El defecto que define su pellet es diminuto: hay que verlo antes

El problema

Entre muestra y muestra pueden pasar cientos de kilos.

A la cadencia real de la peletizadora, el control es por muestreo: alguien coge un puñado cada cierto tiempo y lo mira sobre una bandeja blanca. Entre muestra y muestra pueden pasar cientos de kilos, y el resultado depende del cansancio y de la luz que haya en el puesto. Lo que se cuela va al big-bag, el big-bag al camión y el camión al cliente.

• A la cadencia real de la peletizadora, el control es por muestreo: alguien coge un puñado cada cierto tiempo y lo mira sobre una bandeja blanca.
• Entre muestra y muestra pueden pasar cientos de kilos.
• El resultado depende del cansancio y de la luz que haya en el puesto.
• Lo que se cuela va al big bag, el big bag al camión y el camión al cliente.

Cómo encaja con el sistema IRIS

Edge sobre la cinta, con inferencia local — y dos salidas, no una.

Edge pone una cámara industrial cenital sobre la cinta a la salida del cortador, y una segunda sobre el perfil extruido. La inferencia corre en local, en una GPU a pie de línea: sin enviar imagen a la nube, porque a esta cadencia la latencia, el coste y el ancho de banda no lo permitirían. El modelo se entrena con muestras buenas y malas del grado concreto de esta planta. Y tiene dos salidas, no una. La primera es reactiva: desvía el material fuera de especificación antes de que entre al big-bag. La segunda es la que de verdad cambia el resultado: la curva de tendencia de densidad de defecto. Porque la aparición de puntos negros es progresiva. Detectada al principio, basta con purgar o cambiar el filtro. Detectada al final, se ha perdido el lote entero. Ese es el salto conceptual: de reaccionar a preempcionar. La cámara no está ahí para pillar el defecto, está ahí para avisar de que el proceso está derivando mientras todavía se puede corregir con una purga de cinco minutos en lugar de con un lote degradado de grado.

La primera salida es reactiva: desvía el material fuera de especificación antes de que entre al big bag. La segunda es la que cambia el negocio: la tasa de defecto se vuelve una señal de proceso, no un veredicto final.

Ver la arquitectura IRIS completa →

Antes y después

El control del pellet, antes y después

Aspecto	Hoy	Con iLEAN Edge
Cobertura del control	Muestreo del 1-2%	Continuo sobre el flujo
Entre muestra y muestra	Cientos de kilos sin mirar	Nada pasa sin mirar
De qué depende el resultado	Cansancio y luz del puesto	Del modelo, igual a las seis horas
Qué se hace con el defecto	Se detecta al final, si se detecta	Se desvía antes del big bag
La tasa de defecto	Un veredicto final	Una señal de proceso en vivo
Dependencia de red o nube	—	Ninguna: GPU a pie de línea

Del muestreo del 1-2% al control continuo del flujo, y del lote perdido a la purga a tiempo.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 5-12 meses, en función directa de la tasa actual de reproceso y de degradado de grado.
• Del muestreo del 1-2% al control continuo del flujo.
• Menos material fuera de especificación llegando al big bag, que es donde deja de ser recuperable barato.
• Y una señal de proceso continua que hoy no existe: la tasa de defecto por lote y por turno.

Payback 5-12 meses · del muestreo del 1-2% al control continuo del flujo. El retorno estimado está entre cinco y doce meses, y depende directamente de la tasa actual de reproceso y de degradado de grado. Es reducción directa de merma, que en este negocio es margen, más reducción de reclamaciones. Estimación a validar con los kilos que hoy se reprocesan al mes. Rangos conservadores, estimación a validar con los datos reales de la planta.

Y la duda razonable del responsable de producción

«¿Cuántas muestras malas hacen falta para entrenarlo?» — menos de las que se teme, porque el modelo se entrena con muestras buenas y malas del grado concreto de esta planta, no de un catálogo genérico. Y no decide solo: desvía según umbral y la persona ajusta el umbral.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.