atributos para predecir la respuesta.
Este último fue el modelo que presentó los mejores resultados y permitió reducir de 45-50 (tiempo promedio) a 5 minutos el tiempo de análisis de las órdenes de producción, para detectar posibles fallas que generaran scrap.
El investigador señala que aunque su trabajo se concentró en una línea de envasado de fragancias, la propuesta también se puede aplicar en cualquier proceso del sector cosmético, ya que las variables que se trabajan son las mismas.
Después de obtener óptimos resultados, la empresa en la que desarrolló la investigación trabaja en la implementación del sistema de machine learning en otras áreas en las que la producción se pueda hacer más eficaz.
Comentarios