TRANSFORMANDO EL PROCESO DE ADQUISICIONES CON IA
La cadena de suministro aeroespacial es un sistema complejo de múltiples proveedores globales que producen componentes para todo el ecosistema aeronáutico (bastidor, motor, sistemas integrados, etc.). Este sistema requiere una estrategia de gestión sólida para mejorar la visibilidad de la cadena de suministro, lo que permite a las aerolíneas, los fabricantes de equipos originales (OEM), los MRO y los distribuidores de piezas tomar decisiones de compra informadas y, al mismo tiempo, mitigar eficazmente los riesgos de cumplimiento.
Un solo avión puede contener cientos de miles o incluso millones de piezas. La cantidad de piezas que una aerolínea, un fabricante de equipos originales o un taller de mantenimiento, reparación y revisión (MRO) deben controlar aumenta exponencialmente para una flota completa compuesta por diferentes plataformas. Un solo avión comercial puede tener hasta 3 millones de piezas , lo que pone de relieve la complejidad de la gestión de inventario. Con múltiples proveedores y distribuidores de piezas globales que fabrican o venden piezas, la adquisición se convierte en un proceso complicado y que requiere una gran cantidad de datos, en el que es necesario analizar millones de puntos de datos dinámicos.
Los sitios web de piezas o los mercados digitales actuales no son lo suficientemente sofisticados como para analizar o extraer información relevante de conjuntos de datos extensos y dinámicos. Se necesita un esfuerzo manual significativo para verificar que las piezas cumplan con los requisitos, tengan un precio justo de mercado y estén disponibles, lo que hace que el proceso de adquisición sea arduo.
Estos largos ciclos de decisión pueden afectar el desempeño operativo y financiero de los fabricantes de equipos originales, las aerolíneas, los talleres de mantenimiento, reparación y revisión (MRO) y los distribuidores de piezas. Boeing estima que los aviones en tierra (AOG, por sus siglas en inglés) cuestan a las aerolíneas entre 10.000 y 20.000 dólares por hora, o incluso hasta 100.000 dólares en ingresos perdidos y gastos adicionales, según la situación en cuestión. En 2018, Airline Economics descubrió que los eventos AOG le cuestan a la industria aérea mundial aproximadamente 50.000 millones de dólares anuales.
La capacidad de filtrar y analizar grandes volúmenes de información (como millones de piezas y sus datos asociados) y generar una recomendación rápidamente es una de las principales aplicaciones de la tecnología de automatización, como la inteligencia artificial (IA), en la industria aeroespacial. La IA puede transformar la intrincada red de transacciones de la cadena de suministro en una operación optimizada, eficiente y que permite ahorrar costos, lo que le permite no solo administrar sino también optimizar toda la cadena de suministro en tiempo real.
Los modelos de IA como las redes neuronales recurrentes (RNN) y los transformadores analizan las tendencias de datos secuenciales, lo que permite una toma de decisiones oportuna en materia de adquisiciones.
Con más datos, tiempo y entrenamiento, estos modelos de IA específicos para la aviación serán más precisos y eficientes. Entrenados con datos de aviación durante los últimos años, estos modelos logran métricas de alta precisión , incluido R², que indica la precisión de las predicciones. Los sistemas de IA están diseñados para aprender y optimizarse por sí solos , mejorando continuamente su rendimiento en función de los nuevos datos ingresados.
En este informe técnico, aprenderá cómo la tecnología de IA puede optimizar el proceso de adquisiciones dentro de la industria aeroespacial, lo que genera un mayor rendimiento operativo y financiero.
APROVECHANDO EL PODER DEL BIG DATA CON TECNOLOGÍA BLOCKCHAIN E IA
El sector aeroespacial no carece de datos; incluso se lo podría catalogar como el denominador común de todos los segmentos de la industria. Sin embargo, el valor de los datos depende de la información que puedan proporcionar y de las acciones que inspiren a una organización a emprender.
La recopilación y el análisis de grandes volúmenes de datos y la elaboración de recomendaciones es el caso de uso perfecto para una solución que incorpora inteligencia artificial respaldada por la tecnología blockchain. Los modelos avanzados, como las redes neuronales gráficas (GNN) , facilitan la comprensión de las relaciones entre los proveedores y las piezas, lo que mejora la toma de decisiones dentro de los sistemas habilitados con blockchain.
La naturaleza descentralizada de un sistema blockchain permite realizar búsquedas en tiempo real en toda la industria utilizando datos públicos, de terceros e internos en cuestión de segundos. Filtra esos resultados en un modelo de IA y al instante se diseña una solución precisa, lo que genera eficiencias en toda la organización al optimizar y automatizar un proceso muy manual.
ePlaneAI reconoció este caso de uso y desarrolló una plataforma de software como servicio que utiliza IA conversacional y generativa junto con big data para automatizar completamente la industria de piezas aeroespaciales y el proceso de adquisición.
Cada registro de pieza dentro de la cadena de bloques contiene un historial inmutable de atributos (como condición, ubicación y cumplimiento), lo que proporciona un registro digital seguro y a prueba de manipulaciones que mitiga los riesgos de falsificación, aumenta la transparencia y refuerza el cumplimiento de las regulaciones de la industria como EASA y FAA.
A medida que se recopilan los resultados de una búsqueda de piezas, estos pasan por el modelo de IA generativa, que produce una recomendación personalizada que es automática y se ajusta automáticamente en función de los datos del mercado aeroespacial en tiempo real. Cualquier cambio en el costo, la ubicación o la disponibilidad de una pieza se tiene en cuenta en la solución recomendada. Por lo tanto, si busca la pieza A un lunes por la mañana pero no la compra hasta el martes, es posible que no esté disponible o que el precio reflejado haya cambiado, como si hubiera retrasado una compra en su carrito de Amazon.
La capacidad inherente de la IA para manejar grandes conjuntos de datos (y tipos) y adaptarse a diferentes patrones y complejidades de producción garantiza la sostenibilidad y la escalabilidad a largo plazo. Se prevé que el mercado mundial de MRO alcance los 119 000 millones de dólares en 2026 y que los costes laborales representen entre el 60 y el 70 % de los gastos totales de MRO, por lo que las soluciones de IA eficientes pueden impulsar significativamente los ahorros de costes y la eficiencia operativa.
Para satisfacer las crecientes demandas de datos de la IA, las bases de datos ultrarrápidas son esenciales. Las bases de datos tradicionales a menudo carecen de la velocidad y la escalabilidad necesarias para el procesamiento de datos en tiempo real, lo que hace que las tecnologías de bases de datos avanzadas sean fundamentales para una implementación exitosa de la IA. El costo de la computación en la nube en sí puede variar desde $0,25 por hora hasta más de $30 por hora para sistemas de GPU única de alta gama . Sin embargo, estas tecnologías son escalables y accesibles para empresas de todos los tamaños, incluidas las operaciones más pequeñas. Las capacidades de la IA se pueden adaptar para satisfacer necesidades específicas de todos para obtener beneficios inmediatos.
Las empresas más grandes pueden esperar una mayor eficiencia y ahorro de costos a medida que aprovechan los conocimientos continuos impulsados por IA en conjuntos de datos masivos. Las bases de datos modernas capaces de responder consultas en menos de un segundo permiten que las soluciones de IA brinden recomendaciones más rápidas y precisas para la gestión de inventario y la solución de situaciones de AOG.
Con una enorme y constante cantidad de datos recopilados y procesados a través de la solución de ePlaneAI, la tecnología de IA mejora constantemente con el tiempo y el entrenamiento. Cuantos más patrones y tendencias pueda identificar en función de la mayor cantidad de datos, mejor podrá generar una solución preferida para el usuario.
INFORMACIÓN QUE VA MÁS ALLÁ DEL ANÁLISIS HUMANO
Los terabytes de datos de piezas de aeronaves que se pueden consumir y procesar requerirían meses de trabajo de cientos de científicos de datos para producir resultados prácticos. Sin embargo, uno de los principales obstáculos en la toma de decisiones impulsada por la IA es la infraestructura de la base de datos. Si bien algunas bases de datos pueden procesar consultas en menos de un segundo, otras pueden tardar hasta 15 minutos en entregar los mismos resultados. Esta demora puede afectar significativamente la toma de decisiones en tiempo real en escenarios de adquisiciones críticas, donde la velocidad es esencial para mantener la eficiencia operativa y minimizar el impacto financiero. Por ejemplo, cada avión comercial se somete a alrededor de 3 a 5 eventos de mantenimiento importantes al año , con costos de mantenimiento promedio por avión que alcanzan los $3 millones .
Los retrasos en las piezas y el mantenimiento no planificado pueden generar costos adicionales, pérdida de futuras ventas de boletos debido a tiempos de inactividad prolongados y una menor lealtad del cliente debido al aumento de demoras y cancelaciones.
El desvío de recursos internos de las tareas operativas diarias hacia la búsqueda de existencias en el inventario o el pedido de piezas y la toma de decisiones críticas rápidamente con información limitada provoca una mayor interrupción operativa.
La plataforma ePlaneAI utiliza redes neuronales convolucionales (CNN) para identificar datos de piezas basados en imágenes y codificadores automáticos para la detección de anomalías, lo que garantiza la precisión de los datos y el control de calidad. Estos modelos funcionan de forma autónoma y se adaptan a los patrones de datos en evolución para mantener una alta precisión y rendimiento a lo largo del tiempo. Esta capacidad autónoma reduce la intervención humana y aumenta la eficiencia operativa. Al aprovechar este tipo de solución, las organizaciones comprenderán mejor el stock de inventario y su utilización, lo que permite una previsión precisa de las necesidades a corto y largo plazo para mitigar futuros problemas de inventario. La solución puede comprar automáticamente existencias al mejor precio de mercado disponible.
CASO DE USO: Optimización automatizada de adquisiciones y inventario
Una empresa de la industria aeronáutica se enfrentó a importantes desafíos con los pedidos de AOG, que representaban el 70 % de sus pedidos totales de piezas. Estos involucraban a más de 500 proveedores y gestionaban más de 70 000 SKU en cinco almacenes. Su optimización a nivel par se producía con poca frecuencia, solo una vez al año, lo que generaba ineficiencias y presión sobre los empleados para que tomaran decisiones críticas. En promedio, las aerolíneas apuntan a una tasa de rotación de inventario de 1,5 a 2 veces al año , lo que significa que el inventario de piezas se reemplaza normalmente cada 6 a 8 meses .
Esta empresa implementó una solución personalizada de ePlaneAI que utilizó XGBoost y bosques aleatorios para optimizar los cronogramas de compras y la gestión de inventario, lo que garantiza ajustes precisos a nivel de paridad y pronósticos de demanda. Los resultados específicos incluyeron:
- Más del 37% del inventario identificado como obsoleto, lo que permite una mejor utilización del stock.
- Se logró una precisión superior al 95% en la previsión y predicción de la demanda a corto plazo, lo que conduce a decisiones de compra más precisas.
- Mejora de la eficiencia laboral en un 65%
- Disminución sustancial de los incidentes AOG y reducción de las compras de piezas AOG de primera calidad
Incluso cuando solo se aprovechan los datos internos del sistema ERP, una solución de IA puede volverse más predictiva en función de las preferencias del usuario. Por ejemplo, poder aprovechar las decisiones de compra históricas (cantidades, proveedores, velocidad de entrega) capacita al modelo de IA para generar no solo la mejor decisión, sino también la solución preferida.
CASO DE USO: Pronóstico a largo plazo y programación de la producción
Un fabricante de piezas aeroespaciales se enfrentó a importantes desafíos debido a los largos plazos de entrega, que superaban los ocho meses, y a los cortos plazos de entrega, que oscilaban entre 1 y 10 días. Estas limitaciones exigían una solución sólida para pronosticar la demanda con precisión y planificar la producción de manera eficaz.
Implementaron una solución de inteligencia artificial personalizada de ePlaneAI para pronosticar e identificar con precisión patrones y tendencias estacionales e informar un cronograma de producción anual integral que incluye valores superiores, inferiores y medianos.
Modelos como Prophet y ARIMA permiten una predicción precisa de la demanda, mientras que los algoritmos genéticos optimizan los cronogramas de producción en función de las tendencias estacionales.
Los resultados específicos incluyeron:
- Se identificó que el 40% de las piezas no se movían, lo que finalmente llevó a la empresa a descontinuar la producción de esos artículos el año siguiente, lo que contribuyó al ahorro general de costos.
- Se logró una precisión del 82% a nivel de número de pieza y del 90% a nivel de cantidad para piezas que requieren producción.
- Permitió al cliente optimizar los procesos de producción, reducir la fabricación innecesaria y cumplir con los plazos de entrega de manera más efectiva.
PROCESOS AUTOMATIZADOS DESDE EL CONOCIMIENTO HASTA LA TRANSACCIÓN
ePlaneAI guía automáticamente al usuario para completar la transacción una vez que se proporciona una recomendación. Al integrar el aprendizaje por refuerzo (RL) , el sistema se adapta a las condiciones dinámicas del mercado, lo que permite realizar ajustes de precios en tiempo real para las transacciones de compra. Estos algoritmos adaptativos funcionan de forma autónoma , lo que requiere una intervención manual mínima y maximiza la eficiencia y la rentabilidad. Esto se logra a través de la tienda autónoma que proporciona precios automatizados (ajustados a la tasa actual del mercado) y un sistema de pago y checkout B2B global basado en los términos del contrato.
La automatización de este proceso permite aumentar la eficiencia y el rendimiento operativo y, por tanto, la rentabilidad a través de:
- Menos intervención manual, plazos de entrega más cortos y compra automática de inventario al mejor precio disponible.
- Escalabilidad para distintos volúmenes sin sobrecargar los recursos internos.
- Mayor precisión y consistencia de los registros de inventario
- Relaciones más sólidas con los proveedores a través de pagos oportunos a los mismos.
Las transacciones automatizadas también crean registros digitales detallados que facilitan la trazabilidad como una medida de cumplimiento mejorada. Estos registros detallados también garantizan que la transacción cumpla con todas las pautas necesarias del proceso de compra.
La automatización del proceso de transacción es el paso final para facilitar una estrategia de compras más ágil y efectiva.
CONCLUSIÓN
Una estrategia de compras más simplificada y eficaz conduce a una mayor eficiencia operativa y, en última instancia, a una empresa más rentable.
Para que cada segmento de la industria aeroespacial mantenga una ventaja competitiva y aumente su rentabilidad, es necesario adoptar tecnologías que optimicen el complejo proceso de adquisición, que requiere mucho tiempo y mano de obra. Teniendo en cuenta que los costos de mantenimiento de inventario en la industria de la aviación oscilan entre el 15 y el 25 % del valor de la pieza por año , la optimización del inventario impulsada por IA puede generar ahorros sustanciales.
Fuente: https://aviationweek.com/mro/optimizing-aerospace-supply-chain-ai-big-data