Resumen:
CONDITION FOR PUBLICATION OF PROJECT. In the Ecuadorian industry, access to key performance indicators (KPIs) is often limited due to the use of manual records and isolated platforms, which cause delays in decision-making and increase operating costs. This project proposes the design of a web-based platform with a virtual assistant powered by artificial intelligence, capable of responding to queries about reliability and availability metrics while also predicting failures in critical equipment. The objective is to reduce consultation times and provide reliable real-time information to strengthen the plant’s strategic management.
The system was developed by combining a centralized database, an intuitive web environment, and a natural language processing engine that interprets user questions. In addition, a Random Forest machine learning model was trained with historical operating data and integrated into the assistant to generate timely predictions.
The results showed a reduction in the average consultation time from nearly one hour to eleven minutes, together with a reliable predictive performance, achieving F1=0.9262 and ROC AUC=0.9567.
It is concluded that the solution is a viable alternative for the digitalization of industrial processes, enhancing efficiency, traceability, and productivity in manufacturing environments.
Keywords: Industry 4.0, digitalization, machine learning, productivity
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. En la industria ecuatoriana, el acceso a indicadores clave de desempeño (KPIs) es limitado debido al uso de registros manuales y plataformas aisladas que generan demoras en la toma de decisiones y aumentan los costos operativos. El presente proyecto plantea el diseño de una plataforma web que integra un asistente virtual basado en inteligencia artificial para consultar métricas de confiabilidad y disponibilidad, así como predecir fallos en equipos críticos. El objetivo es reducir los tiempos de consulta y fortalecer la toma de decisiones estratégicas mediante información confiable y en tiempo real.
El sistema fue desarrollado combinando una base de datos centralizada, un entorno web intuitivo y un motor de procesamiento de lenguaje natural que interpreta preguntas de los usuarios. Asimismo, se incorporó un modelo de aprendizaje automático Random Forest entrenado con datos históricos de operación, el cual se integró al asistente para generar predicciones oportunas.
Los resultados demostraron una reducción del tiempo promedio de consulta de cerca de una hora a once minutos y un desempeño predictivo confiable con métricas F1=0.9262 y ROC AUC=0.9567.
Se concluye que la solución representa una alternativa viable para la digitalización de procesos industriales, al mejorar la eficiencia, la trazabilidad y la productividad en planta.
