Pablo Tapia apremia en La Hora Premium a pasar del operario al «talento digital» y del ingeniero al «diseñador de soluciones»

Combinando experiencia práctica, casos reales y una visión estratégica sobre la automatización en entornos industriales, Pablo Tapia (fundador y CTO de Tupl) ha compartido en una nueva sesión de ‘La Hora Premium’ una oportuna reflexión sobre uno de los grandes desafíos de la industria actual: cómo preparar a los trabajadores para la transformación digital a través del reskilling, con la visión artificial como palanca clave.

Enmarcado en el ciclo especializado de visión artificial, y tras la ponencia de Íñigo Barandiaran, el experto ha compartido cómo la aceleración tecnológica sin precedentes de los últimos años ha llevado a muchas plantas industriales a introducir herramientas de inteligencia artificial, visión artificial y análisis de datos en tiempo real. Y este proceso ha generado una necesidad inmediata: el reskilling, que requiere entrenar a los trabajadores actuales para que puedan desenvolverse con solvencia en entornos digitalizados. Según Tapia, la clave está en transformar al operario tradicional en un especialista digital, capaz de comprender, interpretar y colaborar con sistemas automatizados.

Su intervención se ha centrado especialmente en la visión artificial. “Estamos viviendo la mayor transformación industrial desde la automatización, y ahora toca digitalizar el talento”. Ha destacado que la madurez de la inteligencia artificial y la accesibilidad de tecnologías como cámaras industriales asequibles o procesadores edge (Jetson, Raspberry Pi), están permitiendo cambiar de paradigma, permitiendo la aplicación de la visión artificial en los procesos productivos.

Tapia ha explicado cómo esta transformación digital ha redefinido los roles en la industria. En primer lugar, “del operario al especialista digital”, lo cual significa dejar atrás tareas como la inspección visual subjetiva, los formularios manuales o el trabajo repetitivo, para asumir nuevas funciones como la creación y supervisión de modelos de inteligencia artificial, el etiquetado de imágenes o la interpretación de dashboards. De forma paralela, ha afirmado que el perfil del ingeniero también ha cambiado: “antes configuraba PLCs y reaccionaba a fallos; ahora diseña lógicas de decisión, integra sistemas y define reglas inteligentes”. Esta evolución “eleva su rol hacia un diseñador de este tipo de soluciones”.

En este punto, el experto ha compartido ejemplos reales de transformación en procesos industriales mediante la adopción de visión artificial desde Tupl. Uno de ellos ha sido un caso de éxito en la automatización del control de calidad para un fabricante mundial de componentes de automoción. Implantaron un sistema de visión artificial con inteligencia artificial compuesto por dos estaciones que inspeccionaban ambos lados de las piezas metálicas mediante cámaras superiores y laterales, junto con un sistema de volteo automático y expulsión activada por láser. El sistema incluía una interfaz intuitiva para la selección de modelos, supervisión en tiempo real y gestión del reentrenamiento. El desafío principal consistió en inspeccionar una pieza por segundo en un entorno con vibraciones y colocación aleatoria, correlacionando vistas multicámara para garantizar la detección precisa de defectos en piezas que variaban desde 5 cm hasta 500 cm, además de gestionar reflejos y asegurar condiciones homogéneas de inspección.

Los resultados fueron muy positivos: redujeron el equipo de control de calidad de cuatro operarios a uno por turno, lo que supuso un ahorro total de doce personas. El sistema permitió tomar decisiones de pasa/no pasa en menos de un segundo, igualando la velocidad de la línea, y redujo en un 40 % los falsos rechazos y residuos gracias a un filtrado más preciso, eliminando la subjetividad en la inspección. Este proyecto demostró cómo la combinación de visión artificial e inteligencia artificial puede transformar y optimizar procesos industriales críticos.

Entrenar modelos

Tapia ha asegurado durante su ponencia que los nuevos operarios deberían ser capaces de diseñar modelos de IA. El proceso para crear un modelo de inteligencia artificial comienza con la recopilación del expediente y las imágenes de los defectos relevantes. A continuación, el operario debe analizar la visibilidad de esos defectos y diseñar una estrategia adecuada para su etiquetado, asegurando que los datos sean representativos y claros. Una vez definida esta estrategia, se procede a etiquetar las imágenes iniciales y a entrenar el primer modelo de IA con esos datos.

Tras el entrenamiento, el modelo se implanta para evaluar su rendimiento en condiciones reales. A partir de esta evaluación, el operario perfecciona el modelo incorporando los comentarios y observaciones del cliente, ajustando etiquetas o parámetros para mejorar la precisión y efectividad del sistema. Este ciclo se repite hasta alcanzar el nivel de calidad deseado.

Pablo Tapia ha destacado la importancia de contar con un número suficiente de muestras para entrenar modelos de inteligencia artificial efectivos. Además, es fundamental mantener una interacción continua, analizando aspectos clave como la matriz de confusión para evaluar el rendimiento y realizar ajustes. Tapia ha explicado que, siguiendo esta metodología, se alcanzan niveles de precisión muy aceptables, y en Tupl facilitan todo el proceso ofreciendo tecnologías low-code que permiten a los clientes crear y gestionar sus propios modelos con formación personalizada y apoyo continuo durante todas las fases.

Además, ha resaltado que la calidad del etiquetado es crucial para el éxito del modelo. Un etiquetado inconsistente o excesivamente generalizado dificulta que la IA aprenda correctamente, degradando su rendimiento. Por eso, es esencial revisar que los procesos de etiquetado sean coherentes y adecuados, ya que defectos similares deben ser etiquetados de forma homogénea. En cuanto a las técnicas de visión artificial, Tapia ha mencionado opciones como la detección de objetos, muy útil para recuentos y vigilancia, y la detección de anomalías, que permite inspección de calidad y mantenimiento predictivo. También ha destacado la segmentación semántica para mediciones de alta precisión y ha señalado que no existe “una solución única para todos los casos, por lo que es necesario seleccionar y combinar técnicas según la fase y el objetivo específico”.

Cultura del cambio

El experto ha subrayado que la inteligencia artificial no viene a sustituir el trabajo humano, sino a liberar a las personas de las tareas aburridas y repetitivas para que puedan centrarse en actividades de mayor valor y utilidad. Esta transformación representa una oportunidad de profesionalización y especialización para los equipos, permitiendo desarrollar nuevas competencias y aprovechar mejor el talento humano. Además, la adopción temprana de la IA ofrece una ventaja competitiva crucial para las empresas, ya que aquellas que incorporen esta tecnología antes que sus rivales estarán mejor posicionadas en un mercado en constante evolución tecnológica.

Para comenzar con éxito en la implementación de IA, Tapia ha señalado que las empresas necesitan una cultura abierta al cambio, que fomente la confianza en la IA como una herramienta para el crecimiento profesional y no como una amenaza, reconociendo además la resistencia natural al cambio. También ha vuelto a recalcar la importancia de contar con datos de calidad, especialmente imágenes bien etiquetadas y con definiciones claras de defectos, ya que esto es la base del aprendizaje automático. Asimismo, se requiere definir procesos y herramientas precisas, como protocolos de entrenamiento y criterios de aceptación claros, y ofrecer formación interna para que tanto operarios como ingenieros comprendan y manejen correctamente los modelos y sistemas.

La ponencia de Pablo Tapia ha ofrecido un mensaje claro al ecosistema industrial español: la transformación digital no se logra solo con tecnología, sino con personas capacitadas, motivadas y acompañadas en el proceso.